IoU、GIoU、DIoU、CIoU详解及python代码实现

一、IoU、GIoU、DIoU、CIoU详解：

（1）IoU

IoU 的全称为交并比（Intersection over Union），其计算是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程可以由下图表示：

由图可知IoU的值域为[0, 1]。
IoU的优点：
1、IOU可以作为损失函数，IoU loss=1-IOU。但是当两个物体不相交时无回传梯度。
2、 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。
IoU的缺点：
1、当预测框和真实框不相交时，IoU(A,B)=0时，不能反映A,B距离的远近，此时损失函数不可导，IoU Loss 无法优化两个框不相交的情况。
2、假设预测框和真实框的大小都确定，只要两个框的相交值是确定的，其IoU值是相同时，IoU值不能反映两个框是如何相交的。

（2）GIoU

GIoU是为克服IoU的缺点同时充分利用优点而提出的，GIoU计算如下：

上图C是包含A与B的最小框。
GIoU的值域为（-1， 1]。
GIoU的优点：
1、GIoU和IoU一样，可以作为损失函数，GIoU Loss = 1 - GIoU。
2、GIoU能够更好地反应相交情况。如下图，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。

GIoU缺点
当目标框完全包裹预测框的时候，IoU和GIoU的值都一样，此时GIoU退化为IoU, 无法区分其相对位置关系。

（3）DIoU

基于GIoU的缺点，DIoU被提出。其论文为：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
论文给出DIoU Loss为：


上图中绿色框为目标框，黑色框为预测框，灰色框为两者的最小外界矩形框，d表示目标框和真实框的中心点距离，c表示最小外界矩形框的距离。

DIoU的性质：
1、尺度不变性。
2、DIoU Loss可以直接优化2个框直接的距离，比GIoU Loss收敛速度更快。
3、对于目标框包裹预测框的这种情况，DIoU Loss可以收敛的很快，而GIoU Loss此时退化为IoU Loss收敛速度较慢

（4）CIoU

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：

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。
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。

二、Python代码实现：

这里是实现IoU、GIoU、DIoU、CIoU并非实现其Loss。代码如下：
定义框BBox类：

import math
def euclidean_distance(p1, p2):
    '''
    计算两个点的欧式距离
    '''
    x1, y1 = p1
    x2, y2 = p2
    return math.sqrt((x2-x1)**2 +