YOLOv13|损失函数优化篇：WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码

已于 2025-08-27 10:23:20 修改
阅读量1.6k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 点击另一个限时30元！享受福利 YOLOv5v8v13优化与RK、jetson部署 文章标签： YOLO
于 2025-08-27 10:12:10 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FJN110/article/details/150918599

文章目录


在这里插入图片描述

深度学习中WIoU的原理详解

1. 引言

在目标检测领域边界框回归损失函数的发展历程中，从IoU到GIoU、DIoU、CIoU、SIoU、EIoU，研究人员不断探索更有效的相似性度量方法。Wise IoU（WIoU）是这一发展脉络中的最新成果，其核心创新在于引入了动态非单调聚焦机制（Dynamic Non-Monotonic Focusing Mechanism），通过智能调节损失函数对不同质量样本的关注程度，实现了更高效的边界框回归。

WIoU的设计理念突破了传统IoU变体的思维框架，不仅考虑几何相似性，更关注如何在训练过程中合理分配注意力。这种"智慧"体现在其能够根据样本的回归质量动态调整损失权重，为高质量样本提供更多梯度信息，同时避免低质量样本的负面影响。
在这里插入图片描述

2. 现有IoU变体的局限性

2.1 训练样本质量不均衡问题

在目标检测的实际训练过程中，存在严重的样本质量不均衡现象：

高质量样本稀少
大部分预

了解本专栏 订阅专栏 解锁全文
YOLOv8改进：LOSS系列篇 | SlideLoss，解决样本之间不平衡、简单样本和难样本（小目标遮挡）的不平衡问题
会AI的学姐
10-23 2582
本文改进：SlideLoss，解决样本之间不平衡、简单样本和难样本的不平衡问题；SlideLoss ，对小目标、遮挡物性能提升明显
YOLOv8改进:损失函数改为SIOU、EIOU、WIOU、Focal-IOU、a-IOU
热门推荐
weixin_45303602的博客
10-10 2万+
在机器学习领域，损失函数（Loss Function）是衡量模型预测值和真实值之间差异的函数。在训练期间，模型会尝试最小化损失函数的值，从而提高模型的准确性。通常来说，损失函数的定义方式取决于你要解决的问题类型。例如，在分类问题中，常见的损失函数包括交叉熵损失函数和负对数似然损失函数等；在回归问题中，通常使用均方误差（MSE）损失函数和平均绝对误差（MAE）损失函数等。以分类问题为例，交叉熵损失函数是一种常用的损失函数，通常用来度量模型在分类问题上的性能。
Yolov5/Yolov7损失函数改进：SlideLoss，解决简单样本和困难样本之间的不平衡问题
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
08-22 2215
SlideLoss| 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升也能够助力涨点。
Yolo v8 改进损失函数：Focal-loss
Phoebee_c的博客
07-26 1万+
param alpha: 阿尔法α,类别权重. 当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.25。self.alpha[1:] += (1 - alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
Yolov8损失函数改进：Wasserstein距离损失，提升小目标检测能力
IbcVue的博客
09-21 1316
为了解决这个问题，我们可以改进Yolov8的损失函数，引入Wasserstein距离损失，从而提高小目标的检测能力。在目标检测中，我们可以将目标的真实分布视为一个概率分布，将Yolov8模型的预测分布视为另一个概率分布。通过最小化这两个分布之间的Wasserstein距离，我们可以使得模型的预测分布更接近真实分布，从而提高目标检测的准确性。要注意的是，由于Wasserstein距离损失计算涉及到两个分布之间的比较，因此需要根据具体的目标检测任务来设计真实分布和预测分布的表示方式。
保姆级YOLOv8改进 | 基于新型损失函数的目标检测性能提升研究
一键难忘的博客
08-08 3556
InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。通过实验结果验证了这些损失函数的有效性，尤其是FocusIoU在目标检测中表现优越。此外，我们还探讨了数据增强、模型架构优化和正则化手段等提升模型性能的方法，并展望了未来的研究方向。
YOLOv8 损失函数改进：MPDIoU 新型边界框相似度度量
一直在水些技术小文
09-21 1655
在本篇博客中，我们将重点讨论 YOLOv8 中的一个关键改进：MPDIoU（Modified Precision-Defined Intersection over Union）边界框相似度度量，以及如何将其应用于损失函数中，以提高目标检测的准确性。MPDIoU 是 YOLOv8 中的一项重要改进，它提供了更精确的边界框相似度度量，从而提高了目标检测的性能。与传统的 IoU 相比，MPDIoU 更能够准确地反映目标之间的相对位置和大小关系，从而提高了目标检测的准确性。使用 YOLOv8 进行目标检测。
YOLOv8|损失函数优化篇：Focal WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码
FJN110的博客
08-28 1787
WIoU（Wise IoU）是目标检测领域最新提出的边界框回归损失函数，通过动态非单调聚焦机制解决了现有IoU变体的关键局限性。传统方法在处理样本质量不均衡时存在梯度分配不合理问题，而WIoU创新性地引入异常度量子β和质量度量子α，结合动态聚焦参数δ和γ，构建了自适应权重调节机制。该损失函数能根据样本回归质量智能分配注意力：在训练早期关注中等质量样本，后期聚焦高质量样本，同时抑制低质量样本的负面影响。WIoU的数学形式为L_WIoU = r * L_IoU，其中动态权重r = β^δ * α^γ，实现了对训
YOLOv13|损失函数优化篇：Focal WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码
FJN110的博客
08-27 1740
深度学习中的IoU改进方法：Focal与WIoU原理 Focal IoU原理 核心思想：借鉴Focal Loss的样本权重调节策略，让模型更关注难样本的边界框回归。通过引入(1-IoU)^γ调节因子，降低高IoU样本的权重，增强低IoU样本的重要性。当γ=0时退化为标准IoU Loss，γ>0时实现难样本聚焦。 WIoU原理 创新点：提出动态非单调聚焦机制，解决样本质量不均衡问题。通过异常度量子β和质量度量子α的加权组合，Focal与WIoUFocal与WIoUFocal与WIoUFocal与WIoU
YOLOv8|损失函数优化篇：WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码
最新发布
FJN110的博客
08-28 1695
本文介绍了在YOLOv8中实现WIoU（Weighted Intersection over Union）的具体方法。主要通过修改ultralytics/utils/metrics.py文件中的bbox_iou函数，添加WIoU_Scale类和相关计算逻辑。该方法支持多种IoU变体（GIoU、DIoU、CIoU、SIoU、EIoU、WIoU），并提供了焦点损失和动态缩放功能。关键改进包括：1) 引入WIoU_Scale类实现动态权重调整；2) 通过数学公式转换实现不同IoU变体的计算；3) 添加了焦点损失选
YOLOv13|损失函数优化篇：Focal SIOU 考虑预测框与真实框之间的方向匹配程度-包源码
FJN110的博客
08-27 1720
Focal IoU与SIoU目标检测损失函数原理 Focal IoU借鉴Focal Loss思想，通过(1-IoU)ᵞ调节权重，使模型更关注难样本（低IoU样本），避免简单样本主导训练。其损失函数为(1-IoU)ᵞ，γ控制调节强度，高IoU样本权重降低，低IoU样本权重保持。 **SIoU（Scylla IoU）**创新性地引入方向感知，损失函数包含三部分： 角度损失：通过中心点连线与x轴夹角优化回归方向，计算式为1-2sin²(arcsin(χ)-π/4) 距离损失：动态调整中心点距离权重，含自适应γ因子
YOLOv8 损失函数改进：从 CIOU 到 WIOU 的进阶之路
2301_76888059的博客
07-27 998
在目标检测领域，边界框损失函数的设计直接影响模型的定位精度。本文将深入解析 CIOU 的局限性，详细介绍 WIOU（Weighted Intersection over Union）损失函数的创新改进，并提供 YOLOv8 中替换损失函数的完整代码实现。其中 λ 为权重系数（实验中取 2.0），当 IoU 较小时（难例），权重 w 增大，强化模型对低重叠样本的学习；WIOU（Weighted IoU）针对 CIOU 的缺陷，引入动态权重机制和渐进式惩罚策略，其核心改进体现在三个方面：​。
Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-15 5987
Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点
YOLOv8损失函数改进-增加MPDIoU提升边界框回归精度【附代码】
Dora_blank的博客
07-12 1万+
本篇博客我们将详细介绍如何在 YOLOv8项目中增加 MPDIoULoss，包括如何修改配置文件、增加新的损失函数、调整现有的损失计算模块，以及增加训练代码来使用新的损失函数。相信通过这篇博文会使大家更佳熟悉YOLOv8项目的整体结构
改进yolov8|损失函数改进：EfficiCIoU-Loss
weixin_44379985的博客
05-16 1435
EfficiCIoU-Loss结合了EfficientDet中提出的CloU和GIoU。
Yolov8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
07-29 7288
ELSEVIER 2023 MPDIoU新型边界框相似度度量助力yolov8，适用提升小目标、遮挡物性能提升
YOLOv8改进损失函数Wise-IoU：提升目标检测性能的新损失函数
UksApps的博客
09-14 4614
为了进一步提高YOLOv8的性能，研究人员提出了一种改进的损失函数——Wise-IoU，它结合了最新的WIoU（Weighted IoU）损失函数，超越了传统的CIoU（Complete IoU）和SIoU（Smooth IoU）。通过实验验证，Wise-IoU相比传统的CIoU和SIoU损失函数，可以在目标检测任务中取得更好的性能。Wise-IoU不仅考虑了目标之间的相对位置和大小差异，还引入了一种智能权重调整机制，可以自适应地调整权重系数，提高目标检测的灵活性和鲁棒性。希望以上内容对您有所帮助！
【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-07 3927
论文地址：论文地址代码地址：代码地址广义IoU（GIoU，Generalized IoU）的计算公式是在标准IoU的基础上进行扩展，加入了对边界框相对位置的补偿。其公式如下：GIoU=IoU−∣C−(A∪B)∣∣C∣ \text{GIoU} = \text{IoU} - \frac{|C - (A \cup B)|}{|C|} GIoU=IoU−∣C∣∣C−(A∪B)∣​其中：具体解释如下：GIoU弥补了IoU在边界框不重叠或重叠很小时无法有效度量边界框相对位置的问题，使得在训练过程中能够更好地优化边界框的
yolov8 wiou损失函数介绍：公式等
05-16
### YOLOv8 中 Wiou 损失函数的介绍 Wiou（Wise-IoU）是一种专门为改进边界框回归（Bounding Box Regression, BBR）损失而设计的新型损失函数。它通过引入一种动态的非单调聚焦机制（Focusing Mechanism, FM），...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

博导YOLO君教程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值