本文主要针对YOLO算法中具有里程碑意义的YOLOv5和YOLOv8算法的细节进行对比分析。一、损失函数1、YOLOv5：1.1 YOLOv5的损失主要由三个部分组成：1）Classes loss，分类损失，采用的是BCE loss，注意只计算正样本的分类损失。2）Objectness loss，obj损失（置信度损失），采用的依然是BCE loss，注意这里的obj指的是网络预测的目标边界框与GT Box的CIoU。这里计算的是所有样本的obj损失。3）Location loss，定位损失，采用的是CIoU loss，注意只计算正样本的定位损失。其中，λ1 , λ2 , λ3 为平衡系数。1.2平衡不同尺度的损失这里是指针对三个预测特征层（P3, P4, P5）上的obj损失采用 YOLOv5、YOLOv8的损失函数、正负样本匹配策略和anchor_free/anchor_base的差异对比
本文主要针对YOLO算法中具有里程碑意义的YOLOv5和YOLOv8算法的细节进行对比分析。一、损失函数1、YOLOv5：1.1 YOLOv5的损失主要由三个部分组成：1）Classes loss，分类损失，采用的是BCE loss，注意只计算正样本的分类损失。2）Objectness loss，obj损失（置信度损失），采用的依然是BCE loss，注意这里的obj指的是网络预测的目标边界框与GT Box的CIoU。这里计算的是所有样本的obj损失。3）Location loss，定位损失，采用的是CIoU loss，注意只计算正样本的定位损失。其中，λ1 , λ2 , λ3 为平衡系数。1.2平衡不同尺度的损失这里是指针对三个预测特征层（P3, P4, P5）上的obj损失采用 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
