YOLOv8 DIOU

已于 2025-08-29 22:50:24 修改
阅读量1.6k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv8深度学习-包源码 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 python 深度学习
于 2025-08-29 22:50:08 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/150998184

文章目录

YOLOv8-DIOU复现教程

修改ultralytics\utils\metrics.py

修改bbox_iou函数为：

class WIoU_Scale:
    ''' monotonous: {
   
   
            None: origin v1
            True: monotonic FM v2
            False: non-monotonic FM v3
        }
        momentum: The momentum of running mean
了解本专栏 订阅专栏 解锁全文
【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数
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。
06-06 4547
在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。
YOLOv8|损失函数优化篇：YOLOv8DIOU 通过惩罚项直接度量两个边界框中心点之间的归一化距离-包YOLOv8修改源码
FJN110的博客
08-28 1758
本文介绍了YOLOv8-DIOU的复现方法包YOLOv8修改源码，重点修改了YOLOv8 bbox_iou函数以支持多种YOLOv8 IoU变体计算。新增了WIoU_Scale类实现动态缩放，并整合了GIoU、DIoU、CIoU、SIoU、EIoU等多种IoU计算方法。函数通过边界框坐标转换、交集/并集计算、中心点距离等几何特征，实现了不同IoU变体的损失计算。其中特别实现了SIoU的角成本、距离成本和形状成本计算，以及EIoU的宽高差异惩罚机制。该修改为YOLOv8模型提供了更丰富的边界框回归优化选项。
后处理篇 | YOLOv8 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS 教程
YOLOv8项目贡献者
07-10 6562
YOLOv8 更换 NMS 手把手教程 ，附源码
YOLOv8损失函数创新：MPDIoU与InnerMPDIoU助力复杂场景检测精度提升（二次创新与代码解析）【YOLOv8】
程序员Gloria的博客
10-17 2230
MPDIoU和InnerMPDIoU在YOLOv8目标检测中的应用有效提高了检测精度，尤其在复杂场景中，对于目标的准确定位和边界框的优化表现出色。通过进一步优化计算效率、提升网络架构的协同能力、以及在多模态数据和复杂场景中的应用，YOLOv8模型有望在多个行业领域中实现更广泛的应用。进一步提高计算效率，尤其是对实时目标检测任务的支持。深入探讨损失函数的自适应调整，以适应不同任务需求。探索更加复杂的场景，并通过多模态数据的融合提升鲁棒性。
DIoU、EIoU与WIoU融合优化YOLOv8的收敛速度与检测精度
shrgegrb的博客
02-22 1163
YOLOv8作为YOLO系列的最新版本，在检测速度和精度上都做出了优化。YOLOv8引入了许多新特性，包括更高效的骨干网络、更精细的特征金字塔处理、优化的损失函数等。YOLOv8在传统的YOLO框架基础上，进一步增强了检测小物体、复杂背景下物体的能力，尤其是在检测精度和收敛速度上具有了较大提升。然而，YOLOv8在边界框回归过程中仍然存在优化空间。传统的损失函数（如IoU损失）虽然能够衡量预测框与真实框的重叠程度，但无法有效地捕捉框之间的几何关系。
YOLOV8V10改进系列指南
热门推荐
qq_37706472的博客
02-19 11万+
YOLOV8V10改进系列指南，仅仅69.9包含YOLOV8、YOLOV10的两个主流模型改进方案、含有300+种改进的集合，且含有多种二次创新和原创改进！
yolov8+soft-nms+DIOU/CIOU/SIOU
qq_41920323的博客
07-14 1553
soft-nms+eiou/siou改进yolov8解决密集遮挡问题
YOLOV8 原理和实现全解析（合适新人）
小二、来壶酒
12-19 2万+
YOLOv8 是 Ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，在还没有开源时就收到了用户的广泛关注。按照官方描述，YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。
YOLOv8结构详解
qq_42049231的博客
08-29 1134
Ultralytics YOLOv8作为目标检测模型，相比于之前版本YOLOv5，v8更适合被称为一个计算机视觉框架。YOLOv8 系列提供了多种模型，这些模型旨在满足从等更复杂任务的各种要求。其相比于自身的创新点，更加符合工程领域上的需求。
20种花粉数据集花粉粒检测数据集VOC+YOLO格式2412张20类别
FL1623863129的博客
10-28 244
标注类别名称:["alder","angelica","angelica_garden","birch","buckwheat","clover","fireweed","grass","hazel","hill_mustard","linden","maple","meadow_pink","mugwort","nettle","pigweed","pine","plantain","sorrel","willow"]标注数量(txt文件个数)：2412。angelica 框数 = 472。
【完整源码+数据集+部署教程】【天线＆运输】机场设备检测系统源码＆数据集全套：改进yolo11-HSPAN
weixin_43860634的博客
10-29 950
【完整源码+数据集+部署教程】【天线＆运输】机场设备检测系统源码＆数据集全套：改进yolo11-HSPAN
气体设备检测数据集VOC+YOLO格式885张18类别
FL1623863129的博客
10-29 508
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)Cast Iron Gas Burners (铸铁燃气灶头) 框数 = 776。Cast-Iron-Gas-Burners (铸铁燃气灶头) 框数 = 340。Gas Water Heaters (燃气热水器) 框数 = 3。Gas boilers (燃气锅炉) 框数 = 3。Gas Stove (燃气灶) 框数 = 19。
YOLOv5
ylqw258369的博客
10-29 617
自动保存训练日志（损失、精度、mAP 等）、生成 TensorBoard 可视化文件、绘制训练结果图（标签分布、训练曲线等）。计算总损失，包含边界框回归损失（box loss）、目标置信度损失（obj loss）、类别分类损失（cls loss）。：内置混合精度训练（AMP）、学习率余弦衰减、模型指数移动平均（EMA）、多尺度训练等提升训练效率与模型性能的策略。：兼容 CPU/GPU 训练，支持单 GPU、多 GPU（DP 模式）、多机多卡（DDP 模式），并可通过。
【完整源码+数据集+部署教程】【制造业＆流水线】流水线水泥袋检测系统源码＆数据集全套：改进yolo11-HSPAN
weixin_43860634的博客
10-27 563
【完整源码+数据集+部署教程】【制造业＆流水线】流水线水泥袋检测系统源码＆数据集全套：改进yolo11-HSPAN
【图像算法 - 31】基于深度学习的太阳能板缺陷检测系统：YOLOv12 + UI界面 + 数据集实现
qq_42910179的博客
10-26 903
缺陷类型（英文）中文名称特征描述crack隐裂电池片内部细微裂纹，肉眼难辨，红外下呈线状发热hot_spot热斑局部异常高温区域，通常由遮挡、损坏或旁路二极管失效引起scratch划伤背板或玻璃表面线性损伤corrosion腐蚀接线盒或边框金属氧化、锈蚀黄变/污渍EVA 老化发黄或表面积尘电池片不匹配不同批次电池片混装，红外温度分布异常本文系统介绍了基于 YOLOv12 与 OpenCV 的太阳能板缺陷检测技术方案。
Yolo12改进策略：下采样改进|即插即用|25年10最新创新点
m0_47867638的博客
10-28 907
PRNet 的成功在于其返璞归真的设计哲学——珍视并高效利用最原始的信息。它没有堆砌复杂的后处理模块，而是从特征提取的源头（下采样）和特征融合的核心（颈部网络）入手，系统性地解决了小目标检测中的信息退化问题。对于关注模型优化、下采样方法和多尺度特征融合的研究者与工程师而言，PRNet 提供了一个极具启发性的新范式。它不仅在学术上推动了小目标检测的发展，其优异的实时性能也为其在无人机、智慧城市等实际场景中的落地应用铺平了道路。
YOLO 后处理nms的纯C++实现，不依托任何的库
Douhaoyu的博客
10-27 573
YOLO 后处理nms的纯C++实现，不依托任何的库
10.21-yolov4
2302_77621804的博客
10-29 891
YOLOv4是目标检测领域的重要算法，在保持YOLO系列高速特性的同时显著提升精度。其创新点在于采用BagofFreebies和BagofSpecials两大策略，前者通过数据增强、正则化和损失函数改进仅增加训练成本；后者引入SPPNet、CSPNet等模块略微增加推理代价。关键技术包括CIoU损失函数、DIoU-NMS改进和Mish激活函数应用。该算法最大特点是"单GPU友好"设计理念，仅需单块GPU即可完成训练，大幅降低设备门槛，并通过详尽的消融实验验证了各模块的有效性，被誉为&qu
YOLOv11 实例分割标注一键转旋转检测框（附转换思路+代码框架）
最新发布
AI小小怪的博客
10-29 959
本文介绍如何将实例分割的多边形标注自动转换为旋转框（Rotated Bounding Box）格式，以提升目标检测模型在倾斜目标场景下的性能。通过OpenCV的minAreaRect()函数，可高效地将多边形点集拟合为最小外接旋转矩形，并转换为YOLO旋转框格式（class_index x1y1x2y2x3y3x4y4）。文章提供了完整Python代码实现归一化坐标处理、数据验证和批量转换功能，强调需注意角度归一化、尺寸验证等关键细节。
yolov5 DIOU
09-17
YOLOv5引入了DIOU（Distance-IoU）损失函数来改进训练时的损失计算和预测框筛选。DIOU是在IOU的基础上引入了距离惩罚项，通过考虑目标框之间的距离，可以更好地衡量预测框与真实框之间的相似度。相比于传统的IOU损失...
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