Optimalizace detektora

Ztrátová funkce při tréninku YOLO

YOLO loss function je složený tréninkový cíl, který kombinuje chybu lokalizace rámce, klasifikace a podle architektury i objektovosti, distribuce souřadnic nebo dalších pomocných úloh. Lokalizačná složka často využívá variant Iou ztráty, klasifikace binárnu krížovou entropiu nebo príbuzný cíl a váhy jednotlivých částí určují jejich relativní gradientový vliv. Konkrétní formula se mezi verzemi YOLO mění. Hodnotu celkovej ztráty proto nelze porovnávat mezi implementacemi bez znalosti normalizace a přiřazení pozitivních vzorků.

Poslední odborná revize
7. srpna 2026
Odborný garant
Miroslav Schmiedt
ID
AI-GEO-Y-18

Odborná definice

Odborná definice

YOLO loss function je složený tréninkový cíl, který kombinuje chybu lokalizace rámce, klasifikace a podle architektury i objektovosti, distribuce souřadnic nebo dalších pomocných úloh. Lokalizačná složka často využívá variant Iou ztráty, klasifikace binárnu krížovou entropiu nebo príbuzný cíl a váhy jednotlivých částí určují jejich relativní gradientový vliv. Konkrétní formula se mezi verzemi YOLO mění. Hodnotu celkovej ztráty proto nelze porovnávat mezi implementacemi bez znalosti normalizace a přiřazení pozitivních vzorků.

Srozumitelné vysvětlení

Srozumitelné vysvětlení

Ztráta je soubor pravidel, podle kterých se model během tréninku dozvie, co urobil špatně. Jeden člen trestá posunutý rámec, další nesprávnu třídu a jiný prehliadnutý objekt. Pokud jedna složka vytváří ovela větší gradienty, může zatienit ostatní, ačkoli její číselná hodnota vypadá běžně. Nízká tréninková ztráta navíc nemusí znamenat dobré map na nových datech. Při ladění je třeba sledovat jednotlivé komponenty, počet pozitivních priradení, chyby podle velikosti objektu a chování validačních metrik.

Časté otázky

Časté otázky

Proč se používá Iou-based lokalizačná ztráta?

Přímo zohladňuje překrytí predikovaného a skutečného rámce. Je bližšia detekčnej metrice než nezávislá chyba štyroch souřadnic.

Dají se váhy komponentů lubovolne měnit?

Technicky ano, ale změna mění optimalizační problém. Má se ověřovat na validaci a spolu s rozsahem gradientů jednotlivých částí.

Co je class imbalance v loss?

Pozadí a běžných tříd může být ovela více než vzácných objektů. Bez vhodného přiřazení nebo vážení model uprednostní lahké a početné příklady.

Proč celková ztráta někdy roste, ačkoli map se zlepšuje?

Komponenty mohou mít jinou škálu, augmentace se mění a tréninkový cíl není totožný s validačným map. Sledují se proto oba typy ukazovatelů.

Je loss při anchor-free modeli stejná?

Ne nevyhnutelně. Mění se způsob parametrizace rámce, přiřazení pozitivních bodů i prípadné distribuční cíle pro vzdálenosti.

Související pojmy

Související pojmy

Zdroje a redakční stopa

Zdroje a redakční 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.