@@ -357,7 +357,7 @@ MMYOLO 实现源码的核心部分：
```python
def bbox_overlaps(bboxes1, bboxes2, mode='siou', is_aligned=False, eps=1e-6):
- # 两个box的顶点x1,y1,x2,y2
+ # 两个 box 的顶点 x1,y1,x2,y2
bbox1_x1, bbox1_y1 = pred[:, 0], pred[:, 1]
bbox1_x2, bbox1_y2 = pred[:, 2], pred[:, 3]
bbox2_x1, bbox2_y1 = target[:, 0], target[:, 1]
@@ -380,8 +380,8 @@ def bbox_overlaps(bboxes1, bboxes2, mode='siou', is_aligned=False, eps=1e-6):
enclose_w = enclose_wh[:, 0] # enclose_w
enclose_h = enclose_wh[:, 1] # enclose_h
elif iou_mode == 'siou':
- # 1.计算 σ （两个box中心点距离）:
- # sigma_cw，sigma_ch：上图中cw,ch
+ # 1.计算 σ（两个 box 中心点距离）:
+ # sigma_cw，sigma_ch：上图中 cw,ch
sigma_cw = (bbox2_x1 + bbox2_x2) / 2 - (bbox1_x1 + bbox1_x2) / 2 + eps
sigma_ch = (bbox2_y1 + bbox2_y2) / 2 - (bbox1_y1 + bbox1_y2) / 2 + eps
sigma = torch.pow(sigma_cw**2 + sigma_ch**2, 0.5)
@@ -398,15 +398,15 @@ def bbox_overlaps(bboxes1, bboxes2, mode='siou', is_aligned=False, eps=1e-6):
# 3.这里将角度损失与距离损失进行融合
# Distance cost = Σ_(t=x,y) (1 - e ^ (- γ ρ_t))
- rho_x = (sigma_cw / enclose_w)**2 # ρ_x:x轴中心点距离距离损失
- rho_y = (sigma_ch / enclose_h)**2 # ρ_y:y轴中心点距离距离损失
+ rho_x = (sigma_cw / enclose_w)**2 # ρ_x:x 轴中心点距离距离损失
+ rho_y = (sigma_ch / enclose_h)**2 # ρ_y:y 轴中心点距离距离损失
gamma = 2 - angle_cost # γ
# 当 α=0, angle_cost=0, gamma=2, dis_cost_x = 1 - e ^ (-2 p_x)，因为 ρ_x>0, 主要优化距离
# 当 α=45°，angle_cost=1, gamma=1, dis_cost_x = 1 - e ^ (-1* p_x)，因为 ρ_x<1, 主要优化角度
distance_cost = (1 - torch.exp(-1 * gamma * rho_x)) + (
1 - torch.exp(-1 * gamma * rho_y))
- # 4.形状损失 就是两个box之间的宽高比
+ # 4.形状损失 就是两个 box 之间的宽高比
# Shape cost = Ω = Σ_(t=w,h) ( ( 1 - ( e ^ (-ω_t) ) ) ^ θ )
omiga_w = torch.abs(w1 - w2) / torch.max(w1, w2) # ω_w
omiga_h = torch.abs(h1 - h2) / torch.max(h1, h2) # ω_h
-`VFL` 是在 `GFL` 的基础上做的改进，`GFL`详情请看 [GFL详解](rtmdet_description.md)
+`VFL` 是在 `GFL` 的基础上做的改进，`GFL`详情请看 [GFL 详解](rtmdet_description.md)
在上述标签匹配策略中提到过选择样本应该优先考虑分类回归都友好的样本点，
这是由于目标检测包含的分类与回归两个子任务都是作用于同一个物体。
@@ -276,7 +276,7 @@ Varifocal Loss 原本的公式：
即 `IoU` 作为 `focal weight`, 使得聚焦到具有高质量的样本上。
但是 YOLOv6 中的 Varifocal Loss 公式采用 `TOOD` 中的 `Task ALignment Learning (TAL)`,
-将预测的 `IoU` 根据之前标签匹配策略中的分类对齐度 `alignment_metrics` 进行了归一化,
+将预测的 `IoU` 根据之前标签匹配策略中的分类对齐度 `alignment_metrics` 进行了归一化，
得到归一化 {math}`\hat{t}`。
具体实现方式为：
@@ -300,16 +300,16 @@ MMDetection 实现源码的核心部分：
```python
def varifocal_loss(pred, target, alpha=0.75, gamma=2.0, iou_weighted=True):
"""
- pred (torch.Tensor): 预测的分类分数，形状为 (B,N,C) , N 表示 anchor 数量， C 表示类别数
+ pred (torch.Tensor): 预测的分类分数，形状为 (B,N,C) , N 表示 anchor 数量，C 表示类别数
target (torch.Tensor): 经过对齐度归一化后的 IoU 分数，形状为 (B,N,C)，数值范围为 0~1
alpha (float, optional): 调节正负样本之间的平衡因子，默认 0.75.
- gamma (float, optional): 负样本 focal 权重因子， 默认 2.0.
+ gamma (float, optional): 负样本 focal 权重因子，默认 2.0.
iou_weighted (bool, optional): 正样本是否用 IoU 加权
"""
pred_sigmoid = pred.sigmoid()
target = target.type_as(pred)
if iou_weighted:
- # 计算权重，正样本(target > 0)中权重为 target,
+ # 计算权重，正样本 (target > 0) 中权重为 target,
# 负样本权重为 alpha*pred_simogid^2
focal_weight = target * (target > 0.0).float() + \
alpha * (pred_sigmoid - target).abs().pow(gamma) * \
@@ -327,9 +327,9 @@ def varifocal_loss(pred, target, alpha=0.75, gamma=2.0, iou_weighted=True):
#### 回归损失函数 GIoU Loss / SIoU Loss
-在 YOLOv6 中，针对不同大小的模型采用了不同的回归损失函数，其中 l/m/s使用的是 `GIoULoss`, t/n 用的是 `SIoULoss`。
+在 YOLOv6 中，针对不同大小的模型采用了不同的回归损失函数，其中 l/m/s 使用的是 `GIoULoss`, t/n 用的是 `SIoULoss`。
-其中` GIoULoss` 详情请看 [GIoU详解](rtmdet_description.md)。
+其中` GIoULoss` 详情请看 [GIoU 详解](rtmdet_description.md)。
##### SIou Loss
@@ -339,14 +339,14 @@ SIoU 损失函数是 [SIoU Loss: More Powerful Learning for Bounding Box Regress
SIoU 损失主要由四个度量方面组成：
-- IoU成本
+- IoU 成本
- 角度成本
- 距离成本
- 形状成本
如下图所示，**角度成本** 就是指图中预测框 {math}`B` 向 {math}`B^{GT}` 的回归过程中，
尽可能去使得优化过程中的不确定性因素减少，比如现将图中的角度 {math}`\alpha` 或者 {math}`\beta`
-变为 0 ，再去沿着 `x` 轴或者 `y` 轴去回归边界。
+变为 0，再去沿着 `x` 轴或者 `y` 轴去回归边界。