2025年1月23日 · The Python was intended for the premium gun market, and was hand-fitted and polished by the best gunsmiths at Colt. It featured a ventilated rib on the barrel, a fine blued/nickel/stainless finish, a crisp double-action & single-action trigger pull, and high accuracy with a variety of .357 Magnum loads.

而在GFL中，却用到IOU指导分类训练，具体来说，用预测的边界框与定位标签计算的IOU，不仅用于计算IOU loss，还用来作为分类的标签，即one-hot分类标签的1改成IOU，再计算分类损失。

这两个方法，即qfl和dfl的作用是正交的，他们的增益互不影响，所以结合使用更香（我们统一称之为gfl）。 我们在基于Resnet50的backbone的ATSS（CVPR20）的baseline上1x训练无multi-scale直接基本无cost地提升了一个点，在COCO validation上从 39.2 提到了 40.2 AP 。

2020年6月8日 · 最后，我们将QFL和DFL的公式总结为一个统一的视角，称为 Generalized Focal Loss(GFL)，作为FL的一个灵活的扩展，以促进未来进一步的推广和普遍的理解。 专注于一组稀疏的困难样本的同时，对相应的类别进行连续的0∼ 1 质量估计。

2020年12月26日 · mmdetection 已经实现了GFL，简单的说是继承的onestage，loss改成作者提出的qfl+dfl，正负样本选择继承ATSS。 在ATSS中，作者对基于中心点的FCOS和基于anchor的retinanet进行各种对比试验，发现anchor free和base anchor的本质区别是正负样本的选择，于是提出了一种更为合适的正负样本策略，这里可以参考我前面那一篇博客： ATSS。 算法再一次提升，在这个基础之上PAA又做了改进。 至此ATSS和PAA一套效果已经大幅度超过了FasterRcnn …

2023年7月17日 · 论文提出了一种新的损失函数GeneralizedFocalLoss（GFL），旨在解决单阶段目标检测器中的训练与测试不一致性和边界框表示的局限性。 GFL结合了QualityFocalLoss（QFL）和DistributionFocalLoss（DFL），提供了一种更灵活的分类与定位质量的联合表示，并能更好地模拟边界框的 ...

最后，QFL和DFL其实可以统一地表示为GFL，我们将其称之为Generalized Focal Loss，假设模型预测两个变量 y_{l}, y_{r} 的概率值为 p_{yl}, p_{yr} ，其中 p_{yl}+p_{yr} = 1 。

在这篇3000字的技术文章中，我们将详细讨论如何使用Python和深度学习框架（例如TensorFlow或PyTorch）来绘制验证集的Loss走势图。 我们将包括代码示例，以便你可以轻松地应用到自己的项目中。

GFocalV2 (GFLV2) is a next generation of GFocalV1 (GFLV1), which utilizes the statistics of learned bounding box distributions to guide the reliable localization quality estimation. Again, GFLV2 improves over GFLV1 about ~1 AP without (almost) extra computing cost! Analysis of GFocalV2 in ZhiHu: 大白话 Generalized Focal Loss V2.

2022年10月11日 · GFL包含QFL(Quality Focal Los)和DFL( Distribution Focal Los)两种具体形式，QFL用于优化难样本同时预测对应类别的连续值分数，而DFL则通过对预测框位置进行general分布的建模来提供更多的信息以及准确的位置预测。