IOU & GIOU & DIOU 介绍及其代码实现

最新推荐文章于 2024-04-30 07:43:30 发布
最新推荐文章于 2024-04-30 07:43:30 发布
阅读量1.8w 收藏 203
点赞数 44
分类专栏： 深度学习 Python
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/leonardohaig/article/details/103394369
版权

IOU & GIOU & DIOU 介绍及其代码实现

微信公众号：幼儿园的学霸
个人的学习笔记，关于OpenCV,关于机器学习, …。问题或建议，请公众号留言;

从IOU，到GIOU，然后到最近的DIOU、CIOU。

目录

文章目录

IOU

介绍

IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程如下：
图1 IOU计算

IOU的优点：

  • IOU可以作为距离，loss=1-IOU。但是当两个物体不相交时无回传梯度。
  • IOU对尺度变化具有不变性，即不受两个物体尺度大小的影响。
    以A，B两个box重合的情况为例，若boxes1=[[0,0,10,10],[0,0,5,5]],boxes2=[[0,0,10,10],[0,0,5,5]],此时IOU=[1,1]
    IOU的缺点：
  • 无法衡量两框是相邻还是甚远
    如下图2所示，两种情况下IOU均为0，(a)中两框距离较近，(b)中两框明显距离要远，但是仅从IOU数值上无法判断两者距离较近还是较远（两个物体不相交时无回传梯度）
  • IOU不能反映两个物体如何重叠（相交方式）。
    如下图3所示，两种情况下的IOU均为0.1428，(a)中两框要比(b)中的相交更整齐一些，但是IOU并没有反映出这个特点。

图2
图3

计算代码

def bboxes_iou(boxes1,boxes2):
    '''
    cal IOU of two boxes or batch boxes
    such as: (1)
            boxes1 = np.asarray([[0,0,5,5],[0,0,10,10],[0,0,10,10]])
            boxes2 = np.asarray([[0,0,5,5]])
            and res is [1.   0.25 0.25]
            (2)
            boxes1 = np.asarray([[0,0,5,5],[0,0,10,10],[0,0,10,10]])
            boxes2 = np.asarray([[0,0,5,5],[0,0,10,10],[0,0,10,10]])
            and res is [1. 1. 1.]
    :param boxes1:[xmin,ymin,xmax,ymax] or
                [[xmin,ymin,xmax,ymax],[xmin,ymin,xmax,ymax],...]
    :param boxes2:[xmin,ymin,xmax,ymax]
    :return:
    '''

    #cal the box's area of boxes1 and boxess
    boxes1Area = (boxes1[...,2]-boxes1[...,0])*(boxes1[...,3]-boxes1[...,1])
    boxes2Area = (boxes2[..., 2] - boxes2[..., 0]) * (boxes2[..., 3] - boxes2[..., 1])

    #cal Intersection
    left_up = np.maximum(boxes1[...,:2],boxes2[...,:2])
    right_down = np.minimum(boxes1[...,2:],boxes2[...,2:])

    inter_section = np.maximum(right_down-left_up,0.0)
    inter_area = inter_section[...,0] * inter_section[...,1]
    union_area = boxes1Area+boxes2Area-inter_area
    ious = np.maximum(1.0*inter_area/union_area,np.finfo(np.float32).eps)

    return ious

GIOU

介绍

GIOU是为克服IOU的缺点同时充分利用优点而提出的.(论文：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression)

GIOU计算公式：
图4

可以这样理解：

1.假设A为预测框，B为真实框，S是所有框的集合
2.不管A与B是否相交，C是包含A与B的最小框(包含A与B的最小凸闭合框)，C也属于S集合
3.首先计算IoU，A与B的交并比
4.再计算C框中没有A与B的面积，比上C框面积；
5.IoU减去前面算出的比；得到GIoU
6.Note：本文提出的例子中A、B均是矩形框，但是也可以为其他的。比如：A、B为椭圆形，那么此时C将是包含A、B的最小椭圆形；或者A、B均是3D box也可。

过程如下图5所示：
图5

论文作者给出几个GIoU的性质：

  • 对尺度的不变性
  • GIoU可认为是IoU的下界，小于等于IoU
    如boxes1=[0,0,10,10],boxes2=[0,0,10,10],此时IOU=1,GIOU=1,这种情况下A与B重合
    boxes1=[0,0,10,10],boxes2=[0,10,10,20],此时IOU=0,GIOU=0
    boxes1=[0,0,10,10],boxes2=[5,5,15,15],此时IOU=0.1428,GIOU=-0.07936
  • -1<=GIoU<=1，当A=B时，GIoU=IoU=1；当A与B不相交而且离得很远时，GIoU(A,B)趋向于-1。
    如boxes1=[[10,10,15,15],[100,100,105,105]],boxes2=[5,5,10,10],计算的GIOU为[-0.5,-0.995],即A与B不相交，随着两者距离增加，GIOU值将趋向于-1，如下图6所示。
  • 因此选用loss=1-GIoU
  • GIoU能够更好地反应相交情况。如上面图3所示，虽然两种情况下IOU一致，但是(a)中相交的更为整齐，因此GIOU要比(b)中大。

图6 GIOU随着距离增加而变小

GIoU最主要的作用： (1)对于相交的框，IOU可以被反向传播，即它可以直接用作优化的目标函数。但是非相交的，梯度将会为0，无法优化。此时使用GIoU可以完全避免此问题。所以可以作为目标函数
(2)可以分辨框的对齐方式

代码

def bboxes_giou(boxes1,boxes2):
    '''
    cal GIOU of two boxes or batch boxes
    such as: (1)
            boxes1 = np.asarray([[0,0,5,5],[0,0,10,10],[15,15,25,25]])
            boxes2 = np.asarray([[5,5,10,10]])
            and res is [-0.49999988  0.25       -0.68749988]
            (2)
            boxes1 = np.asarray([[0,0,5,5],[0,0,10,10],[0,0,10,10]])
            boxes2 = np.asarray([[0,0,5,5],[0,0,10,10],[0,0,10,10]])
            and res is [1. 1. 1.]
    :param boxes1:[xmin,ymin,xmax,ymax] or
                [[xmin,ymin,xmax,ymax],[xmin,ymin,xmax,ymax],...]
    :param boxes2:[xmin,ymin,xmax,ymax]
    :return:
    '''

    # cal the box's area of boxes1 and boxess
    boxes1Area = (boxes1[...,2]-boxes1[...,0])*(boxes1[...,3]-boxes1[...,1])
    boxes2Area = (boxes2[..., 2] - boxes2[..., 0]) * (boxes2[..., 3] - boxes2[..., 1])

    # ===========cal IOU=============#
    #cal Intersection
    left_up = np.maximum(boxes1[...,:2],boxes2[...,:2])
    right_down = np.minimum(boxes1[...,2:],boxes2[...,2:])

    inter_section = np.maximum(right_down-left_up,0.0)
    inter_area = inter_section[...,0] * inter_section[...,1]
    union_area = boxes1Area+boxes2Area-inter_area
    ious = np.maximum(1.0*inter_area/union_area,np.finfo(np.float32).eps)

    # ===========cal enclose area for GIOU=============#
    enclose_left_up = np.minimum(boxes1[..., :2], boxes2[..., :2])
    enclose_right_down = np.maximum(boxes1[..., 2:], boxes2[..., 2:])
    enclose = np.maximum(enclose_right_down - enclose_left_up, 0.0)
    enclose_area = enclose[..., 0] * enclose[..., 1]

    # cal GIOU
    gious = ious - 1.0 * (enclose_area - union_area) / enclose_area

    return gious

DIOU

介绍

由于IOU Loss在候选框和真实框没有重叠的时候不提供任何移动梯度（LIoU=1-IOU始终为1），于是GIOU Loss引入了一个惩罚项(即图5中的(C-A并B)/C)。由于惩罚项的引入，在不重叠的情况下，预测框会向目标框移动。
但是考虑如下图图7情况。
图7
当出现上图情况时，GIoU Loss完全降级成IoU Loss，因此引入DIoU Loss
，DIoU Loss是在IoU Loss基础上引入一个惩罚项，定义如下：
计算公式
上述损失函数中，b，bgt分别代表了anchor框和目标框的中心点，且p代表的是计算两个中心点间的欧式距离。c代表的是能够同时覆盖anchor和目标框的最小矩形的对角线距离。因此DIoU中对anchor框和目标框之间的归一化距离进行了建模。直观的展示如下图所示。
图8 距离计算展示

DIoU的优点如下：
1.与GIoU loss类似，DIoU loss在与目标框不重叠时，仍然可以为边界框提供移动方向。
2.DIoU loss可以直接最小化两个目标框的距离，而GIOU loss优化的是两个目标框之间的面积，因此比GIoU loss收敛快得多。
3.对于包含两个框在水平方向和垂直方向上这种情况，DIoU损失可以使回归非常快，而GIoU损失几乎退化为IoU损失

代码

def bboxes_diou(boxes1,boxes2):
    '''
    cal DIOU of two boxes or batch boxes
    :param boxes1:[xmin,ymin,xmax,ymax] or
                [[xmin,ymin,xmax,ymax],[xmin,ymin,xmax,ymax],...]
    :param boxes2:[xmin,ymin,xmax,ymax]
    :return:
    '''

    #cal the box's area of boxes1 and boxess
    boxes1Area = (boxes1[...,2]-boxes1[...,0])*(boxes1[...,3]-boxes1[...,1])
    boxes2Area = (boxes2[..., 2] - boxes2[..., 0]) * (boxes2[..., 3] - boxes2[..., 1])

    #cal Intersection
    left_up = np.maximum(boxes1[...,:2],boxes2[...,:2])
    right_down = np.minimum(boxes1[...,2:],boxes2[...,2:])

    inter_section = np.maximum(right_down-left_up,0.0)
    inter_area = inter_section[...,0] * inter_section[...,1]
    union_area = boxes1Area+boxes2Area-inter_area
    ious = np.maximum(1.0*inter_area/union_area,np.finfo(np.float32).eps)

    #cal outer boxes
    outer_left_up = np.minimum(boxes1[..., :2], boxes2[..., :2])
    outer_right_down = np.maximum(boxes1[..., 2:], boxes2[..., 2:])
    outer = np.maximum(outer_right_down - outer_left_up, 0.0)
    outer_diagonal_line = np.square(outer[...,0]) + np.square(outer[...,1])

    #cal center distance
    boxes1_center = (boxes1[..., :2] +  boxes1[...,2:]) * 0.5
    boxes2_center = (boxes2[..., :2] +  boxes2[...,2:]) * 0.5
    center_dis = np.square(boxes1_center[...,0]-boxes2_center[...,0]) +\
                 np.square(boxes1_center[...,1]-boxes2_center[...,1])

    #cal diou
    dious = ious - center_dis / outer_diagonal_line

    return dious

CIOU

介绍

一个好的目标框回归损失应该考虑三个重要的几何因素：重叠面积、中心点距离、长宽比。
GIoU：为了归一化坐标尺度，利用IoU，并初步解决IoU为零的情况。
DIoU：DIoU损失同时考虑了边界框的重叠面积和中心点距离。
然而，anchor框和目标框之间的长宽比的一致性也是极其重要的。基于此，论文作者提出了Complete-IoU Loss。
CIOU Loss又引入一个box长宽比的惩罚项，该Loss考虑了box的长宽比，定义如下:
CIOU Loss计算
上述损失函数中，CIoU比DIoU多出了α和v这两个参数。其中α是用于平衡比例的参数。v用来衡量anchor框和目标框之间的比例一致性。
惩罚项说明
从α参数的定义可以看出，损失函数会更加倾向于往重叠区域增多方向优化，尤其是IoU为零的时候。

DIOU CIOU结果分析

图9 DIOU CIOU和GIOU结果对比分析

代码

关于惩罚项的计算，我是按照论文中公式来编写的。不过可能与这个文章中代码 的计算不一样，有待分析差别。

def bboxes_ciou(boxes1,boxes2):
    '''
    cal CIOU of two boxes or batch boxes
    :param boxes1:[xmin,ymin,xmax,ymax] or
                [[xmin,ymin,xmax,ymax],[xmin,ymin,xmax,ymax],...]
    :param boxes2:[xmin,ymin,xmax,ymax]
    :return:
    '''

    #cal the box's area of boxes1 and boxess
    boxes1Area = (boxes1[...,2]-boxes1[...,0])*(boxes1[...,3]-boxes1[...,1])
    boxes2Area = (boxes2[..., 2] - boxes2[..., 0]) * (boxes2[..., 3] - boxes2[..., 1])

    # cal Intersection
    left_up = np.maximum(boxes1[...,:2],boxes2[...,:2])
    right_down = np.minimum(boxes1[...,2:],boxes2[...,2:])

    inter_section = np.maximum(right_down-left_up,0.0)
    inter_area = inter_section[...,0] * inter_section[...,1]
    union_area = boxes1Area+boxes2Area-inter_area
    ious = np.maximum(1.0*inter_area/union_area,np.finfo(np.float32).eps)

    # cal outer boxes
    outer_left_up = np.minimum(boxes1[..., :2], boxes2[..., :2])
    outer_right_down = np.maximum(boxes1[..., 2:], boxes2[..., 2:])
    outer = np.maximum(outer_right_down - outer_left_up, 0.0)
    outer_diagonal_line = np.square(outer[...,0]) + np.square(outer[...,1])

    # cal center distance
    boxes1_center = (boxes1[..., :2] +  boxes1[...,2:]) * 0.5
    boxes2_center = (boxes2[..., :2] +  boxes2[...,2:]) * 0.5
    center_dis = np.square(boxes1_center[...,0]-boxes2_center[...,0]) +\
                 np.square(boxes1_center[...,1]-boxes2_center[...,1])

    # cal penalty term
    # cal width,height
    boxes1_size = np.maximum(boxes1[...,2:]-boxes1[...,:2],0.0)
    boxes2_size = np.maximum(boxes2[..., 2:] - boxes2[..., :2], 0.0)
    v = (4.0/np.square(np.pi)) * np.square((
            np.arctan((boxes1_size[...,0]/boxes1_size[...,1])) -
            np.arctan((boxes2_size[..., 0] / boxes2_size[..., 1])) ))
    alpha = v / (1-ious+v)


    #cal ciou
    cious = ious - (center_dis / outer_diagonal_line + alpha*v)

    return cious

总结

DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。

参考资料

1.论文笔记：GIoU
2.目标检测------CVPR2019------对GIOU的认识
3.【论文阅读】Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
4.论文地址
5.DIoU YOLOv3 | AAAI 2020：更加稳定有效的目标框回归损失


下面的是我的公众号二维码图片，欢迎关注。
图注:幼儿园的学霸

leonardohaig
关注
  • 44
    点赞
  • 踩
  • 203
    收藏
    觉得还不错? 一键收藏
  • 15
    评论
专栏目录
目标检测常用IOU总结
03-25
本文将深入探讨几种常用的边界框回归损失函数，包括IOU（Intersection over Union）、GIoU（Generalized Intersection over Union）、DIoU（Distance Intersection over Union）以及CIoU（Complete IoU）。...
这是一套基于 YOLOV5 模型的安全区域检测代码
02-21
3. Loss函数改进：YOLOV5使用了更复杂的损失函数，如GIoU（Generalized IoU）、DIoU（Distance IoU）和CIoU（Complete IoU），以更好地衡量预测框与真实框的匹配程度。 4. 快速训练：YOLOV5利用了PyTorch框架的并行...
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 3311
GIOU、DIOU、CIOU
cdknight_happy的专栏
08-07 2187
1 GIOU 论文：https://arxiv.org/abs/1902.09630 代码：https://github.com/generalized-iou/g-darknet 1.1 摘要 IOU是目标检测中的度量标准，但进行目标位置回归时一般使用的是L1L_1L1​或L2L_2L2​损失，作者证明了最小化这些损失并不等同于可以最大化IOU。因此，作者认为应该将最终的优化目标作为损失函数。但是普通的IOU在两个目标框不重叠时值为0，如果以它为损失函数此时反传的梯度为0，无法进行模型的训练。所以作者提出
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-30 809
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
IOU与NMS实现代码
方悔读书迟
07-28 372
import numpy as np import cv2 # A[0-3]分别代表左上角横坐标，左上角纵坐标，右下角横坐标，右下角纵坐标 def IOU(A, B): #交集框的左上角，右下角 xA = max(A[0], B[0]) yA = max(A[1], B[1]) xB = min(A[2], B[2]) yB = min(A[3], B[3]) areaA = (A[2] - A[0] + 1) * (A[3] - A[1] + 1) # 1
IOU的代码实现原理 举例说明
liu_yuan_kai的博客
02-24 595
IOU就是交并比 图1 有两个框，设: 第一个框的两个关键点坐标：A（x1,y1） ; B(X1,Y1) ; 第二个框的两个关键点坐标：C （x2,y2） ; D(X2,Y2) ; 以大小写来区分左上角坐标和右下角坐标。 ...
IoU、GIoU、DIoU、CIoU
weixin_38906715的博客
09-06 1047
IoU就是我们所说的交并比作为损失函数会出现的问题(缺点)如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。GIoU:先计算两个框的最小闭包区域面积(通俗理解：同时包含了预测框和...
IOU计算Python代码实现
Vodka_Lou的博客
04-21 7567
文章目录一、目标检测中的IOU代码实现二、代码总结 一、目标检测中的IOU代码实现 目标检测中会用IOU大小的值来衡量检测结果与准确结果之间的差距，IOU的计算公式： IOU=A∩B/A∪B，式中A，B为检测结果和准确结果（groundtruth）检测框的面积大小。 二、代码 代码如下（示例）： def compute_iou(rec_1,rec_2): ''' rec_1:左上角(rec_1[0],rec_1[1]) 右下角：(rec_1[2],rec_1[3]) r.
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
然而，传统的IoU在处理非对称形状或不同大小的目标时存在局限性，因此出现了各种优化版的IoU，如GIoU（Generalized IoU）、DIoU（Distance IoU）、CIoU（Complete IoU）和SIoU（Symmetric IoU）等。 CIoU在DIoU的...
基于python的yolov5实现的旋转目标检测
最新发布
04-30
在旋转目标检测中，需要考虑边界框的角度信息，因此损失函数需要相应地扩展，例如，可以采用GIOU（Generalized Intersection over Union）或DIoU（Distance IoU），这些损失函数同时考虑了边界框的位置、大小和角度...
YOLOV7-OBB：You Only Look Once OBB旋转目标检测模型在pytorch当中的实现
11-16
3. **损失函数**：传统的二元交叉熵损失和 IoU 损失可能不足以优化OBB模型，因此可能需要设计或采用适用于四边形边界框的损失函数，如GIOU、DIOU或CIOU损失。 4. **训练过程**：使用PyTorch的DataLoader加载预处理...
【KnowledgeBase】一篇较为详细的目标检测各类IOU的代码实现
weixin_47691066的博客
01-08 1032
本篇文章综合的介绍下各种IOU，主要内容以代码为主，且代码按照公式的逻辑一步步写下来的，方便理解。
详解IoU、GIoU、DIoU、CIoU、EIoU和DIoU-NMS
热门推荐
进击的扛把子
03-30 2万+
IoU厨师大赛
[损失函数]--Giou：Generalized Intersection over Union 代码实现
weixin_42096202的博客
06-10 1479
之前参加DF交通标志识别比赛，自己手写了个GIOU的损失函数，原理比较简单，可以自己去看一下相关论文，最后虽然由于时间不够没有用上，但是也许别人可以参考一下： # coding = utf-8 import torch def Giou_loss(box_pre, box_gt, method='mean'): " " " input: box_pre : shape(N, 4) pre...
IoU, GIoU, DIoU, CIoU, SIoU loss函数python实现
qq_43522163的博客
12-07 1222
IoU, GIoU, DIoU, CIoU, SIoU
IOU、GIOU、DIOU、CIOU剖析及代码实现
m0_56247038的博客
10-29 783
一文搞懂IOU、GIOU、DIOU、CIOU及代码实现。
计算IOU(取自MDNet代码)
逍遥
11-17 1245
def overlap_ratio(rect1, rect2): # 计算bounding box和ground truth的IOU ''' target bbox (min_x,min_y,w,h) ''' if rect1.ndim == 1: # 判断维度是否为一维 rect1 = rect1[None, :] # 给np.array增...
Python实现NMS、DIOU_NMS
qq_43522163的博客
12-21 321
Python实现NMS、DIOU_NMS
把下面这段话改写一下：IOU_Loss：主要考虑检测框和目标框重合程度。 GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。 DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。 CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。 综上所述，IOU_Loss主要考虑了检测框和GT框之间的重叠面积；GIOU_Loss在IOU的基础上，解决边界框不重合时出现的问题；DIOU_Loss在IOU和GIOU的基础上，同时考虑了边界框中心点距离信息；CIOU_Loss在DIOU的基础上，又考虑了边界框宽高比的尺度信息。
04-19
IOU_Loss是为了评估检测框与目标框之间的重叠程度；GIOU_Loss在基础上，能够解决边框不重叠时的问题；DIOU_Loss基于IOU和GIOU, 同时考虑了边界框中心点距离；CIOU_Loss 在DIOU基础上，尺度信息进一步添加到边界框的纠错中去。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 15
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