【目标检测实验系列】YOLOv5改进实验：结合VariFocal Loss损失函数，减少小目标漏检问题，高效提升模型检测的召回率（超详细改进代码流程）

1. 文章主要内容

       本篇博客主要涉及两个主体内容。第一个：简单介绍VariFocal Loss的原理。第二个：基于YOLOv5 6.0版本，将损失函数替换为VariFocal Loss的详细调试步骤（通读本篇博客大概需要5分钟左右的时间）。

2. VariFocal Loss损失函数（原理：简单介绍，可自行详细研究）

2.1 VariFocal Loss损失函数

       VariFocal Loss是从Focal Loss而来，所以我们要首先了解Focal Loss。Focal Loss提出来要解决的问题是训练数据中，正负样本不均衡的问题。 何为正负样本不均衡？比如说，我们训练的图片样本，尤其是包含很多小目标的图片样本，其实要检测的目标(也就是我们说的正样本)只占图片区域的少部分(综合来看)，大部分的区域则为背景区域(也就是我们说的负样本)；这就会导致训练数据负样本占多，而正样本相对来说占少数，模型的训练效果会变差，Focal Loss给难分、易分样本加上权重因子，提升难分样本的权重，降低易分样本的权重，从而控制正负样本均衡的问题，其中背景类一般为易分样本，而目标类为难分样本。 同时，Focal Loss适合检测密集型目标的图片样本，这个对小尺寸、拥挤、遮挡等特点的数据集会有不错的效果。

       VariFocal Loss是在Focal Loss的基础上提出的，因为Focal Loss对正负样本的处理是均衡的，而varifocal loss仅减少了负样本的损失贡献，而不以同样的方式降低正样本的权重。具体的公式、原理还请查看原论文或者网上的文章解析。
       原论文地址：Focal Loss 论文、VariFocal Loss 论文

2.2 博主数据集实验效果

       博主所训练的数据集特点：小尺寸目标居多，密集且目标尺寸不一，实验数据如下所示：
       原YOLOv5s框架实验数据：P(查准率)：0.935、R(召回率)：0.927、mAP@0.5(平均检测精度)：0.942
       YOLOv5s+VFLoss：P(查准率)：0.974、R(召回率)：0.95、mAP@0.5(平均检测精度)：0.962
       由实验数据对比，YOLOv5s+VariFocal Loss能够极大的提升R，同时P、mAP也有所提升，提升R指标，就表明能够检测更多的目标，可以减少模型漏检的问题，且FLOPs和原YOLOv5模型一样。

3. 代码详细改进流程(重要)

3.1 新建varifocalLoss.py文件

       （ 注意：博主使用的是Pycharm集成开发工具）首先在data->tricks目录下新建一个叫varifocal loss的py文件( 注意：tricks文件夹是自定义创建的，没有自己创建一个即可)，将如下代码复制到varifocal loss的py文件中：

import torch
from torch import nn

class VFLoss(nn.Module):
    def __init__(self, loss_fcn, gamma=1.5, alpha=0.25):
        super(VFLoss, self).__init__()
        # 传递 nn.BCEWithLogitsLoss() 损失函数  must be nn.BCEWithLogitsLoss()
        self.loss_fcn = loss_fcn  #
        self.gamma = gamma
        self.alpha = alpha
        self.reduction = loss_fcn.reduction
        self.loss_fcn.reduction = 'none'  # required to apply VFL to each element

    def forward(self, pred, true):

        loss = self.loss_fcn(pred, true)

        pred_prob = torch.sigmoid(pred)  # prob from logits

        focal_weight = true * (true > 0.0).float() + self.alpha * (pred_prob - true).abs().pow(self.gamma) * (
                    true <= 0.0).float()
        loss *= focal_weight

        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:
            return loss
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

       另外项目的data-tricks目录结构如下所示：（ 之所以要新建文件，是为了方便，清晰的分辨哪些创新点，而不是一股脑都放在一个文件中）

3.2 修改hyp.scratch-low.yaml文件

       在data/hyps文件夹下面，找到hyp.scratch-low.yaml(注意：hyps下面有多个yaml文件，博主这里修改hyp.scratch-low.yaml，是因为在train.py文件中调用了此文件，如果你调用了是另外的yaml文件，则需要在你调用的那个yaml文件中做修改)，修改fl_gamma的这一行值，原本是0.0，这里修改为1.5即可，如下图所示：

3.3 修改loss.py文件

       loss.py文件在utils文件夹下面，打开并定位到如下代码部分(大概是111行)，修改成如下的代码所示：

BCEcls, BCEobj = VFLoss(BCEcls, g), VFLoss(BCEobj, g)
1

       这里用VFLoss替换了YOLOv5的分类、置信度损失，回归框损失没有替换。同时，我们注意到，g = h[‘fl_gamma’] 这行代码就是hyp.scratch-low.yaml的fl_gamma值，设置为1.5(1.5为经验值)就可以进入到if g > 0 的条件当中，另外需要导入VFLoss的引用，不然会报错，只需要在文件首部添加from data.tricks.varifocalLoss import VFLoss即可。

4. 本篇小结

       本篇博客主要介绍了VF+YOLOv5的修改详细流程，助力模型对小目标、多尺寸、密集目标的检测涨点。另外，在修改过程中，要是有任何问题，评论区交流；如果博客对您有帮助，请帮忙点个赞，收藏一下；后续会持续更新本人实验当中觉得有用的点子，如果很感兴趣的话，可以关注一下，谢谢大家啦！