论文：https://arxiv.org/pdf/2205.12740.pdf代码实现（非官方）：https://github.com/xialuxi/yolov5-car-plate/commit/aa41d1819b1fb03b4dc73e8a3e0000c46cfc370b图片源自视频教程（这个大佬视频教程yyds）：https://www.bilibili.com/video/BV1yi4y1g7ro?p=4原理：从最早的IoU到GIoU，再到DIoU和CIoU，现在出现了SIoUL2损失与IoU损失的比较GIoU损失A代表蓝色的框，最大的矩形框。u代表GT和预测框的并集。DIoU损失
在YoloV7中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.yolov7中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU,AlphaIoU，文件路径：utils/general.py，函数名为：bbox_iou重磅！！！！！YOLO模型改进集合指南-CSDNdefbbox_iou(box1,box2,x1y1x2y2=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnstheIoUofbox1tobox2.box1is4,box2isnx4box2=box2.T#Getthec
在YoloV7中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.yolov7中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU,AlphaIoU，文件路径：utils/general.py，函数名为：bbox_iou重磅！！！！！YOLO模型改进集合指南-CSDNdefbbox_iou(box1,box2,x1y1x2y2=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnstheIoUofbox1tobox2.box1is4,box2isnx4box2=box2.T#Getthec
基于YOLOv5代码框架，结合不同模块来构建不同的YOLO目标检测模型。?本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分。?同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验,应用组合写论文！?该部分改进点为：CSDN博主：芒果汁没有芒果首发原创内容！！专栏读者有问题可以私信博主，看到了就会回复.本篇是《关于一系列NMS?》的修改演示包括：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIo
基于YOLOv5代码框架，结合不同模块来构建不同的YOLO目标检测模型。?本项目包含大量的改进方式,降低改进难度,改进点包含Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数等部分。?同时附带各种改进点原理及对应的代码改进方式教程，用户可根据自身情况快速排列组合，在不同的数据集上实验,应用组合写论文！?该部分改进点为：CSDN博主：芒果汁没有芒果首发原创内容！！专栏读者有问题可以私信博主，看到了就会回复.本篇是《关于一系列NMS?》的修改演示包括：NMS、Merge-NMS、Soft-NMS、CIoU-NMS、DIo
在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov5添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion(IoU)ofbox1(1,4)t
在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.2023-2-7更新yolov5添加Wise-IoUB站链接重磅！！！！！YOLO模型改进集合指南-CSDNyolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_ioudefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7):#ReturnsIntersectionoverUnion(IoU)ofbox1(1,4)t
yolo无痛涨点trick，简单实用 先贴一张最近一篇论文的结果后来的几种iou的消融实验结果在一定程度上要优于CIoU。 本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,D,G,E,S等）以及AlphaXIoU。 在yolov5的utils文件夹下新增iou.py文件importmathimporttorchdefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,SIoU=False,EIoU=False,WIoU=False,
yolo无痛涨点trick，简单实用 先贴一张最近一篇论文的结果后来的几种iou的消融实验结果在一定程度上要优于CIoU。 本文将在yolov5的基础上增加SIoU，EIoU，Focal-XIoU（X为C,D,G,E,S等）以及AlphaXIoU。 在yolov5的utils文件夹下新增iou.py文件importmathimporttorchdefbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,SIoU=False,EIoU=False,WIoU=False,
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。一、L2-norm 最初的基于回归的BBR损失定义为L2-norm，L2-norm损失主要有两个缺点：1、边界框的坐标（以xt、xb、xl、xr的形式）被优化为四个独立变量。这个假设违背了对象的边界高度相关的事实。简单的分开计算每个变量的回归loss无法反映这种相关性，它会导致预测框的一个或两个边界非常接近GT，但整个边界框是不满足条件的。2、这种形式的损失函数并不能屏蔽边界框大小的干扰，使得
