企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 预训练

PaddleSeg 内置了一套完整、可插拔的损失函数库（paddleseg.models.losses），覆盖从基础交叉熵到 OHEM 难样本挖掘、Lovasz 系列、Dice、语义连通性（SCL）等语义分割常用损失。本指南以官方文档 losses_en.md 为主体，结合 损失函数源码 与真实训练配置，逐项讲解每个损失类的数学背景、构造参数、默认值、适用场景与 YAML 配置方法。读完本文，你将能够：在 PaddleSeg 的loss配置段中自由组合并加权多种损失（如 CrossEntropy + LovaszSoftmax）、针对类别不均衡与难样本问题选择合适的损失，以及通过 MixedLoss 实现多损失混合训练而无需改动网络代码。

损失函数库总览：注册机制与模块结构

PaddleSeg 的所有损失类都位于 paddleseg/models/losses/ 目录，并通过@manager.LOSSES.add_component装饰器注册到统一的组件管理器中（见 paddleseg/cvlibs/manager.py）。这意味着训练时只需在 YAML 配置中按名称引用损失类型，框架会自动完成类的实例化与调用，无需修改任何训练代码。

从 损失库__init__.py的导出列表可以确认，官方文档详细讲解的损失包括：

此外，从源码结构可以推断，该模块还实现了FocalLoss、KLLoss、RMILoss、DetailAggregateLoss、PointCrossEntropyLoss、PixelContrastCrossEntropyLoss、SECrossEntropyLoss、MaskFormerLoss、DistillationLoss、DistillCrossEntropyLoss等更多损失，用于特定模型（如 MaskFormer、蒸馏训练），它们与上述 14 个类共用同一注册与配置机制。

YAML 配置范式：如何声明与组合损失

PaddleSeg 的损失配置段位于模型配置文件中的loss:字段，采用"类型列表 + 加权系数"的结构。以下配置展示了如何将CrossEntropyLoss与LovaszSoftmaxLoss通过MixedLoss组合（完整示例见 configs/ocrnet/ocrnet_hrnetw18_cityscapes_1024x512_160k_lovasz_softmax.yml）：

loss: types: - type: MixedLoss losses: - type: CrossEntropyLoss - type: LovaszSoftmaxLoss coef: [0.8, 0.2] coef: [1]

其中外层的coef对应网络多个输出的加权系数（一般网络只有一个 logit 输出，故为[1]）；内层MixedLoss的coef则是组合内各损失函数的权重。若某个损失需要传递构造参数，直接在类型下方平铺键值即可，例如：

loss: types: - type: OhemCrossEntropyLoss thresh: 0.7 min_kept: 10000 coef: [1]

CrossEntropyLoss：语义分割最常用的基线损失

交叉熵（Cross Entropy, CE）因其简单有效，已成为最流行的损失函数之一，它描述了两个概率分布之间的差异，可用于衡量当前模型与"真实模型"（训练过程中我们将给定的标注集视为真实世界的模型）之间的差距。机器学习中的逻辑回归正是交叉熵的一种特例。在语义分割中，它允许针对不同类别的像素调整权重，从而缓解多类别样本不均衡问题。

class paddleseg.models.losses.CrossEntropyLoss( weight = None, ignore_index = 255, top_k_percent_pixels = 1.0 )

参数说明

源码补充：该类的forward(logit, label, semantic_weights=None)还支持传入semantic_weights对每个像素的损失进行加权；同时实现了avg_non_ignore（是否仅对非忽略像素求平均，默认 True）与data_format（'NCHW'/'NHWC'，默认 'NCHW'）两个扩展参数，这在 NHWC 布局的部署场景中有用。类内部还维护了EPS = 1e-8的小量用于数值稳定。

BCELoss：二分类与多标签分割

二值交叉熵适用于二分类和多标签分类任务。它基于标注图的概率模型，用二值语义分割模型计算 KL 散度；根据 Gibbs 不等式，两者交叉熵大于语义分割概率模型的熵。计算 BCELoss 时通常忽略语义分割概率模型的熵（因为它是常数），仅使用 KL 散度的一部分作为损失函数。

class paddleseg.models.losses.BCELoss( weight = None, pos_weight = None, ignore_index =255, edge_label = False )

参数说明

BootstrappedCrossEntropyLoss：迭代自举的硬样本学习

自举（Bootstrapping）方法先用样本构建一个初始分类，然后迭代地对未标注样本进行分类，再用扩充后的训练数据为未标注样本提取新的种子规则。该损失可参考文献 "Learning from Noisy Labels with Deep Neural Networks"（arXiv:1412.6596）中提出的思想，通过只对损失超过阈值的像素计算损失，聚焦于模型当前难以正确分类的样本。

class paddleseg.models.losses.BootstrappedCrossEntropyLoss( min_K, loss_th, weight = None, ignore_index = 255 )

参数说明

RelaxBoundaryLoss：面向 DecoupleSegNet 的边界松弛损失

RelaxBoundaryLoss 专为 DecoupleSegNet 设计，由多个部分组成：主特征损失、边缘特征损失和交叉熵损失。该模型对边界像素可能归属的类别（≥2）进行预测，此损失在边界松弛约束下最大化单个像素各类别概率之和。

class paddleseg.models.losses.RelaxBoundaryLoss( border = 1, calculate_weights = False, upper_bound = 1.0, ignore_index = 255 )

参数说明

DiceLoss：医学影像分割的经典损失

Dice Loss 广泛应用于医学图像分割任务。Dice 系数用于度量集合间的相似程度，在语义分割中可理解为当前模型与真实模型在真实世界中的相似度。其计算过程包括预测分割图与 GT 分割图的逐点相乘、对乘积结果逐位置累加求和，最终以1 - Dice作为损失输出，即：

Dice = 1 - 2(|X∩Y| / (|X| + |Y|))

可引入 Laplacian 平滑系数smooth，同时加在分子与分母上，既避免除零异常，又能抑制过拟合：

Dice_smooth = 1 - 2((|X∩Y| + smooth) / (|X| + |Y| + smooth))

class paddleseg.models.losses.DiceLoss( ignore_index = 255, smooth = 0. )

参数说明

DualTaskLoss：双任务一致性的半监督约束

DualTaskLoss 用于半监督学习，通过双任务一致性来约束模型，强化多个任务之间的一致性。其实现位于 gscnn_dual_task_loss.py，与 GSCNN（Gated Shape CNN）架构配套使用。

class paddleseg.models.losses.DualTaskLoss( ignore_index = 255, tau = 0.5 )

参数说明

EdgeAttentionLoss：边缘检测与注意力机制的结合

EdgeAttentionLoss 适用于编码器提取边缘、解码器进行加权聚合的多任务训练场景，是将边缘检测与注意力机制相结合的多损失联合输出方法。注意：该损失面向多类别的logit与真实标注，而从 ohem_edge_attention_loss.py 的源码看，它内部以 BCE 方式在边缘概率与边缘标签间计算损失，并与边缘注意力机制融合。

class paddleseg.models.losses.EdgeAttentionLoss( edge_threshold = 0.8, ignore_index = 255 )

参数说明

L1Loss 与 MSELoss：回归型损失

L1Loss（L1 范数损失）用于计算最小绝对值偏差，目标是最小化估计值与真实值之间绝对差的总和，可选择 reduction 策略对损失直接计算结果做进一步处理。

class paddleseg.models.losses.L1Loss( reduction = 'mean', ignore_index = 255 )

MSELoss（均方误差损失）计算模型预测值与样本真实值之间距离平方的平均值。

class paddleseg.models.losses.MSELoss( reduction = 'mean', ignore_index = 255 )

两者参数一致：

OhemCrossEntropyLoss：在线难样本挖掘

OHEM（Online Hard Example Mining）旨在处理难样本。在某些情况下存在类别不均衡，且标注所有像素困难甚至不可能，这会严重限制模型性能。OHEM 算法根据输入模型的样本损失来区分难样本——这些难样本分类精度差、会产生更大的损失，从而聚焦训练资源。

class paddleseg.models.losses.OhemCrossEntropyLoss( thresh = 0.7, min_kept = 10000, ignore_index = 255 )

参数说明

源码补充：从 ohem_cross_entropy_loss.py 可见，该实现同时提供了可选的weight参数（类别重缩放权重，默认None），并维护EPS = 1e-5防止 softmax 数值不稳定；源码中还针对 NPU、MLU 设备做了适配判断（_IS_NPU、_IS_MLU），说明该损失支持在多种硬件后端上训练。

OhemEdgeAttentionLoss：难样本 + 边缘注意力

当类别不均衡导致难样本问题时，若还想提升边缘提取的性能，可选用该损失。它在 EdgeAttentionLoss 的基础上叠加了 OHEM 机制，既保留边缘注意力结构，又只对难样本计算损失。

class paddleseg.models.losses.OhemEdgeAttentionLoss( edge_threshold = 0.8, thresh = 0.7, min_kept = 5000, ignore_index = 255 )

参数说明

SemanticConnectivityLoss：面向连通性的语义损失

SCL（Semantic Connectivity-aware Learning）框架引入 SC Loss（Semantic Connectivity-aware Loss），从连通性（connectivity）的角度提升分割结果质量，支持多类分割。该工作出自 "PP-HumanSeg: Connectivity-Aware Portrait Segmentation with a Large-Scale Teleconferencing Video Dataset"（WACV 2022 workshop，arXiv:2112.07146）。

其运行流程分为两步：

1. 连通分量计算（Connected Components Calculation）
2. 连通分量匹配与 SC Loss 计算（Connected Components Matching and SC Loss Calculation）

class paddleseg.models.losses.SemanticConnectivityLoss( ignore_index = 255, max_pred_num_conn = 10, use_argmax = True )

参数说明

Lovasz 系列损失：直接优化 mIoU 的利器

在图像分割任务中经常出现类别分布不均衡的情况，例如工业产品缺陷检测、道路提取、病灶区域提取等场景。Lovasz loss 正是为解决这一问题而设计的：它基于子模损失（submodular losses）的凸 Lovasz 扩展，直接优化神经网络的均值 IoU 损失。根据分割目标类别数，Lovasz loss 分为两种：

• Lovasz hinge loss：适用于二分类问题（实现见 paddleseg/models/losses/lovasz_loss.py 中的LovaszHingeLoss）；
• Lovasz softmax loss：适用于多分类问题（同一文件中的LovaszSoftmaxLoss）。

该工作发表于 CVPR 2018（Berman M, Rannen Triki A, Blaschko M B, "The Lovász-Softmax loss: a tractable surrogate for the optimization of the intersection-over-union measure in neural networks", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 4413-4421）。

源码要点：LovaszSoftmaxLoss.forward先对 logits 沿类别轴做softmax，再用flatten_probas将概率与标签展平并剔除ignore_index像素，最后调用lovasz_softmax_flat计算损失；它支持classes参数（'all' 表示平均所有类别，'present' 表示只平均标签中出现的类别，或传入类别列表）。LovaszHingeLoss则针对二分类使用 Jaccard hinge 损失。

Lovasz loss 的两种推荐训练方式

注意：通常的直接训练方式效果不佳，官方推荐以下两种训练方法：

1. 与交叉熵（或 BCE）加权组合使用：通过MixedLoss类选择训练期间的损失函数，用coef参数对不同损失加权，灵活调整训练参数；
2. 两阶段训练：先用交叉熵或 BCE 训练，再用 lovasz softmax / hinge 损失进行微调（finetuning）。

以方法 (1) 为例，一般网络只有一个输出 logit，配置示例如下：

Lovasz softmax loss 示例

loss: types: - type: MixedLoss losses: - type: CrossEntropyLoss - type: LovaszSoftmaxLoss coef: [0.8, 0.2] coef: [1]

Lovasz hinge loss 示例

loss: types: - type: MixedLoss losses: - type: CrossEntropyLoss - type: LovaszHingeLoss coef: [1, 0.02] coef: [1]

多输出网络示例（以 2 个输出为例，每个输出分别组合损失，外层coef控制各输出的权重）：

loss: types: - type: MixedLoss losses: - type: CrossEntropyLoss - type: LovaszSoftmaxLoss coef: [0.8, 0.2] - type: MixedLoss losses: - type: CrossEntropyLoss - type: LovaszSoftmaxLoss coef: [0.8, 0.2] coef: [1, 0.4]

实验对比一：Lovasz softmax loss（Cityscapes 多分类）

以经典的 Cityscapes 数据集（19 个类别）为例，其类别并不均衡：road、building等类别非常常见，而fence、motorcycle、wall等相对稀少。官方对比了 lovasz softmax loss 与 softmax loss 的效果，模型使用 OCRNet、backbone 为 HRNet w18。

Lovasz loss 训练命令：

CUDA_VISIBLE_DEVICES=0,1,2,3 python -u -m paddle.distributed.launch tools/train.py \ --config configs/ocrnet/ocrnet_hrnetw18_cityscapes_1024x512_160k_lovasz_softmax.yml \ --use_vdl --num_workers 3 --do_eval

交叉熵训练命令（对照组）：

CUDA_VISIBLE_DEVICES=0,1,2,3 python -u -m paddle.distributed.launch tools/train.py \ --config configs/ocrnet/ocrnet_hrnetw18_cityscapes_1024x512_160k.yml \ --use_vdl --num_workers 3 --do_eval

实验中 mIoU 曲线如下（蓝色曲线为 lovasz softmax loss + cross entropy loss，绿色曲线为 cross entropy loss，提升约 1%）：

可以看出，使用 lovasz softmax loss 后，精度曲线整体高于原始精度。

实验对比二：Lovasz hinge loss（DeepGlobe 道路提取二分类）

以道路提取任务为例，基于 MiniDeepGlobeRoadExtraction 数据集与交叉熵损失进行对比实验。该数据集来自 DeepGlobe CVPR2018 Challenge 的 Road Extraction 单项，训练数据中道路仅占 4.5%，在整个图片中占比很小，是典型的类别不均衡场景。实验从 Road Extraction 训练集中随机选取 800 张作为训练集、200 张作为验证集，构造了小型道路提取数据集 MiniDeepGlobeRoadExtraction（训练脚本运行时会自动下载数据集）。模型同样使用 OCRNet + HRNet w18。

Lovasz loss 训练命令：

CUDA_VISIBLE_DEVICES=0,1,2,3 python -u -m paddle.distributed.launch tools/train.py \ --config configs/ocrnet/ocrnet_hrnetw18_road_extraction_768x768_15k_lovasz_hinge.yml \ --use_vdl --num_workers 3 --do_eval

交叉熵训练命令（对照组）：

CUDA_VISIBLE_DEVICES=0,1,2,3 python -u -m paddle.distributed.launch tools/train.py \ --config configs/ocrnet/ocrnet_hrnetw18_road_extraction_768x768_15k.yml \ --use_vdl --num_workers 3 --do_eval

实验中 mIoU 曲线如下（紫色曲线为 lovasz hinge loss + cross entropy loss，蓝色曲线为 cross entropy loss，提升约 0.5%）：

使用 lovasz hinge loss 后，精度曲线整体高于原始精度。

MixedLoss：不修改网络代码的多损失加权

PaddleSeg 中每个损失函数对应网络的一个 logit 输出。如果想把多个损失函数应用于某一网络输出，通常需要修改网络代码；而MixedLoss允许网络对多个损失函数的结果进行加权，只需以模块化形式加载即可实现混合损失训练。

class paddleseg.models.losses.MixedLoss(losses, coef)

参数说明

返回值：MixedLoss的可调用对象。

源码要点：从 mixed_loss.py 的实现可以看到，构造函数会做严格校验：losses必须是 list、coef必须是 list，且两者长度必须相等，否则抛出TypeError/ValueError。forward(logits, labels)会依次对每个子损失计算输出并乘以其对应系数coef[i]，返回加权后的损失列表——这也解释了外层coef为何是与网络输出数量对应的列表。

实战选型建议与注意事项

• 类别不均衡（工业缺陷、道路、病灶等小目标占比极低）：优先考虑 Lovasz 系列（直接优化 mIoU）或OhemCrossEntropyLoss（聚焦难样本），建议与CrossEntropyLoss/BCELoss加权组合，参考前文 Lovasz 实验中的coef取值；
• 医学影像分割：DiceLoss是经典选择，可设置smooth平滑参数防止除零并抑制过拟合；
• 边缘敏感任务 / 多任务（边缘 + 分割）：使用EdgeAttentionLoss或OhemEdgeAttentionLoss（难样本版本），注意edge_threshold控制边缘判定阈值；
• 人像分割等对连通性敏感的任务：可尝试SemanticConnectivityLoss，训练初期建议保持max_pred_num_conn较小（默认 10）以控制连通分量计算的耗时；
• 半监督 / 多任务一致性：DualTaskLoss配合 GSCNN 等双任务架构使用，tau控制 Gumbel softmax 采样温度；
• 忽略像素约定：所有损失统一以ignore_index = 255标记不可标注/难标注像素，这些像素不参与梯度计算，实际使用时需与数据标注约定保持一致。

参考与延伸阅读

• 各损失的中文版详细文档：见 docs/module/loss/ 目录下对应*_cn.md文件（如 losses_cn.md）；
• 损失源码目录：paddleseg/models/losses/，组件注册机制见 paddleseg/cvlibs/manager.py；
• 实际配置示例：Lovasz softmax 见 ocrnet_hrnetw18_cityscapes_1024x512_160k_lovasz_softmax.yml，Lovasz hinge 见 ocrnet_hrnetw18_road_extraction_768x768_15k_lovasz_hinge.yml；
• 训练入口：tools/train.py，支持--config、--use_vdl、--num_workers、--do_eval等参数；
• Lovasz 原理：Berman et al., CVPR 2018（The Lovász-Softmax loss）；SCL 原理：PP-HumanSeg（WACV 2022 workshop, arXiv:2112.07146）。

• 人工智能
• 计算机视觉
• 预训练