YOLOv5修改Focal EIOU Loss

系列文章目录

YOLOv5修改Focal EIOU Loss

文章目录

• 系列文章目录
• 前言
• 一、修改两处
  • 1.修改metrics.py
  • 2.修改loss.py
• 总结

---

前言

CIoU Loss虽然考虑了边界框回归的重叠面积、中心点距离、高宽比。但是其公式中的v反映的是高宽的差异，而不是高宽分别与其置信度的真实差异。因此，有时会阻碍模型有效的优化相似性。针对这一问题，本文在CIoU的基础上将高宽比拆开，提出了EIoU Loss，并且引入了Focal Loss聚焦优质的锚框。

文章贡献：

将高宽比的损失项拆分成预测的高宽分别与最小外接框高宽的差值，加快了收敛速度，提高了回归精度；
引入了Focal Loss，优化了边界框回归任务中的样本不平衡问题，即减少了与目标边界框重叠程度较低的锚框对BBox回归的优化贡献，使回归过程更专注于高质量的锚框。
对合成数据和真实数据进行了广泛的实验。出色的实验结果验证了所提出方法的优越性。详细的消融实验显示了损失函数和参数值不同设置的影响。

考虑到预测目标边界框回归的过程中存在训练样本不平衡的问题，即在一张图像中，回归误差小的高质量锚框数量远少于误差大的低质量锚框数量。质量较差的锚框会产生过大的梯度，影响训练过程。直接使用EIoU Loss效果并不好，所以作者结合Focal Loss提出了Focal-EIoU Loss，从梯度的角度出发，把高质量的锚框和低质量的锚框分开

---

一、修改两处

1.修改metrics.py

代码如下（示例&#x