YoloV8改进策略：来自谷歌最新的优化器——Lion，在速度和精度上双双提升。Adam表示年轻人不讲武德

BCELoss和交叉熵（Cross-entropy）是两种常用的损失函数。 BCELoss是二元交叉熵损失函数，适用于二分类问题。对于每个样本，它的预测值和真实值都是一个二元标签，取值为0或1。BCELoss计算预测值和真实值之间的二元交叉熵损失，公式为： BCELoss=-(y * log(p) + (1-y) * log(1-p)) 其中，y表示真实标签，p表示模型预测标签的概率。 而交叉熵是多分类问题中常用的损失函数。它也计算预测值和真实值之间的差异，但是它的预测值和真实值都是一个多元标签，取值为0或1。交叉熵损失函数的公式为： Cross-entropy=-sum(y * log(p)) 其中，y是一个one-hot向量，表示真实标签的类别。p是模型预测标签的概率向量。 因此，BCELoss和交叉熵的主要区别在于，BCELoss适用于二分类问题，而交叉熵适用于多分类问题。但是它们的本质是相似的，都是用来衡量预测值和真实值之间的差异，从而指导模型的优化。