详细内容或原文请订阅后点击阅览
YOLOv1 损失函数演练：所有人的回归
解释 YOLOv1 如何衡量其对象检测和分类预测的正确性YOLOv1 损失函数演练：所有人的回归首先出现在《走向数据科学》上。
来源:走向数据科学在我之前的文章中，我解释了 YOLOv1 的工作原理以及如何使用 PyTorch 从头开始构建架构。在今天的文章中，我将重点讨论用于训练模型的损失函数。我强烈建议您在阅读本文之前阅读我之前的 YOLOv1 文章，因为它涵盖了您需要了解的许多基础知识。单击参考号 [1] 处的链接即可到达那里。
什么是损失函数？
我相信我们都知道损失函数是深度学习（以及机器学习）中极其重要的组成部分，它用于评估我们的模型在预测基本事实方面的效果。一般来说，损失函数应该能够接受两个输入值，即目标值和模型做出的预测。每当预测远离真实情况时，该函数就会返回一个很大的值。相反，每当模型成功给出接近目标的预测时，损失值就会很小。
通常，模型仅用于分类或回归。然而，YOLOv1 有点特殊，因为它包含了一个分类任务 ——对检测到的对象进行分类，而对象本身将被包围在边界框内，边界框的坐标和大小是使用连续数字确定的—— 因此是一个回归任务。在处理分类任务时，我们通常使用交叉熵损失，对于回归，我们可以使用 MAE、MSE、SSE 或 RMSE 之类的东西。但由于 YOLOv1 的预测同时包含分类和回归，因此我们需要创建一个自定义损失函数来适应这两个任务。 这就是事情开始变得有趣的地方。
分解组件
现在让我们看一下损失函数本身。下面是根据原始 YOLOv1 论文 [2] 得出的结果。
这里你可以看到损失函数基本上由 5 行组成。现在让我们一一探讨它们。