[发明专利]植入动态类别权重的损失函数计算方法

权利要求书

1.植入动态类别权重的损失函数计算方法，其特征在于：具体包括以下步骤，

步骤S1：模型训练前将目标按照尺度标记为N类；

步骤S2：模型运行验证集时通过各个尺度类别正确率表现计算出各自的类别权重；

步骤S3：模型训练过程定期将步骤S2计算得出的各类别类别权重植入到损失函数加权计算。

2.根据权利要求1所述的植入动态类别权重的损失函数计算方法，其特征在于：所述步骤S1具体包括以下步骤，

步骤S1.1：根据数据集的标签信息统计视觉检测需要检测目标的尺度大小情况，使用聚类的方法对目标的尺度数据分成N类，然后根据这N个类别尺度的信息，设置N-1个阈值；阈值是类别间的分类基准线，每个阈值有2个维度分别对应输入图像宽度方向和高度方向,为了避免分类基准线因为输入图像的尺度大小改变而发生改变，阈值应设置为图像尺度的相对尺寸；

步骤S1.2：目标尺度的宽度、高度方向与步骤S1.1设置的阈值两个方向值比较，将目标划分为N类，在模型读取目标信息生成的数字矩阵增加一列数字编号作为步骤S1.1目标分类的标记信息，然后将数字矩阵送入模型进行提取特征。

3.根据权利要求1所述的植入动态类别权重的损失函数计算方法，其特征在于：所述步骤S2具体包括以下步骤，

步骤S2.1：按照步骤S1中的分类类别逐类与模型预测值进行正确度量计算；在yolov5检测算法中：通过计算位置差异度量的IOU值与预设的判定标准进行比对生成布尔值，同时类别差异度量值与预设的判定标准比对生成布尔值，当两个信息布尔值都为正时，判定模型预测目标是预测正确，反之预测不正确；

步骤S2.2：通过累加的方式统计所有批次中按照步骤S2.1各个尺度类别预测正确的目标数；

步骤S2.3：将各个类别预测正确的目标数除以各个类别标签数量得出召回率R，将各个类别预测正确的目标数除以各个类别预测数量得出精确率P；

按照f1scroe = P*R/(P+R),计算出各个类别f1系数值；

按照下面公式进行各个类别f1系数值的反向映射和归一化操作得出各个类别类别权重值；

；

；

其中：f1(i)--第i类别的f1 score数值； Size_weights(i)--第i类别的权重数值。

4.根据权利要求1所述的植入动态类别权重的损失函数计算方法，其特征在于：所述步骤S3具体包括以下步骤，

步骤S3.1：按照步骤S1中的分类信息逐类与损失函数计算，得出各类别初始损失值；

在yolov5检测算法中：损失函数的计算由三部分组成：位置差异度量的DIOU计算、类别概率差异度量的BCE计算和前景背景概率差异度量的BCE计算；

需要逐个类别使用数据集中的标签信息与模型预测值进行位置差异度量的DIOU loss计算、进行类别概率差异度量BCE loss计算和图像前景背景置信度概率差异度量BCE loss计算；

步骤S3.2：损失函数的计算是以批次为单位开展的，我们将步骤S3.1得到批次内各个样本类别的损失值乘以步骤S2.2中得到的各自类别类别权重，得到各个样本的损失值，然后计算该批次内所有样本损失值的均值作为该批次损失值的输出；

步骤S3.3：模型训练时在固定数量的训练轮数范围内植入到损失函数的各类别类别权重保持不变，超过固定范围训练轮数后更新步骤S2得到的类别权重植入到损失函数加权计算；本方法中经过验证得出固定数量设置10个轮次数更新步骤S2得到的各类别类别权重值得到了比较好的效果。

5.根据权利要求1所述的植入动态类别权重的损失函数计算方法，其特征在于：模型训练过程不断重复步骤S2和步骤S3，根据步骤S2中得到的各类别类别权重值，将各类别类别权重植入到损失函数计算更新各类别在损失值中的权重，实现了模型训练过程实时动态更新各类别类别权重，实时微调模型训练过程。