ultralytics-yolov8的损失相关代码在 ultralytics/utils/loss.py class v8DetectionLoss 中。一、分类损失BCEWithLogitsLoss进入到这个函数的是 8400x4的pred_scores 8400x4的target_scorespred_scores 是yolov8前向传播后P3的80x80、 P4的40x40、 P5的20x20合并在一起的target_scores是Task-Aligned Assigner产生的soft target score是在0~1之间BCEWithLogitsLoss并不是把8400x4当成一个整体做某种矩阵运算而是对8400x4中的每一个元素逐元素计算BCE然后聚合在一起。BCEWithLogitsLoss内部每个元素的处理过程如下例如某个元素的输入为xpred_scores8400x4中的一个ytarget_score8400x4中的一个, 计算过程psigmoid(x)11e−xp sigmoid(x) \frac{1}{1e^{-x}}psigmoid(x)1e−x1​L−[ylog(p)(1−y)log(1−p)]L -[ylog(p) (1-y)log(1-p)]L−[ylog(p)(1−y)log(1−p)]下面举一个例子#是还没有经过sigmod的logitpred_scores[[2.0,-1.0,0.5,-2.0][-1.0,3.0,-2.0,0.1]]target_scores[[0.0,0.8,0.0,0.0],[0.0,0.0,0.0,0.0]]BCEWithLogitsLoss 是 pred[0,0]vs target[0,0]pred[0,1]vs target[0,1]pred[0,2]vs target[0,2]pred[0,3]vs target[0,3]pred[1,0]vs target[1,0]pred[1,1]vs target[1,1]pred[1,2]vs target[1,2]pred[1,3]vs target[1,3]每个位置每个类别单独算比如 pred[0,1] -1.0, 经过 sigmoid 函数后 为0.273目标是0.8L0,1−[0.8log(0.273)(1−0.8)log(1−0.273)]L_{0,1} -[0.8log(0.273) (1-0.8)log(1-0.273)]L0,1​−[0.8log(0.273)(1−0.8)log(1−0.273)]我发现BCE 这种损失函数每一个位置类别是独立的每个位置上都在问是不是这个类只要回答是或者不是就行这种方式和之前的softmax是不一样的softmax是4个类别竞争最后选一个但是这种方式本质上是4个独立的二分类。也就是说每个位置上的损失大调整的是这个位置上的分类不影响其他位置。