Optimalizácia detektora

YOLO loss function

Stratová funkcia pri tréningu YOLO

YOLO loss function je zložený tréningový cieľ, ktorý kombinuje chybu lokalizácie rámca, klasifikácie a podľa architektúry aj objektovosti, distribúcie súradníc alebo ďalších pomocných úloh. Lokalizačná zložka často využíva variant IoU straty, klasifikácia binárnu krížovú entropiu alebo príbuzný cieľ a váhy jednotlivých častí určujú ich relatívny gradientový vplyv. Konkrétna formula sa medzi verziami YOLO mení. Hodnotu celkovej straty preto nemožno porovnávať medzi implementáciami bez znalosti normalizácie a priradenia pozitívnych vzoriek.

Posledná odborná revízia
1. augusta 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-Y-18

Odborná definícia

Odborná definícia

YOLO loss function je zložený tréningový cieľ, ktorý kombinuje chybu lokalizácie rámca, klasifikácie a podľa architektúry aj objektovosti, distribúcie súradníc alebo ďalších pomocných úloh. Lokalizačná zložka často využíva variant IoU straty, klasifikácia binárnu krížovú entropiu alebo príbuzný cieľ a váhy jednotlivých častí určujú ich relatívny gradientový vplyv. Konkrétna formula sa medzi verziami YOLO mení. Hodnotu celkovej straty preto nemožno porovnávať medzi implementáciami bez znalosti normalizácie a priradenia pozitívnych vzoriek.

Zrozumiteľné vysvetlenie

Zrozumiteľné vysvetlenie

Strata je súbor pravidiel, podľa ktorých sa model počas tréningu dozvie, čo urobil zle. Jeden člen trestá posunutý rámec, ďalší nesprávnu triedu a iný prehliadnutý objekt. Ak jedna zložka vytvára oveľa väčšie gradienty, môže zatieniť ostatné, hoci jej číselná hodnota vyzerá bežne. Nízka tréningová strata navyše nemusí znamenať dobré mAP na nových dátach. Pri ladení treba sledovať jednotlivé komponenty, počet pozitívnych priradení, chyby podľa veľkosti objektu a správanie validačných metrík.

Časté otázky

Časté otázky

Prečo sa používa IoU-based lokalizačná strata?

Priamo zohľadňuje prekrytie predikovaného a skutočného rámca. Je bližšia detekčnej metrike než nezávislá chyba štyroch súradníc.

Dajú sa váhy komponentov ľubovoľne meniť?

Technicky áno, ale zmena mení optimalizačný problém. Má sa overovať na validácii a spolu s rozsahom gradientov jednotlivých častí.

Čo je class imbalance v loss?

Pozadia a bežných tried môže byť oveľa viac než vzácnych objektov. Bez vhodného priradenia alebo váženia model uprednostní ľahké a početné príklady.

Prečo celková strata niekedy rastie, hoci mAP sa zlepšuje?

Komponenty môžu mať inú škálu, augmentácie sa menia a tréningový cieľ nie je totožný s validačným mAP. Sledujú sa preto oba typy ukazovateľov.

Je loss pri anchor-free modeli rovnaká?

Nie nevyhnutne. Mení sa spôsob parametrizácie rámca, priradenie pozitívnych bodov aj prípadné distribučné ciele pre vzdialenosti.

Súvisiace pojmy

Súvisiace pojmy

Zdroje a redakčná stopa

Zdroje a redakčná stopa

  • Ultralytics, Training Configuration Generalized Focal Loss paper

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.