简介：Focal Loss损失函数是对交叉熵损失函数的升级。是和yolo配套的
因为yolo会对图像进行网格化处理，会分出正负样本，是多目标检测，而不是简单的分类问题
1. 对比交叉熵损失的区别
多分类：CrossEntropyLoss 公式：
多目标：Focal Loss 公式：
总结多了两个系数，alpha和(1-pt)^gama
2. 分析参数alpha
个人理解：alpha是用来控制正负样本数差别太大的。负样本因为数量往往太多，而使用较小的alpha如0.25来乘以损失值，正样本因为数量往往太少，而使用较大的alpha如0.75来乘以损失值。
官方解释：
- 类别平衡因子 α\alphaα 的主要作用是直接增加正样本（目标区域）的损失权重，减少负样本（背景区域）对总损失的贡献。
- 当负样本远多于正样本时， α\alphaα 通常设置为正样本的权重较高（如 αpos=0.75\alpha_{\text{pos}} = 0.75αpos=0.75， αneg=0.25\alpha_{\text{neg}} = 0.25αneg=0.25）。这种方式在总损失中人为地降低了背景区域的占比
3. 分析参数(1-pt)^gama
个人理解：这个参数是站在正样本的基础上来控制损失的。对于小目标，难分辨的目标，因为往往这类目标的预测概率值(分数)很小，引入(1-pt)^gama，当小目标预测分数很小趋近0时，1-pt则会趋近1，所以就会让这类小目标的损失不变。但是容易区分的目标预测分数高，1-pt会趋近0，则会显著降低容易区分目标的损失。整体来说，就会让模型关注到这类小目标区域取降低其损失
官方解释：
4.如何减少背景区域的影响？
这两部分共同作用：
-
动态调整因子(1 - p_t)^gamma:
- 对背景区域（负样本）的预测 pt 通常接近 1， (1 - p_t)^gamma 会使这些样本的损失趋近于 0，从而减少它们的影响。
- 对于目标区域（正样本），由于 pt 较低， (1 - p_t)^gamma的值更大，使得模型更加关注这些区域。
-
类别平衡因子 α:
- 人为调高目标区域的损失占比，进一步减少背景区域对总损失的贡献。
个人理解：
对于背景区域(负样本)，模型认为负样本中为背景的概率趋近于1，1-pt则趋近于0，则降低了负样本的损失，让模型对负样本的学习减少。对于目标区域，模型认为负样本中为目标的概率趋近于0，1-pt则趋近于1，保持了目标区域的损失，让模型更关注目标区域的学习。
1-pt有两个作用：1. 对于负样本的训练，降低负样本的损失，减少负样本对模型的影响 2.对于正样本的训练，增加了正样本中小目标的损失，让模型更关注小目标的训练
alpha的作用只有一个，降低负样本的损失，增加正样本的损失。达到模型跟关注正样本的趋势，平衡掉负样本数量远大于正样本的影响