GIthub使用指北:

1.想将项目拷贝到自己帐号下就fork一下.

2.持续关注项目更新就star一下

3.watch是设置接收邮件提醒的.

jupyter-notebook用法例子 请见:由于Github是国外网站,加载会稍慢

retinanet的实现请见:Retinanet-pytorch

---

pytorch 实现 focal loss

retinanet论文损失函数

实现过程简易明了,全中文备注.

参数说明

• alpha参数，是类别损失权重。

  用于调节各类别对损失的影响，具体作用与torch实现的CrossEntropyLoss中的weight参数一致。

  你可以输入一个float，比如0.25，则最终的alpha将是[0.25， 0.75， 0.75， 0.75， ...]，这种情况一般用于目标检测，用来抑制背景类对损失的影响；你也可以直接输入一个列表，直接为每一类指定损失权重。

• gamma参数，是难易度系数，也是focal loss不同于交叉熵的最大区别。

  用于调整训练过程中难识别样本与易识别样本对损失的影响。

参数设置

通常情况下，设置好num_classes直接调用就可以了。

• alhpa参数

  可以参考各类别样本数据量比例，来设置alpha参数。

  但更建议的是，进行多次训练:

  1. 初次训练时，可以将alpha设置为一个值全为1的列表，使各个类别平等的去影响损失。

  2. 测试结果后，针对想提高的类别，给予一个较其他类大的权重值，加大该类对损失的影响，继续训练模型，使模型在训练时更倾向于该类。例如5分类任务中，设置alpha=[1, 1, 2, 3, 1]，加大第三类、第四类对损失的影响，提高这两类的分类精度。

• gamma参数

  gamma参数只推荐设置为2。

交叉熵损失

带平衡因子的交叉熵

Focal损失

加入 (1-pt)γ 平衡难易样本的权重,通过γ缩放因子调整,retinanet默认γ=2

带平衡因子的Focal损失

论文中最终为带平衡因子的focal loss, 本项目实现的也是这个版本

最终retinanet的效果

不同γ 值收敛效果

retinanet与其他检测模型对比