IoU损失函数IoU损失是目标检测中最常见的损失函数，表示的就是真实框和预测框的交并比，数学公式如下：IoU=∣A∩B∣∣A∪B∣IoU=\frac{|A\capB|}{|A\cupB|}IoU=∣A∪B∣∣A∩B∣LossIoU=1−IoULoss_{IoU}=1-IoULossIoU=1−IoUIoU损失会有两个主要的缺点当预测框与真实框都没有交集的时候，计算出来的IoU都为0，损失都为1，但是，从图中可以看出，预测框1与真实框更加接近，损失应该更小才对当预测框和真实框的交并比相同，但是预测框所在位置不同，因为计算出来的损失一样，所以这样并不能判断哪种预测框更加准确IoU代码实现def
💡💡💡本文独家改进：Inner-IoU引入尺度因子 ratio 控制辅助边框的尺度大小用于计算损失，并与现有的基于 IoU（ GIoU,DIoU, CIoU，SIoU ）损失进行有效结合推荐指数：5颗星 新颖指数：5颗星 收录：YOLOv7高阶自研专栏介绍：http://t.csdnimg.cn/tYI0c✨✨✨前沿最新计算机顶会复现🚀🚀🚀YOLOv7自研创新结合，轻松搞定科研🍉🍉🍉持续更新中，定期更新不同数据集涨点情况 1. Inner-IoU介绍论文：https://arxiv.org/pdf/2311.02877.pdf
超越CIOU/SIOU| Wise-IoU助力YOLO强势涨点！！！论文题目：Wise-IoU:BoundingBoxRegressionLosswithDynamicFocusingMechanism论文链接：https://arxiv.org/abs/2301.10051近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EIoUv1被提出以解决这个问题，但由于其聚焦机制是静态的，并未充分挖掘非单调聚焦机制的潜能。基于这个观点，作者提出了
边框回归损失函数1.SIoU1.1原理1.2代码实现1.SIoU1.1原理有关IoU损失函数，如(GIoU,DIoU,CIoU)没有考虑到真实框与预测框框之间的方向，导致收敛速度较慢，对此SIoU引入真实框和预测框之间的向量角度，重新定义相关损失函数，具体包含四个部分：（1）角度损失(Anglecost)，定义如下Λ=1−2∗sin2(arcsin(chσ)−π4)=cos(2∗(arcsin(chσ)−π4))\Lambda=1-2*\sin^2(\arcsin(\frac{c_h}{\sigma})-\frac{\pi}{4})=\cos(2*(\arcsin(\frac{c_h}
在YoloV8中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov8添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov8中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：ultralytics/yolo/utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion
在YoloV8中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov8添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov8中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：ultralytics/yolo/utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion
💡该教程为改进入门指南，属于《芒果书》📚系列，包含大量的原创首发改进方式,所有文章都是全网首发原创改进内容🚀💡本篇文章基于YOLOv5、YOLOv7芒果改进YOLO系列：YOLOv7改进IoU损失函数：YOLOv7涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数、打造全新YOLOv7检测器。重点：🔥🔥🔥有不少同学已经反应有效涨点!!!🌟其他改进内容：CSDN原创YOLO进阶目录|《芒果改进YOLO进阶指南》推荐！最全《芒果书📚》改进目录：YOLOv5改进、YOLOv7改进（芒果书系列）目录一览｜原创YOLO改进模型全系列目录|人工智能专家老师联袂
💡该教程为改进入门指南，属于《芒果书》📚系列，包含大量的原创首发改进方式,所有文章都是全网首发原创改进内容🚀💡本篇文章基于YOLOv5、YOLOv7芒果改进YOLO系列：YOLOv7改进IoU损失函数：YOLOv7涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数、打造全新YOLOv7检测器。重点：🔥🔥🔥有不少同学已经反应有效涨点!!!🌟其他改进内容：CSDN原创YOLO进阶目录|《芒果改进YOLO进阶指南》推荐！最全《芒果书📚》改进目录：YOLOv5改进、YOLOv7改进（芒果书系列）目录一览｜原创YOLO改进模型全系列目录|人工智能专家老师联袂
【参考文档】江大白的yolo解析后面会给出我的完整代码，先来分段看看！转化格式ifx1y1x2y2:#x1,y1,x2,y2=box1b1_x1,b1_y1,b1_x2,b1_y2=box1[0],box1[1],box1[2],box1[3]b2_x1,b2_y1,b2_x2,b2_y2=box2[0],box2[1],box2[2],box2[3]else:#transformfromxywhtoxyxyb1_x1,b1_x2=box1[0]-box1[2]/2,box1[0]+box1[2]/2b1_y1,b1_y2=box1[1]-box1[3]/2,box1[1]+box1[3]/2
文章目录摘要Wise-IoU论文翻译摘要简介A.ln−norm损失B.交集/并集C.聚焦机制相关工作A.BBR的损失函数B.带FM的损失函数方法仿真实验B.梯度消失问题的解决方法C.提出的方法实验A.实验设置B.消融实验结论改进方法获取源码结果验证V1版本的测试结果
