YoloV9改进策略：Loss篇|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。

已于 2024-06-04 17:08:36 修改
阅读量1.2k 收藏
点赞数 33
分类专栏： (2025最新改进)YoloV9涨点改进 文章标签： YOLO 人工智能 深度学习
于 2024-06-03 21:17:16 首次发布
不能复制，转发
本文链接：https://blog.csdn.net/m0_47867638/article/details/139424570
版权
本文探讨了如何在YoloV9中使用Wise-IoU改进损失函数，以提升目标检测的性能。通过对Wise-IoU的介绍和实验证明，展示其相较于其他IoU变体的优势，特别是在解决梯度消失问题上的贡献。文章还提供了代码实现，展示在YOLOv7上的测试结果，证明了Wise-IoU的性能提升。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

摘要

这篇文章讲述如何在YoloV9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YoloV9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

了解本专栏 订阅专栏 解锁全文
【第75篇】Wise-IoU:基于动态聚焦机制的边界框回归损失
AI浩
03-29 3075
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。
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。
AI浩
03-31 3026
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！论文地址：https://arxiv.org/abs/2301.10051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。
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 7081
Wise-IoU论文个人理解
shilichangtin的博客
12-26 3346
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism论文个人理解
Wise-IoU 作者导读：基于动态非单调聚焦机制的边界框损失
热门推荐
荷碧TongZJ 的水文
02-05 4万+
目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EIoU v1 被提出以解决这个问题，但由于其聚焦机制是静态的，并未充分挖掘非单调聚焦机制的潜能。
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
qq_52302919的博客
03-31 6227
一个好的损失函数应该在锚盒与目标盒重合良好时弱化几何因素的惩罚，训练中较少的干预会使模型获得更好的泛化能力。一些飞机的标签是有争议的(下图)，一些选定的飞机缺乏突出的特征，如机身。受益于识别低质量示例的能力，WIoU v3训练的模型对某些类别的精度有了很大的提高。在训练的中后期，WIoU v3会给低质量的锚框分配较小的梯度增益，以减少有害的梯度。同时，针对普通质量的锚框，提高模型的定位性能。是动态的，锚框的质量划分标准也是动态的，这使得WIoU v3可以在每一个时刻做出最符合当前情况的梯度增益分配策略。
（超详细）10-YOLOV5改进-替换CIou为Wise-IoU
qq_44421796的博客
02-05 687
yolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_iou。将下面代码放到metrics.py文件里面，原来的bbox_iou函数删掉。
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
本篇文章将重点探讨YOLOv8的一个重要改进策略——将原来的Intersection over Union (IoU)度量标准CIoU替换为Wise-IoU，并讨论这种改进如何提高模型性能，同时支持其他IoU变体如EIoU、GIoU、DIoU和SIoU的无缝切换。...
【YOLOv5改进系列(2)】高效涨点----Wise-IoU详细解读及使用Wise-IoU(WIOU)替换CIOU
慕溪同学的博客
03-19 1万+
在上一篇文章使用了EIoU、Alpha-IoU、SIoU、Focal-EIOU替换yolov5中默认的CIou损失，发现Focal-EIOU对于钢轨表面缺陷识别的提升效果最好，将map@0.5提升到了81.1%，这节使用Wise-IoU的三个版本(分别是v1、v2、v3)去替换CIOU损失，来观察不同类别的map@0.5变化。其中使用Wise-IoU v1方法将钢轨表面缺陷数据集的map@50从77.9%提升到了86.3%，将近提升了10个百分点。
YOLOv9(3):YOLOv9损失（Loss）计算
tecsai的博客
03-14 3079
YOLOv9的Loss计算与YOLOv8如出一辙，仅存在略微的差异。多说一句，数据的预处理和导入方式都是一样的。因此如果你已经对YOLOv8了解的比较透彻，那么对于YOLOv9你也只是需要多关注网络结构就可以。 YOLOv9本身也是Anchor-Free的，同样采用了解耦头。因此其损失计算的关键同样在于“对齐”，即通过TAL方法实现Ground Truth与Pred grid中的Cell进行对齐，然后计算Loss。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 2万+
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
YOLOv9改进策略【损失函数篇】| Varifocal Loss，解决密集目标检测器训练中前景和背景类别间极端不平衡的问题
Limiiiing的博客
09-25 510
本文记录的是改进YOLOv9的损失函数，将其替换成，并详细说明了优化原因，优势等。。在改进后，模型能够更加关注高质量的正样本，有助于提高检测性能。
YOLOv9改进策略【损失函数篇】| 替换激活函数为Mish、MetaAconC、FReLU、PReLU、Swish
Limiiiing的博客
06-23 1815
在卷积神经网络中，激活函数通过在神经网络中引入非线性，使网络能够学习和逼近复杂函数，从而处理复杂的模式识别与分类问题。今天先记录一下Mish激活函数的使用方法，后续会陆续补充其它经典激活函数和新发布的激活函数的调用方法。
芒果YOLOv9改进18：损失函数IoU篇之Wise-IoU：最新YOLOv9结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 426
YOLOv9改进：损失函数IoU篇之Wise-IoU：最新YOLOv9结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失
目标检测算法——YOLOv5/v7/v8改进结合涨点Trick之Wise-IoU（超越CIOU/SIOU）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
03-25 6815
WIoU 可以聚焦于普通质量的锚框，并提高检测器的整体性能。将WIoU应用于最先进的单级检测器 YOLOv7 时，在 MS-COCO 数据集上的 AP-75 从 53.03% 提升到 54.50%。
【YOLOv9改进[损失函数]】使用MPDIou回归损失函数帮助YOLOv9模型更优秀
静谧、淡雅
04-12 1677
YOLOv9改进[损失函数]
YOLOv8改进：引入WiseIOU，提升计算机视觉准确性
GzvDart的博客
09-17 913
具体而言，WiseIOU将目标框的IOU（Intersection over Union）与目标的区域权重相乘，其中区域权重根据目标的位置和尺度进行自适应调整。通过引入WiseIOU作为目标检测的评价指标，可以更好地衡量目标边界框的准确性，提高检测算法的整体性能。YOLOv8是一种基于深度学习的目标检测算法，通过将图像划分为较小的网格单元，并在每个单元中预测目标的边界框和类别，实现目标检测任务。需要注意的是，以上仅是示例代码，实际应用中需要根据具体的目标检测算法和数据集进行相应的修改和集成。
优化改进YOLOv5算法之Wise-IOU损失函数
qq_40716944的博客
02-18 1万+
边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。Focal EIoU v1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为Wise IoU（WIoU）。
芒果YOLOv7改进29：Loss篇：改进wiou损失函数：结合最新Wise-IoU损失函数，涨点神器｜超越CIoU, SIoU性能，助力YOLOv7模型涨点1.4%，最新目标检测的损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-02 9773
YOLOv7+Wise-IoU代码实战 ｜ Wise-IoU 新的损失函数助力 YOLOv7提升涨点，打造新的检测器
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...
最新发布
02-26
### 实现YOLOv8中的Soft-NMS及其与不同类型IOU结合 在目标检测领域，尤其是面对密集遮挡场景时，改进后的NMS算法能够显著提升模型的表现。对于YOLOv8而言，在原有基础上引入Soft-NMS并结合多种类型的交并比(IOU)，可以有效改善此类复杂环境下的检测效果。 #### Soft-NMS简介 传统NMS通过设定阈值来过滤重叠框，而Soft-NMS则采用更灵活的方式调整候选框得分，从而保留更多潜在的有效预测[^2]。具体来说，当两个边界框存在较大程度上的重合时，不是简单地丢弃其中一个，而是降低其置信度分数，使得最终输出更加合理。 #### 结合不同类型的IOU 为了进一步增强YOLOv8应对密集物体的能力，可以在Soft-NMS过程中融入GIOU、DIOU、CIOU、EIOU和SIOU等改进型IOU计算方法： - **Generalized IOU (GIoU)**：不仅考虑了两矩形之间的相交区域，还加入了包围这两个矩形最小外接矩形的影响因子。 - **Distance IOU (DIoU)**：除了上述因素之外，额外考量中心点距离对相似性的贡献。 - **Complete IOU (CIoU)**：综合了尺度差异、形状匹配等多个方面的影响。 - **Enhanced IOU (EIou)**：在此基础上增加了角度偏差惩罚项。 - **Symmetric IOU (SIoU)**：强调两侧边界的相对位置关系。 这些变体形式能够在不同程度上弥补标准IOU存在的局限性，特别是在处理高度拥挤或部分被遮挡的对象时表现出色[^1]。 #### Python代码示例 以下是基于PyTorch框架下实现带有各种IOU版本的Soft-NMS函数的一个简化版例子： ```python import torch def soft_nms_with_iou_types(boxes, scores, iou_type=&#39;giou&#39;, sigma=0.5, thresh=0.4): """ :param boxes: Tensor of shape [num_boxes, 4], each row is [x_min, y_min, x_max, y_max]. :param scores: Tensor of shape [num_boxes]. Confidence score for each box. :param iou_type: Type of IoU to use (&#39;giou&#39;, &#39;diou&#39;, &#39;ciou&#39;, &#39;eiou&#39;, or &#39;siou&#39;). :return: Indices of the selected boxes after applying Soft-NMS. """ indices = [] while scores.numel() > 0: max_idx = torch.argmax(scores) indices.append(max_idx.item()) keep_mask = compute_iou_matrix(boxes[max_idx:max_idx+1], boxes)[0] <= thresh weights = torch.exp(-(compute_iou_matrix( boxes[max_idx:max_idx+1], boxes, type=iou_type) ** 2)/sigma) scores *= weights * keep_mask.float() mask = scores >= thresh boxes = boxes[mask] scores = scores[mask] return torch.tensor(indices).long() def compute_iou_matrix(box_a, box_b, type="iou"): """Compute pairwise IoUs between two sets of bounding boxes.""" area_a = (box_a[:, 2]-box_a[:, 0])*(box_a[:, 3]-box_a[:, 1]) area_b = (box_b[:, 2]-box_b[:, 0])*(box_b[:, 3]-box_b[:, 1]) inter_xmin = torch.max(box_a[:, None, 0], box_b[:, 0]) inter_ymin = torch.max(box_a[:, None, 1], box_b[:, 1]) inter_xmax = torch.min(box_a[:, None, 2], box_b[:, 2]) inter_ymax = torch.min(box_a[:, None, 3], box_b[:, 3]) w_inter = torch.clamp(inter_xmax-inter_xmin, min=0.) h_inter = torch.clamp(inter_ymax-inter_ymin, min=0.) intersection = w_inter*h_inter union = area_a[:,None]+area_b-intersection if type=="iou": ious = intersection / union elif type=="giou": # Generalized Intersection over Union enclosing_box = ( torch.min(box_a[:, None, :2], box_b[:,:2]), torch.max(box_a[:, None, 2:], box_b[:,2:]) ) c_area = ((enclosing_box[1][:,:,0]-enclosing_box[0][:, :, 0])* (enclosing_box[1][:,:,1]-enclosing_box[0][:, :, 1])) giou_term = (c_area - union)/(union+c_area) ious = ious-giou_term elif type=="diou": # Distance-IoU Loss center_dist_sqrd = ((box_a[:, None, 0]+box_a[:, None, 2])/2-(box_b[:, 0]+box_b[:, 2])/2)**2 \ +((box_a[:, None, 1]+box_a[:, None, 3])/2-(box_b[:, 1]+box_b[:, 3])/2)**2 diag_enclose_sqrd = ((enclosing_box[1][:,:,0]-enclosing_box[0][:, :, 0])**2+ (enclosing_box[1][:,:,1]-enclosing_box[0][:, :, 1])**2) diou_term=center_dist_sqrd/(diag_enclose_sqrd+1e-7) ious = ious-diou_term elif type=="ciou": # Complete IoU loss v=(torch.atan(((box_b[:, 2]-box_b[:, 0])/(box_b[:, 3]-box_b[:, 1])+1e-7))- torch.atan(((box_a[:, None, 2]-box_a[:, None, 0])/ (box_a[:, None, 3]-box_a[:, None, 1])))).pow_(2)*(4/math.pi**2) alpha=v/(ious+(1-ious)*v) ciou_term=alpha*v ious = ious-ciou_term-diou_term elif type=="eiou": # Enhanced IoU e_w=torch.abs((box_a[:, None, 2]-box_a[:, None, 0])-\ (box_b[:, 2]-box_b[:, 0])) e_h=torch.abs((box_a[:, None, 3]-box_a[:, None, 1])-\ (box_b[:, 3]-box_b[:, 1])) eiou_term=e_w/e_h ious = ious-eiou_term elif type=="siou": # Symmetric IoU s_w=torch.abs((box_a[:, None, 2]+box_a[:, None, 0])-(box_b[:, 2]+box_b[:, 0]))/2 s_h=torch.abs((box_a[:, None, 3]+box_a[:, None, 1])-(box_b[:, 3]+box_b[:, 1]))/2 siou_term=s_w+s_h ious = ious-siou_term else: raise ValueError(f&#39;Unknown IoU type {type}&#39;) return ious.squeeze_() ``` 此段代码展示了如何定义一个支持多类IOU计算方式的`soft_nms_with_iou_types()` 函数，并提供了相应的辅助函数 `compute_iou_matrix()` 来完成具体的IOU运算逻辑。用户可以根据实际需求选择合适的参数组合来进行实验测试。
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

AI智韵

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