自定义损失函数¶

MMDetection 为用户提供了不同的损失函数。但是默认配置可能不适用于不同的数据集或模型，因此用户可能希望修改特定的损失函数以适应新情况。

本教程首先阐述损失函数的计算流程，然后给出一些关于如何修改每个步骤的说明。修改可以分为微调和加权两种类型。

损失函数的计算流程¶

给定输入预测和目标，以及权重，损失函数将输入张量映射到最终的损失标量。映射可以分为五个步骤

设置采样方法以采样正负样本。
通过损失核函数获取**逐元素**或**逐样本**的损失。
**逐元素**地用权重张量加权损失。
将损失张量缩减为**标量**。
用**标量**加权损失。

设置采样方法（步骤 1）¶

对于某些损失函数，需要采样策略来避免正负样本之间的不平衡。

例如，当在 RPN 头部使用 CrossEntropyLoss 时，我们需要在 train_cfg 中设置 RandomSampler

train_cfg=dict(
    rpn=dict(
        sampler=dict(
            type='RandomSampler',
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False))

对于其他一些具有正负样本平衡机制的损失函数，例如 Focal Loss、GHMC 和 QualityFocalLoss，采样器不再必要。

微调损失函数¶

微调损失函数更多地与步骤 2、4、5 相关，大多数修改可以在配置文件中指定。这里我们以 Focal Loss (FL) 为例。以下代码片段分别是 FL 的构造方法和配置文件，它们实际上是一一对应的。

@LOSSES.register_module()
class FocalLoss(nn.Module):

    def __init__(self,
                 use_sigmoid=True,
                 gamma=2.0,
                 alpha=0.25,
                 reduction='mean',
                 loss_weight=1.0):

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=1.0)

微调超参数（步骤 2）¶

gamma 和 beta 是 Focal Loss 中的两个超参数。假设我们想将 gamma 的值改为 1.5，并将 alpha 改为 0.5，那么我们可以在配置文件中指定如下：

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=1.5,
    alpha=0.5,
    loss_weight=1.0)

微调缩减方式（步骤 3）¶

FL 的默认缩减方式为 mean。假设我们想将缩减方式从 mean 改为 sum，我们可以在配置文件中指定如下：

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=1.0,
    reduction='sum')

微调损失权重（步骤 5）¶

这里的损失权重是一个标量，它控制多任务学习中不同损失的权重，例如分类损失和回归损失。假设我们想将分类损失的损失权重改为 0.5，我们可以在配置文件中指定如下：

loss_cls=dict(
    type='FocalLoss',
    use_sigmoid=True,
    gamma=2.0,
    alpha=0.25,
    loss_weight=0.5)

加权损失函数（步骤 3）¶

加权损失函数是指我们**逐元素**地重新加权损失函数。更具体地说，我们用一个与损失张量具有相同形状的权重张量乘以损失张量。这样，损失的不同项就可以被不同地缩放，这就是所谓的**逐元素**加权。损失权重在不同的模型中是不同的，而且高度依赖于上下文，但总体而言，损失权重有两种类型：label_weights 用于分类损失，bbox_weights 用于 bbox 回归损失。你可以在对应头的 get_target 方法中找到它们。这里我们以 ATSSHead 为例，它继承了 AnchorHead 但覆盖了它的 get_targets 方法，该方法会产生不同的 label_weights 和 bbox_weights。

class ATSSHead(AnchorHead):

    ...

    def get_targets(self,
                    anchor_list,
                    valid_flag_list,
                    gt_bboxes_list,
                    img_metas,
                    gt_bboxes_ignore_list=None,
                    gt_labels_list=None,
                    label_channels=1,
                    unmap_outputs=True):