此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • FOMOLocalizationLoss
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包

fomo_localization_loss

最后更新
Python API: luxonis_train.attached_modules.losses.fomo_localization_lossFOMO 对象中心热图的加权焦点损失。

类

FOMOLocalizationLoss

FOMOHead 在对象中心热图上的焦点损失。
  • 输入::
    • heatmap (Tensor): [B, nclasses, Hf, Wf] logits
    • target (Tensor): [M, 6], [batch, class, x, y, w, h], xywh 归一化
  • 输出::
    • Tensor: 标量
  • 公式:: 目标热图 y 在包含框中心的单元格中为 1,在框类别的通道中。在所有其他单元格中为 0。对于每个单元格的 logit x: L = (1)/(B nclasses Hf Wf)∑α (1 − pt)γ w BCE(x, y), pt = exp( − BCE(x, y)) BCE 是带有 logits 的二元交叉熵,pt 是目标值的预测概率。w 在中心单元格中是 object_weight,在其他单元格中是 1。α 是 alpha,γ 是 gamma。

方法

init
Python
1def __init__(object_weight: float = 500, alpha: float = 0.45, gamma: float = 2, **kwargs):
初始化损失。该方法读取节点的输入图像大小。forward 不使用该大小。因此,损失需要一个节点:如果没有 node,BaseAttachedModule.node 会引发 RuntimeError。参数
  • object_weight (float): 中心单元格中损失的因子 w。其他单元格的因子为 1。
  • alpha (float): 每个单元格中损失的因子 α。
  • gamma (float): 焦点项的指数 γ。值越高,头部已经很好预测的单元格的损失越低。0 会移除焦点项。
  • **kwargs: 转发给 BaseLoss 的关键字参数,例如 final_loss_weight 和 node。
forward
Python
1def forward(heatmap: Tensor, target: Tensor) -> Tensor:
构建目标热图并计算加权焦点损失。参数
  • heatmap (Tensor): 形状为 [B, n_classes, H, W] 的类别 logits,来自节点输出的 heatmap 键。
  • target (Tensor): 形状为 [M, 6] 的 boundingbox 标签。每行包含批次索引、类别以及一个框的归一化 x、y、w 和 h。x 和 y 表示左上角。
返回
  • Tensor: heatmap 所有单元格的加权焦点损失的平均值,作为标量。

属性

node
supported_tasks