RT-DETR-20240507周更说明|更新Inner-IoU、Focal-IoU、Focaler-IoU等数十种IoU计算方式

置顶 已于 2024-05-07 19:47:58 修改
阅读量1.2k 收藏 6
点赞数 29
分类专栏： RT-DETR涨点改进专栏 文章标签： 深度学习 人工智能
于 2024-05-07 19:34:49 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/StopAndGoyyy/article/details/138542419
版权

RT-DETR改进专栏|包含主干、模块、注意力、损失函数等改进

专栏介绍

        本专栏包含模块、卷积、检测头、损失等深度学习前沿改进,目前已有改进点70+！每周更新。

20240507更新说明：

⭐⭐ 更新CIoU、DIoU、MDPIoU、GIoU、EIoU、SIoU、ShapeIou、PowerfulIoU、PowerfulIoUv2及使用方法⭐⭐每种IoU具体解释后期更新。
1. 更新IOU：
        SIoU:考虑角度影响IoU
        EIoU：在CIOU的基础上单独考虑纵横比,
        ShapeIou:考虑边框形状及尺寸的IoU,小目标有效果
        PowerfulIoU：倾斜目标检测损失函数
        PowerfulIoUv2：倾斜目标检测损失函数
2. 更新inner_iou,使用辅助边框的IoU:
        Inner_CIoU、Inner_DIoU、Inner_EIoU、Inner_GIoU、Inner_SIoU、Inner_WIoU、Inner_PIoU、Inner_PIoUv2
3. 更新focaler_iou,更加聚焦的IoU，通过调整d和u的值,使focalerIoU关注的焦点不同回归样本：          focaler_CIoU、focaler_DIoU、focaler_EIoU、focaler_GIoU、focaler_SIoU、focaler_WIoU、focaler_PIoU、focaler_PIoUv2
4. 更新focal_iou,平衡高质量样本和低质量样本的IoU:
        focal_CIoU、focal_DIoU、focal_EIoU、focal_GIoU、focal_SIoU、focal_WIoU、focal_PIoU、focal_PIoUv2 5. 更新focaler_inner_iou.
6. 更新focal_inner_iou：
         focal_CIoU、focal_DIoU、focal_EIoU、focal_GIoU、focal_SIoU、focal_WIoU、focal_PIoU、focal_PIoUv2 5. 更新focaler_inner_iou.
⭐现在入手仅$ 79.9，与V9一起入手有优惠！⭐
⭐一次付费，获取以下所有更新！⭐
⭐联系QQ: 2668825911 ，欢迎交流！⭐

 

本项目持续更新 | 最新更新时间：2024年5月7日 | 

今天炼丹了吗
关注
专栏目录
损失函数篇 | YOLOv8 引入 Shape-IoU 考虑边框形状与尺度的度量
YOLOv8项目贡献者
01-06 3616
现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。
YoloV8改进策略：Shape-IoU，考虑边框形状与尺度的度量
m0_47867638的博客
01-07 2583
目标检测是计算机视觉中的基本任务之一，其目标是在图像中定位和识别物体。根据是否生成锚点，目标检测可以分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO系列（You Only Look Once） [2]、SSD（Single Shot MultiBox Detector） [3]和RetinaNet [4]。
yolo增加MPDIoU loss
athrunsunny的博客
09-10 2050
边界框回归（Bounding Box Regression，BBR）在目标检测和实例分割中被广泛应用，是定位目标的重要步骤。然而，大多数现有的边界框回归损失函数在预测框与实际标注框具有相同的宽高比但宽度和高度值完全不同的情况下无法进行优化。为了解决上述问题，作者充分探索了水平矩形的几何特征，提出了一种基于最小点距离的边界框相似度比较度量——MPDIoU，其中包含了现有损失函数中考虑的所有相关因素，例如重叠或非重叠面积、中心点距离以及宽度和高度的偏差，同时简化了计算过程。
RTDETR结合SIoU、GIoU、CIoU、DIoU、WIoU比较和涨点
weixin_48113312的博客
07-18 521
SIoU考虑了真实框与预测框之间的角度、距离以及形状，其损失函数由Angle cost、Distance cost、Shape cost和IoU cost四部分组成。这使得SIoU能够更快地收敛并防止网络在最优解附近跳动。然而，SIoU在不同数据集上的效果可能不一，且角度、距离以及形状的损失权重需要进一步优化。
YOLOv8 IoU使用
qq_43471945的博客
12-11 891
以下代码添加了SIoU=False, EIoU=False, WIoU=False, FocalIoU=False。将以下代码替换上面的代码。以下是YOLOv8自带的IoU种类，为GIoU=False, DIoU=False, CIoU=False。默认使用的是CIoU。IoU使用如下面一行，把CIoU=True改为其他的，如SIoU=True。路径：ultralytics/utils/metrics.py。所以需要把momentum变量设置为需要的版本。loss_iou计算那一行需要改掉。
Yolov8自带IOU方法对接(WIoU，α-IoU，SIoU，EIoU)
牛肉胡辣汤
11-22 1133
YOLOv8自带了多种改进的IOU方法，包括WIoU、α-IoU、SIoU和EIoU等。这些IOU方法通过引入不同的调整和权重机制，提高了目标检测算法的准确性和鲁棒性。在实际应用中，选择合适的IOU方法可以根据不同的数据集和任务需求进行调整，以获得更好的目标检测性能。希望本文对YOLOv8自带的IOU方法有所帮助，并为读者理解目标检测算法的改进提供了参考。当结合实际应用场景时，可以使用以下示例代码来演示在目标检测任务中使用YOLOv8自带的IOU方法。# 计算传统IOUreturn iou。
【YOLOv8改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv8更优秀
静谧、淡雅
04-16 2962
【YOLOv8改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv8更优秀
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
01-29 1万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
【RT-DETR改进涨点】更加聚焦的边界框损失Focaler-IoU、InnerFocalerIoU（二次创新）
Snu77的博客
02-09 1284
本文给大家带来的改进机制是更加聚焦的边界框损失已经我进行二次创新的InnerFocalerIoU同时本文的内容支持现阶段的百分之九十以上的IoU，比如Focaler-IoU、Focaler-ShapeIoU、Inner-Focaler-ShapeIoU包含非常全的损失函数，边界框的损失函数只看这一篇就够了。
《RT-DETR魔术师》专栏介绍 & CSDN独家改进创新实战 & 专栏目录
11-14 4426
通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、neck、loss等）进行魔改，实现创新！！！
RT-DETR优化改进：IoU系列篇 | Focaler-IoU​​​​​​​更加聚焦的IoU损失Focaler-IoU |2024年最新发表
会AI的学姐
01-24 232
Focaler-IoU更加聚焦的IoU损失Focaler-IoU，能够在不同的检测任务中聚焦不同的回归样本，使用线性区间映射的方法来重构IoU损失
RT-DETR算法优化改进:更加聚焦的IoU损失Focaler-IoU，二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等 | 2024年最新IoU
01-26 517
更加聚焦的IoU损失Focaler-IoU，能够在不同的检测任务中聚焦不同的回归样本，使用线性区间映射的方法来重构IoU损失
YOLOv8 修改 IoU(CIOU, DIOU, SIOU, EIOU, Focal_EIOU) YOLOv8 obb修改CIOU
qq_52025594的博客
04-14 1239
修改上述两个地方的IOU是不能用于旋转框的，用于旋转框的IOU，目前这个版本的yolo v8只有CIOU可用，同样，在ultralytics/utils/loss.py文件中我们找到RotatedBboxLoss(BboxLoss)这个类，大概在118行处有一行这样的代码。需要注意的是，现阶段yolo v8的代码几乎每天都在变动，现在日期是24年4月14日，因此我的代码改动也是基于这几天最新的yolo v8版本的。只要这里面有的IOU，你都可以在上面的两个地方进行修改使用。我们将其CIOU=Ture。
Yolov8优化：引入Soft-NMS并结合各个IOU变体GIOU、DIOU、CIOU、EIOU、SIOU，进一步提升密集遮挡场景检测精度
06-25 2316
Soft-NMS解决yolov8自带的nms在密集遮挡场景会出现很大的问题，如出现批量漏检；在这个基础上加入各种IOU变体，进一步提升检测精度。
YOLOv8改进：IOU创新篇 | 引入MPDIou、WIoU、SIoU、EIoU、α-IoU，在不同场景实现涨点
会AI的学姐
11-05 1153
IOU创新篇 | 引入MPDIou、WIoU、SIoU、EIoU、α-IoU，在不同场景实现涨点
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
heromps的博客
07-19 1860
通过综合考虑这些指标的数值，可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据任务需求和实际条件选择最合适的YOLOv8模型和参数配置。
涨点技巧：IOU篇---Yolov8引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
04-17 4871
IOU篇---Yolov8代替默认的CIOU,引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
Unified-IoU：用于高质量对象检测
最新发布
AI浩
09-02 971
目标检测是计算机视觉领域的重要部分，而目标检测的效果直接由预测框的回归精度决定。作为模型训练的关键，交并比（IoU，Intersection over Union）极大地展示了当前预测框与真实框之间的差异。后续研究人员不断在IoU中加入更多考量因素，如中心距离、纵横比等。然而，仅仅细化几何差异存在上限；新的考量指标与IoU本身之间存在潜在联系，两者之间的直接加减可能导致“过度考量”的问题。基于此，我们提出了一种新的IoU损失函数，称为统一IoU（UIoU），它更关注于不同质量预测框之间的权重分配。
YOLOv8 损失函数详解：SIoU、EIoU、WIoU和Focal_xIoU全面解析
走向CTO的路上...
05-19 1738
YOLOv8作为目前最流行的目标检测算法之一，其卓越的性能离不开精心设计的损失函数。除了传统的IoU（Intersection over Union）损失之外，YOLOv8还支持多种改进型损失函数，例如SIoU（Structure-based Intersection over Union）、EIoU（Enhanced Intersection over Union）、WIoU（Weighted Intersection over Union）和Focal_xIoU等。
RT-DETR性能对比
03-12
RT-DETR是一种实时目标检测模型，它结合了Transformer和DETR（Detection Transformer）的思想。相比传统的目标检测方法，RT-DETR在速度和准确性方面有一定的优势。 RT-DETR的性能对比主要体现在以下几个方面： 1. 速度：RT-DETR采用了Transformer的并行计算机制，可以高效地处理大量的输入数据。相比传统的目标检测方法，RT-DETR在保持较高准确性的同时，能够实现更快的推理速度。 2. 准确性：RT-DETR通过引入Transformer的注意力机制，能够更好地捕捉目标之间的关系和上下文信息，从而提升目标检测的准确性。与传统的基于区域提议的方法相比，RT-DETR能够更好地处理小目标和密集目标的检测问题。 3. 灵活性：RT-DETR采用端到端的训练方式，可以直接从原始图像中学习目标检测任务，无需额外的预处理步骤。同时，RT-DETR还支持多尺度输入和旋转不变性等特性，可以适应不同场景下的目标检测需求。
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
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