YOLOV8改进：添加Wiseiou，有效涨点

已于 2023-07-08 11:18:42 修改
阅读量2k 收藏 11
点赞数 2
分类专栏： YOLOV5/YOLOV7/YOLOV8改进 文章标签： YOLO python 深度学习 人工智能
于 2023-07-07 13:27:40 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/m0_51530640/article/details/131594736
版权
本文介绍了YOLOV8的改进方法，通过添加Wiseiou来提升模型的检测性能。详细阐述了如何在YOLO系列模型的utils模块中替换bbox_iou、BboxLoss的forward函数以及修改get_box_metrics的CIoU选项，以实现性能的增强，并提供了实验步骤。
摘要由CSDN通过智能技术生成
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。
2.涨点效果：添加Wiseiou，可以有效涨点

1.将ultralytics/yolo/utils/metrics.py

了解本专栏 订阅专栏 解锁全文 超级会员免费看
AICurator
关注
专栏目录
订阅专栏
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。
目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。
05-15 321
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。
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 1242
IOU创新篇 | 引入MPDIou、WIoU、SIoU、EIoU、α-IoU，在不同场景实现涨点
yolov8改进-添加Wise-IoU，soft-nms
darkredrock的博客
04-21 9632
yolov8中box_iou其默认用的是在原bbox_iou中，GIoU、DIoU、CIoU都是默认关闭，为最普通的Iou，如果其中一个为True的时候，即返回设定为True的那个Iou。
【目标检测】YOLOv8之定位损失函数WIoU
最新发布
lzb69781388的博客
09-14 266
在目标检测中，定位损失函数是目标检测模型中用来衡量预测边界框与真实边界框之间差异的数学函数。它通过计算两者之间的距离或重叠程度，指导模型的训练过程，以便更准确地定位目标物体。在同时进行目标分类和定位时，合理的损失函数组合能够平衡两者的学习效果，确保模型在各方面的性能。YOLOv8版本：v8.2.90 自带定位损失：GIoU, DIoU, CIoU。在训练过程中，定位损失函数为模型提供反馈，帮助其学习到更有效的特征表示。通过计算损失值，调整模型参数，提高检测精度，降低误检和漏检率。添加：Wise-IoU。
YOLOv8最新改进系列：优化CIoU为Wise-IoU，助力检测性能再提升，有效提升小目标检测精度！！！遥遥领先！！！！！
weixin_51692073的博客
09-10 4564
YOLOv8最新改进系列：优化CIoU为Wise-IoU，助力检测性能再提升，有效提升小目标检测精度！！！遥遥领先！！！！！
YOLOv8独家改进：IoU系列篇 | Powerful-IoU更加聚焦锚框的新型IoU，快速收敛 | 2024年最新IoU
会AI的学姐
03-25 847
Powerful-IoU更加聚焦锚框的新型IoU，快速收敛,一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数
转载：YOLOv8改进全新Inner-IoU损失函数：扩展到其他SIoU、CIoU等主流损失函数，带辅助边界框的损失
wuling129的专栏
11-16 3878
目标检测是计算机视觉中的基本任务，包括目标分类和定位。边界框回归损失函数是检测器定位分支的重要组成部分，检测器的定位精度在很大程度上取决于边界框回归，在当前的检测器中发挥着不可替代的作用。在BBR中，IoU损失可以准确描述预测边界框与GT框之间匹配的程度，确保模型在训练过程中可以学习到目标的位置信息。作为现有主流边界框回归损失函数的基本部分，IoU定义如下：B和分别代表预测框和GT框。定义IoU之后，相应的损失可以定义如下：至今，基于IoU的损失函数逐渐成为主流并占据主导地位。
YOLOv8改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
11-19 7292
本文给大家带来的是YOLOv8最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成 InnerIoU、InnerSIoU、InnerWIoU、等新版本损失函数，同时还结合了Focus和AIpha思想，形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。
YOLOV5改进：添加Wiseiou，有效涨点
m0_51530640的博客
07-08 651
【代码】YOLOV5改进：添加Wiseiou，有效涨点。
YOLOv5改进：引入WiseIOU，提升计算机视觉准确性
LmtTransforms的博客
09-17 341
在实际应用中，WiseIOU可以与其他常用的损失函数相结合，形成综合的目标检测算法。传统的IoU计算方式是简单地将两个框的重叠面积除以它们的并集面积，得到一个0到1之间的值。在本文中，我们将探讨一种改进的YOLOv5版本，它引入了一种名为WiseIOU的方法，用于进一步提升目标检测的准确性。其中，除了WiseIOU损失外，还可以包括其他常用的损失计算，如分类损失和边界框回归损失。计算过程中，首先计算预测框和真实框的交集和并集面积，然后将交集面积除以并集面积，并乘以权重，得到最终的WiseIOU得分。
YOLOV7改进：更换WIOU，实现无损涨点
m0_51530640的博客
08-24 852
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是高质量的，并着重于增强BBR损失的拟合能力。如果盲目地在低质量样本上加强BBR，将会危及本地化性能。Focal-EIoU v1是为了解决这一问题而提出的，但由于其静态调焦机制(FM)，使得非单调调频的潜力没有得到充分发挥。基于这一思想，我们提出了一种基于iou的动态非单调调频损耗，称为Wise-IoU (WIoU)。
YOLOV5/YOLOV7/YOLOV8改进专栏
m0_51530640的博客
07-04 1865
手把手教你YOLOV5/YOLOV7/YOLOV8的各种改进方式，订阅可以直接给改进好的源代码。
yolov8改进-添加Wise-IoU，yolov8损失改进
weixin_44240141的博客
12-22 2091
注释整个函数。
YOLOv8改进：引入WiseIOU，提升计算机视觉准确性
GzvDart的博客
09-17 749
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。
yolov8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU.
weixin_42875510的博客
09-21 136
参考：YOLOV8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU._森爱。的博客-CSDN博客
YOLOV8改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
热门推荐
qq_37706472的博客
01-20 3万+
手把手教你在YoloV8中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.
YOLOv8改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
11-19 1万+
这篇文章介绍了YOLOv8的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv8在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
芒果YOLOv8改进03：损失函数IoU篇全新XIoU：首发最新改进｜结合XIoU损失函数，相比较CIoU改进涨点，YOLO改进Trick，提升网络模型性能、收敛速度和鲁棒性
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-17 4849
YOLOv8代码实践｜原创改进βIoU损失函数，YOLO改进Trick，相比较CIoU改进轻松涨点
yolov8改进: CoT
04-29
YOLOv8是YOLO（You Only Look Once）系列目标检测算法的一种改进版本。而CoT（Contextual Transformer）是一种用于改进YOLOv8性能的关键技术。 CoT的核心思想是引入上下文信息来提升目标检测的准确性。在传统的...
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

AICurator

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