YOLOv5全网独家首发：Powerful-IoU更好、更快的收敛IoU，效果秒杀CIoU、GIoU等 | 2024年最新IoU

已于 2024-01-25 19:08:06 修改
阅读量1.1k 收藏 1
点赞数 10
分类专栏： YOLOv5原创自研 YOLOv5/YOLOv7/YOLOv8最新改进大作战 YOLOv5/YOLOv7魔术师 文章标签： YOLO 算法 人工智能 机器学习 计算机视觉
于 2024-01-25 19:07:23 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_63774211/article/details/135827993
版权
YOLOv5/YOLOv7魔术师 同时被 3 个专栏收录
110 篇文章 163 订阅 ¥259.90 ¥399.90
订阅专栏
YOLOv5/YOLOv7/YOLOv8最新改进大作战
102 篇文章 44 订阅 ¥299.90 ¥399.90
订阅专栏
YOLOv5原创自研
92 篇文章 31 订阅 ¥299.90 ¥399.90
订阅专栏
本文介绍了Powerful-IoU，一种结合目标尺寸自适应惩罚因子和锚框质量梯度调节的损失函数，解决了现有IoU损失函数的收敛问题。在YOLOv5中应用Powerful-IoU，通过修改utils/metrics.py和utils/loss.py，提高了目标检测性能。实验结果显示在MS COCO和PASCAL VOC数据集上的平均精度提升。
摘要由CSDN通过智能技术生成

 💡💡💡本文独家改进：Powerful-IoU更好、更快的收敛IoU，是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

💡💡💡MS COCO和PASCAL VOC数据集实现涨点

 
 

收录

YOLOv5原创自研

https://blog.csdn.net/m0_63774211/category_12511931.html

💡💡💡全网独家首发创新（原创），适合paper ！！！

💡💡💡 2024年计算机视觉顶会创新点适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络 ！！！

💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络&

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 10
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
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）。
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
然而，传统的IoU在处理非对称形状或不同大小的目标时存在局限性，因此出现了各种优化版的IoU，如GIoU（Generalized IoU）、DIoU（Distance IoU）、CIoU（Complete IoU）和SIoU（Symmetric IoU）等。 CIoU在DIoU的...
改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU
最新发布
weixin_39818775的博客
08-11 519
本文将深入探讨YOLOv5目标检测模型中常用的IoU损失函数的改进，包括SIoU、EIoU、WIoU、Focal-xIoU以及新兴的MPDIoU。这些改进旨在更准确地衡量预测框与真实框之间的差异，从而提升模型的定位精度。不同的IoU损失函数在不同的场景下具有不同的优势。选择合适的损失函数可以显著提升YOLOv5模型的定位精度。
【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-04 446
边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，我们观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致锚框在回归过程中扩展，并且显著减慢了收敛速度。为解决这一问题，我们深入分析了锚框扩大的原因。为此，我们提出了一种Powerful-IoU（PIoU）损失函数，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整函数。PIoU损失引导锚框沿着高效路径进行回归，比现有基于IoU的损失函数实现了更快的收敛。
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
03-25 540
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
yolov5改进（自用）
m0_67006148的博客
09-26 1522
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
损失函数篇 | YOLOv8更换损失函数之Powerful-IoU（2024年最新IoU）
突然好想你
04-11 878
损失函数是机器学习中用来衡量模型预测值与真实值之间差异的函数。在训练模型时，我们希望通过不断调整模型参数，使得损失函数的值最小化，从而使得模型的预测值更加接近真实值。本节课就重点说下Powerful-IoU损失函数的更换！~🌈
芒果YOLOv5改进75：损失函数篇之 Shape-IoU：元旦假期最新 IoU论文 | 考虑边界框形状和比例的更准确的指标，YOLO性能提升
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-03 1555
YOLOv5改进全新Shape-IoU损失函数：考虑边界框形状和比例的更准确的指标
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
10-23
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
Shape-IoU: More Accurate Metric considering Bounding Box Shape a
01-06
传统的边界框回归方法通常依赖于像IoU（Intersection over Union）、GIoU（Generalized IoU）或CIoU（Complete IoU）这样的指标，这些指标着重于预测框与真实框之间的相对位置和几何关系。然而，这些方法忽视了边界...
YoloV8最新改进手册-高阶篇.pdf
06-19
该文档介绍了如何将CIoU、Wise-IoU以及其他变种如EIoU、GIoU、DIoU、SIoU等应用于YOLOv8中，以提高检测精度。 #### ConvNextV2与YOLOv8的集成 - **ConvNextV2简介**：ConvNextV2是一种基于卷积的神经网络架构，...
YOLOV7-OBB：You Only Look Once OBB旋转目标检测模型在pytorch当中的实现
11-16
3. **损失函数**：传统的二元交叉熵损失和 IoU 损失可能不足以优化OBB模型，因此可能需要设计或采用适用于四边形边界框的损失函数，如GIOU、DIOU或CIOU损失。 4. **训练过程**：使用PyTorch的DataLoader加载预处理...
目标检测算法——助力涨点 | YOLOv5改进结合Alpha-IoU
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
06-22 7104
论文题目：《Alpha-IoU: A Family of Power Intersection over Union Losses for Bounding Box Regression》论文地址：https://arxiv.org/abs/2110.13675v2文中，作者将现有的基于IoU Loss推广到一个新的Power IoU系列 Loss，该系列具有一个Power IoU项和一个附加的Power正则项，具有单个Power参数α。称这种新的损失系列为α-IoU Loss。在多目标检测基准和模型上的实
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 3万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
RT-DETR算法优化改进:Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU
01-26 983
Powerful-IoU更好、更快的收敛IoU，是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
RT-DETR优化改进：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
03-25 237
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
RT-DETR-20240507周更说明|更新Inner-IoU、Focal-IoU、Focaler-IoU等数十种IoU计算方式
深度学习炼丹师，偶尔分享炼丹技术!
05-07 1157
1. 更新IOU：2. 更新inner_iou,使用辅助边框的IoU:3. 更新focaler_iou,更加聚焦的IoU，通过调整d和u的值,使focalerIoU关注的焦点不同回归样本： 4. 更新focal_iou,平衡高质量样本和低质量样本的IoU:6. 更新focal_inner_iou：
YOLOv9-20240507周更说明|更新MobileNetv4等多种轻量化主干
深度学习炼丹师，偶尔分享炼丹技术!
05-13 2401
1. yolov9-iRMB.yaml:CVPR2023即插即用的到残差注意力机制 https://github.com/zhangzjn/EMO/tree/main。2. yolov9-GoldYOLO-Rep4-CD-Lsk.yaml:Goldd YOLO与RepNCSPELAN4_CD_LSK结合。3. yolov9-Bifpn-Rep4-CD-Lsk.yaml:Bifpn与与RepNCSPELAN4_CD_LSK结合。
wise-iou的优点
06-11
WISE-IoU是一种目标检测算法，其优点包括： 1. 对尺度变化和遮挡目标的检测效果较好。WISE-IoU算法采用了多层次的特征融合和多尺度的检测方法，能够有效地解决尺度变化和遮挡目标的检测问题。 2. 检测精度较高。WISE-IoU算法采用了一种基于IoU的目标检测方法，能够有效地提高检测精度，达到较高的检测准确率。 3. 计算速度较快。WISE-IoU算法采用了一种轻量级的网络结构，计算速度较快，适用于一些实时性要求较高的场景。 4. 对于小目标检测效果较好。由于WISE-IoU算法采用了多尺度的检测方法和特征融合的方式，对于小目标的检测效果较好，能够有效地提高小目标的检测率。 5. 具有较好的通用性和泛化性。WISE-IoU算法采用了多尺度的特征融合和多层次的特征提取方法，能够适应不同场景和不同目标的检测需求，具有较好的通用性和泛化性。
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小怪兽

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