yolov8添加focal loss

### 集成 Focal Loss 到 YOLOv8 为了在 YOLOv8 中集成 Focal Loss 来改进模型训练效果，可以按照如下方法进行自定义损失函数配置： #### 修改配置文件 首先，在 `yolov8.yaml` 或者其他用于指定网络结构和超参数的配置文件中加入新的损失项设置。这通常涉及到修改或增加有关分类损失的部分。 对于 Focal Loss 而言，其表达形式为： \[ FL(p_t)=-\alpha(1-p_t)^{\gamma}\log(p_t)\tag{1} \] 其中 \(p_t\) 是预测概率；当真实标签为正类时取预测值本身，反之则取\(1-\hat{y}_i\)作为输入给定到上述公式计算得到最终的加权交叉熵损失[^1]。 #### 编写自定义损失模块 接着创建一个新的 Python 文件来编写自定义的 Focal Loss 类，并将其导入至项目当中以便后续调用。下面是一个简单的 PyTorch 实现例子: ```python import torch.nn.functional as F from torch import nn, Tensor class FocalLoss(nn.Module): """Implementation of the Focal Loss function.""" def __init__(self, alpha: float = 0.25, gamma: int | float = 2., reduction='mean'): super(FocalLoss, self).__init__() self.alpha = alpha self.gamma = gamma self.reduction = reduction def forward(self, inputs: Tensor, targets: Tensor) -> Tensor: ce_loss = F.cross_entropy(inputs, targets, reduction="none") pt = torch.exp(-ce_loss) focal_loss = (self.alpha * ((1 - pt)**self.gamma) * ce_loss).mean() if self.reduction == 'mean': return focal_loss.mean() elif self.reduction == 'sum': return focal_loss.sum() else: return focal_loss ``` 此代码片段实现了带有可调节权重因子α以及聚焦系数γ的标准二元Focal Loss版本。 #### 更新训练脚本中的损失部分 最后一步是在主程序里替换默认使用的标准交叉熵损失（CrossEntropy Loss），改为实例化并使用新构建好的 Focal Loss 函数来进行反向传播更新操作。具体做法取决于框架的具体实现方式和个人偏好。 通过以上步骤可以在 YOLOv8 上成功集成了 Focal Loss ，从而更好地处理数据集中存在的类别不均衡现象，提高小物体识别精度等问题。