Что является таргетом в задаче детекции и как формируется функция потерь?

В задаче детекции объектов таргетом (целью) является информация о положении и классе объектов на изображении. Обычно это набор аннотаций, включающих:

• Координаты ограничивающих рамок (bounding boxes), например, в формате (x, y, ширина, высота) или (x_min, y_min, x_max, y_max).
• Классы объектов, соответствующие каждой рамке.

Функция потерь в детекции обычно комбинирует несколько компонентов:

1. Локализационная потеря — измеряет ошибку в предсказании координат рамок (например, Smooth L1 loss).
2. Классификационная потеря — оценивает правильность предсказания класса объекта (например, кросс-энтропия).
3. Иногда добавляют дополнительные компоненты, например, для оценки уверенности (confidence loss).

Общая функция потерь — это взвешенная сумма этих компонентов, которая оптимизируется во время обучения модели, чтобы она лучше предсказывала и положение, и класс объектов.