Está en la página 1de 4

Función de pérdida YOLO predice múltiples cuadros delimitadores por celda de cuadrícula. Para calcular la pérdida del positivo verdadero, solo queremos que uno de ellos sea responsable del objeto. Para este propósito, seleccionamos el que tiene la IoU más alta (intersección sobre unión) con la verdad fundamental. Esta estrategia conduce a la especialización entre las predicciones del cuadro delimitador. Cada predicción mejora en la predicción de ciertos tamaños y relaciones de aspecto. YOLO usa el error de suma al cuadrado entre las predicciones y la verdad básica para calcular la pérdida. La función de pérdida se compone de:

La pérdida de clasificación. La pérdida de localización (errores entre el cuadro de límite previsto y la verdad básica). La pérdida de confianza (la objetividad de la caja).

Pérdida de clasificación

Si se detecta un objeto, la pérdida de clasificación en cada celda es el error cuadrado de las probabilidades condicionales de clase para cada clase:

las probabilidades condicionales de clase para cada clase: Pérdida de localización La pérdida de localización mide

Pérdida de localización La pérdida de localización mide los errores en las ubicaciones y tamaños de los cuadros de límite previstos. Solo contamos con la casilla responsable de detectar el objeto. Función de pérdida

YOLO predice múltiples cuadros delimitadores por celda de cuadrícula. Para calcular la pérdida del positivo verdadero, solo queremos que uno de ellos sea responsable del objeto. Para este propósito, seleccionamos el que tiene la IoU más alta (intersección sobre unión) con la verdad fundamental. Esta estrategia conduce a la especialización entre las predicciones del cuadro delimitador. Cada predicción mejora en la predicción de ciertos tamaños y relaciones de aspecto. YOLO usa el error de suma al cuadrado entre las predicciones y la verdad básica para calcular la pérdida. La función de pérdida se compone de:

La pérdida de clasificación. La pérdida de localización (errores entre el cuadro de límite previsto y la verdad básica). La pérdida de confianza (la objetividad de la caja).

Pérdida de clasificación

Si se detecta un objeto, la pérdida de clasificación en cada celda es el error cuadrado de las probabilidades condicionales de clase para cada clase:

las probabilidades condicionales de clase para cada clase: Pérdida de localización La pérdida de localización mide

Pérdida de localización La pérdida de localización mide los errores en las ubicaciones y tamaños de los cuadros de límite previstos. Solo contamos con la casilla responsable de detectar el objeto. Función de pérdida

YOLO predice múltiples cuadros delimitadores por celda de cuadrícula. Para calcular la pérdida del positivo verdadero, solo queremos que uno de ellos sea responsable del objeto. Para este propósito, seleccionamos el que tiene la IoU más alta (intersección sobre unión) con la verdad fundamental. Esta estrategia conduce a la especialización entre las predicciones del cuadro delimitador. Cada predicción mejora en la predicción de ciertos tamaños y relaciones de aspecto. YOLO usa el error de suma al cuadrado entre las predicciones y la verdad básica para calcular la pérdida. La función de pérdida se compone de:

La pérdida de clasificación. La pérdida de localización (errores entre el cuadro de límite previsto y la verdad básica). La pérdida de confianza (la objetividad de la caja).

Pérdida de clasificación

Si se detecta un objeto, la pérdida de clasificación en cada celda es el error cuadrado de las probabilidades condicionales de clase para cada clase:

las probabilidades condicionales de clase para cada clase: Pérdida de localización La pérdida de localización mide

Pérdida de localización La pérdida de localización mide los errores en las ubicaciones y tamaños de los cuadros de límite previstos. Solo contamos con la casilla responsable de detectar el objeto. Función de pérdida

YOLO predice múltiples cuadros delimitadores por celda de cuadrícula. Para calcular la pérdida del positivo verdadero, solo queremos que uno de ellos sea responsable del objeto. Para este propósito, seleccionamos el que tiene la IoU más alta (intersección sobre unión) con la verdad fundamental. Esta estrategia conduce a la especialización entre las predicciones del cuadro delimitador. Cada predicción mejora en la predicción de ciertos tamaños y relaciones de aspecto. YOLO usa el error de suma al cuadrado entre las predicciones y la verdad básica para calcular la pérdida. La función de pérdida se compone de:

La pérdida de clasificación. La pérdida de localización (errores entre el cuadro de límite previsto y la verdad básica). La pérdida de confianza (la objetividad de la caja).

Pérdida de clasificación

Si se detecta un objeto, la pérdida de clasificación en cada celda es el error cuadrado de las probabilidades condicionales de clase para cada clase:

las probabilidades condicionales de clase para cada clase: Pérdida de localización La pérdida de localización mide

Pérdida de localización La pérdida de localización mide los errores en las ubicaciones y tamaños de los cuadros de límite previstos. Solo contamos con la casilla responsable de detectar el objeto.