基于YOLOX和分类回归损失目标识别方法技术

本发明专利技术公开了一种基于YOLOX和分类回归损失目标识别方法，S1、获取待检测目标的相关高质量图像；S2、对高质量图像中的目标进行标注；S3、将数据集划分为训练数据集和验证数据集；S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；S5、将最终的损失函数应用于YOLOX目标检测算法中；S6、将训练数据集输入到目标检测算法中进行训练；S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；S8、将最优目标检测算法模型用于识别待检测图像。本发明专利技术能够增加回归效果较差的检测框的损失值，让模型更加关注回归效果较差样本，从而提高目标检测任务的精度。高目标检测任务的精度。高目标检测任务的精度。

【技术实现步骤摘要】
基于YOLOX和分类回归损失目标识别方法


[0001]本专利技术属于图像识别
，涉及一种图像识别方法，具体涉及一种基于YOLOX和分类回归损失目标识别方法。

技术介绍

[0002]目标检测是计算机视觉研究的重点问题之一，是理解图像高级语义信息的重要基础，目标检测的主要任务是根据输入的图像，定位出感兴趣的目标并给出类别信息。
[0003]伴随着深度学习和人工智能技术的蓬勃发展，将深度学习技术应用到图像处理领域已经成为当代科学计算机技术的趋势。深度学习的发展推动了目标检测技术的进步，以YOLO系列为代表的单阶段目标检测算法因为其具有的快速的检测速度和不错的检测精度开始被广泛应用于智能视频监控、工业检测等领域，通过计算机视觉减少对人力资本的消耗。具有及其重要的现实意义。
[0004]YOLOX是YOLO系列算法中的最新产品，相比于之前的YOLO系列算法虽有着更高的检测精度，但是在处理某些检测任务时，精度上限仍不高。

技术实现思路

[0005]本专利技术旨在对回归损失函数进行优化，提高其检测精度。具体提供一种基于YOLOX和分类回归损失目标识别方法，包括如下步骤：S1、获取待检测目标的相关高质量图像；
[0006]S2、对高质量图像中的目标进行标注，形成VOC数据集；
[0007]S3、将数据集划分为训练数据集和验证数据集；
[0008]S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；
[0009]S5、将最终的损失函数应用于YOLOX目标检测算法中；
[0010]S6、将训练数据集输入到目标检测算法中进行训练；
[0011]S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；
[0012]S8、将最优目标检测算法模型用于识别待检测图像。
[0013]进一步的，S4中，对回归损失函数进行分类处理，分类依据如下：
[0014]YOLOX中损失函数公式为：Loss＝l
cls
+l
iou
+l
conf
ꢀꢀꢀꢀꢀ
(1),
[0015]其中，l
cls
为分类损失，l
iou
为回归损失，l
conf
为置信度损失。
[0016]进一步的，回归损失的计算公式为：
[0017]当iou较小时，利用回归函数公式：l
iou
＝
‑
log(iou)
ꢀꢀꢀꢀꢀꢀꢀ
(4)；
[0018]当iou较大时，利用回归函数公式：
[0019]l
iou
＝1
‑
iou2ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；
[0020]iou是预测框与真实框之间的交集面积除以并集面积，计算公式为：
[0021][0022]进一步的，对回归损失函数进行分类处理，具体分类流程如下：
[0023]S41、求l
iou
＝
‑
log(iou)与1
‑
iou2的交点横坐标iou
k
；
[0024]S42、当iou的值小于iou
k
时，回归损失函数采用l
iou
＝
‑
log(iou)，当iou的值大于等于iou
k
时，回归损失函数采用l
iou
＝1
‑
iou2；
[0025]S43、得到最终的回归损失函数，并应用于算法模型中。
[0026]进一步的，得到最优目标检测算法模型的具体做法为：
[0027]S61、将训练结束的最后三个算法模型在测试集上进行检测分析；
[0028]S62、计算精确度Pression和召回率Recall；
[0029]S63、计算每一类别的AP值；
[0030]S64、计算全部类别的mAP值；
[0031]S65、比较三个模型的mAP值，选取最大mAP值所对应的模型为最优目标检测算法模型。
[0032]进一步的，S62中计算精确度Pression和召回率Recall的具体公式如下：
[0033][0034][0035]TP为正确预测为正样本的个数，FP为错误预测为正样本的个数，FN为错误预测为负样本的个数，设定的检测阈值，即Iou为0.5，当检测框与真实框的重叠区域超过50％时，就认为该检测框正确。
[0036]进一步的，S63中，AP是不同精确率和召回率所围成曲线的面积，计算公式如下：
[0037][0038]进一步的，S64中计算全部类别的mAP值的公式如下：
[0039][0040]n为类别的个数。
[0041]一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的基于YOLOX和分类回归损失目标识别方法。
[0042]本专利技术的有益效果是：本专利技术能够增加回归效果较差的检测框的损失值，让模型更加关注回归效果较差样本，从而提高目标检测任务的精度。
附图说明
[0043]图1是本专利技术流程图；
[0044]图2是本专利技术回归损失值示意图；
[0045]图3是本专利技术实施例1未应用回归损失示意图；
[0046]图4是本专利技术实施例1应用回归损失示意图；
[0047]图5是本专利技术实施例2未应用回归损失示意图；
[0048]图6是本专利技术实施例2应用回归损失示意图；
[0049]实施例1中，insulator代表绝缘子，damaged代表破损，实施例2中，Gun代表枪，Knife代表刀，从实施例1和2可以看出在应用分类回归损失函数后，能够很好的解决目标的漏检现象，从而提高了目标的检测精度。
具体实施方式
[0050]下面结合附图对本专利技术的具体实施方式做进一步的详细描述。
[0051]如图1所示一种基于YOLOX和分类回归损失目标检测方法，所述方法包括以下步骤：
[0052]S1、获取待检测目标的相关高质量图像；
[0053]S2、对高质量图像中的目标进行标注，形成VOC数据集；
[0054]S3、将数据集划分为训练数据集和验证数据集；
[0055]S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；
[0056]S5、将最终的损失函数应用于YOLOX目标检测算法中；
[0057]S6、将训练数据集输入到目标检测算法中进行训练；
[0058]S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；
[0059]S8、将最优目标检测算法模型用于识别待检测图像。
[0060本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOX和分类回归损失目标识别方法，其特征在于，所述方法包括如下步骤：S1、获取待检测目标的相关高质量图像；S2、对高质量图像中的目标进行标注，形成VOC数据集；S3、将数据集划分为训练数据集和验证数据集；S4、将损失函数中的回归损失函数进行分类处理，得到最终的损失函数；S5、将最终的损失函数应用于YOLOX目标检测算法中；S6、将训练数据集输入到目标检测算法中进行训练；S7、达到预设训练次数后，取训练的最后3次模型在测试数据集上进行分析，得到最优目标检测算法模型；S8、将最优目标检测算法模型用于识别待检测图像。2.根据权利要求1所述的基于YOLOX和分类回归损失目标识别方法，其特征在于，S4中，对回归损失函数进行分类处理，分类依据如下：YOLOX中损失函数公式为：Loss＝l
cls
+l
iou
+l
conf
ꢀꢀꢀꢀ
(1),其中，l
cls
为分类损失，l
iou
为回归损失，l
conf
为置信度损失。3.根据权利要求2所述的基于YOLOX和分类回归损失目标识别方法，其特征在于，回归损失的计算公式为：当iou较小时，利用回归函数公式：l
iou
＝
‑
log(iou)
ꢀꢀꢀꢀ
(4)；当iou较大时，利用回归函数公式：l
iou
＝1
‑
iou2ꢀꢀꢀꢀ
(2)；iou是预测框与真实框之间的交集面积除以并集面积，计算公式为：4.根据权利要求3所述的基于YOLOX和分类回归损失目标识别方法，其特征在于，对回归损失函数进行分类处理，具体分类流程如下：S41、求k
iou
＝
‑
log(iou)与1
‑
iou2的交点横坐标iou
k
；S42、当i...

【专利技术属性】
技术研发人员：徐文校，张银胜，于心远，杨山山，徐永杰，吉茹，杨宇龙，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：