本文提出MPDIoU，一种新的边界框相似度度量，解决了现有损失函数在特定情况下的优化问题。实验证明，MPDIoU在对象检测和实例分割任务中，特别是在YOLACT和YOLOv7模型上，性能优于GIoU、DIoU、CIoU和EIoU。将MPDIoU整合到RT-DETR中，通过修改ultralytics/utils/metrics.py和ultralytics/models/utils/loss.py文件，实现损失函数的改进，提升了小目标和遮挡物的检测性能。
本文改进：MPDIoU新型边界框相似度度量，优化当预测框与真实框具有相同的长宽比，但宽度和高度值完全不同时的问题，大多数（GIoU 、 DIoU 、CIoU 、 EIoU）现有的边界框回归损失函数无法优化
MPDIoU | 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升也能够助力涨点。
RT-DETR魔术师专栏介绍：
https://blog.csdn.net/m0_63774211/category_12497375.html
✨✨✨魔改创新RT-DETR
🚀🚀🚀引入前沿顶会创新，助力RT-DETR
🍉🍉🍉基于ultralytics优化，与YOLO完美结合
1.MPDIoU介绍
论文：
订阅专栏 解锁全文
扫一扫
696
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
