目标检测 YOLOv5的loss权重，以及与图像大小的关系

1. 目标检测 YOLOv5的loss权重

YOLOv5中有三个损失分别是 box, obj, cls

在超参数配置文件hyp.*.yaml中可以设置基础值，例如

box: 0.05
cls: 0.5
obj: 1

训练使用时，在train.py进行更新

hyp['box'] *= 3 / nl  # scale to layers
hyp['cls'] *= nc / 80 * 3 / nl  # scale to classes and layers
hyp['obj'] *= (imgsz / 640) ** 2 * 3 / nl  # scale to image size and layers

可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是因为损失多个layers的加和。与图像尺寸相关则需要进一步探讨。

nl = model.model[-1].nl  # number of detection layers (used for scaling hyp['obj'])

然后，在loss计算时会乘上各自的权重
loss.py

lbox *= self.hyp['box']
lobj *= self.hyp['obj']
lcls *= self.hyp['cls']

训练时会过滤掉小于2像素的框

# Filter
i = (wh0 < 3.0).any(1).sum()
if i:
    print(f'{prefix}WARNING: Extremely small objects found. {i} of {len(wh0)} labels are < 3 pixels in size.')
wh = wh0[(wh0 >= 2.0).any(1)]  # filter > 2 pixels

2. obj损失与图像大小的关系

obj损失通过图像大小进行调整

hyp['obj'] *= (imgsz / 640) ** 2 * 3. / nl

看一下图像大小分别是1280，640，320，224的时候，各自权重分别是多少

Image sizes 1280

nl: 3
hyp['box']: 0.05
hyp['obj']: 4.0
hyp['cls']: 0.5

Image sizes 640

nl: 3
hyp['box']: 0.05
hyp['obj']: 1.0
hyp['cls']: 0.5

Image sizes 320

nl: 3
hyp['box']: 0.05
hyp['obj']: 0.25
hyp['cls']: 0.5

Image sizes 224

nl: 3
hyp['box']: 0.05
hyp['obj']: 0.12249999999999998
hyp['cls']: 0.5

参考：

https://blog.csdn.net/flyfish1986/article/details/116832354