YOLOv8模型改进 第十一讲 添加自适应阈值焦点损失（ATFL）函数解决类别不平衡

### 实现自适应阈值焦点损失函数 为了实现自适应阈值焦点损失函数 (ATFL)，需要理解该损失函数的核心概念及其相对于传统交叉熵损失的优势。ATFL旨在解决类别不平衡问题，通过引入一个动态调整的比例因子来减少容易分类样本的影响并集中于难分类样本。 #### 自适应阈值焦点损失函数定义 ATFL基于标准的二元交叉熵损失进行了扩展，在此基础上加入了两个主要组件： - **焦点项**：用于调节不同难度级别的样本对总损失贡献的程度。 - **自适应阈值机制**：允许根据预测概率动态设定阈值，从而进一步增强或减弱特定样本的重要性。 具体来说，对于给定的真实标签 \(y\) 和预测的概率分布 \(\hat{p}\)，ATFL 可以表示如下[^1]: \[ L_{atfl}(y,\hat{p})=-\alpha(1-\hat{p}_t)^{\gamma}log(\hat{p}_t)\cdot I[\hat{p}_t>\theta]+-(1-\alpha)(\hat{p}_t)^{\gamma}log(1-\hat{p}_t)\cdot I[(1-\hat{p}_t)>\theta] \] 其中， - \(\alpha\) 是平衡正负类别的加权参数； - \(\gamma\) 控制着焦点效应强度； - \(\theta\) 表示自适应设置的阈值； - \(I[]\) 为指示函数； 当预测得分超过预设阈值时，则认为此样本相对容易被正确分类，并因此受到较小的关注度；反之亦然。 #### PyTorch中的实现方式 下面是在PyTorch框架下实现上述公式的代码片段: ```python import torch import torch.nn as nn class AdaptiveThresholdFocalLoss(nn.Module): def __init__(self, alpha=0.25, gamma=2., theta=0.75): super().__init__() self.alpha = alpha self.gamma = gamma self.theta = theta def forward(self, inputs, targets): BCE_loss = nn.BCEWithLogitsLoss()(inputs, targets) pt = torch.exp(-BCE_loss) atf_loss_pos = -self.alpha * ((1-pt)**self.gamma) * torch.log(pt) * (pt>self.theta).float() atf_loss_neg = -(1-self.alpha)*(pt**self.gamma)*torch.log(1.-pt)*((1.-pt)>self.theta).float() return (atf_loss_pos + atf_loss_neg).mean() ``` 这段代码实现了带有自适应阈值特性的焦点损失计算逻辑。`forward()` 方法接收输入张量 `inputs` 和目标张量 `targets` 并返回平均后的 ATFL 值作为最终输出。