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。

摘要

这篇文章讲述如何在yolov8中，使用Wise-IoU涨点。首先，翻译了论文，让大家了解什么是Wise IoU，以及Wise IoU的三个版本。接下来讲解如何在yolov8中添加Wise IoU。然后，我测试了不同的版本涨点的效果。最后，对这篇文章做总结。
希望，通过这篇能够帮助到大家！当然，如果有错误，欢迎指出，我一定改正！谢谢！

Wise-IoU 论文翻译

摘要

论文地址：https://arxiv.org/abs/2301.10051
GitHub：https://github.com/Instinct323/wiou
边界盒回归(BBR)的损失函数是目标检测的关键。它的良好定义将为模型带来显著的性能改进。现有的大部分工作都假设训练数据中的样例质量较高，侧重于加强BBR损失的拟合能力。如果盲目地在低质量的实例上加强BBR，将会危及本地化性能。为了解决这一问题，提出了Focal-EIoU v1，但由于其静态聚焦机制(FM)，非单调FM的潜力没有得到充分发挥。在此基础上，我们提出了一种基于动态非单调调频的Wise-IoU (WIoU)欠条损失算法。动态非单调调频算法用离群度代替借据来评价锚盒的质量，并提出了一种明智的梯度增益分配策略。这种策略降低了高质量锚盒的竞争力，同时也减少了低质量示例产生的有害梯度。这使得WIoU可以专注于普通质量的锚盒，并提高探测器的整体性能。当WIoU应用于最先进的实时探测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。代码可从https://github.com/Instinct323/wio