RT-DETR算法优化改进:Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU

最新推荐文章于 2024-10-09 10:40:07 发布
最新推荐文章于 2024-10-09 10:40:07 发布
阅读量1.1k 收藏 3
点赞数 9
分类专栏： RT-DETR魔术师 文章标签： 算法 YOLO 人工智能 机器学习 计算机视觉
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/135857681
版权
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，用于改善RT-DETR的边界框回归。PIoU v2损耗通过非单调注意力层增强对中等质量锚框的聚焦，提高了目标检测器如YOLOv8和DINO的性能。
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

 

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（CVPR2023，ICCV2023等），助力RT-DETR

🍉🍉🍉基于ultralytics优化，与YOLO完美结合

💡💡💡重点：通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！

1.Powerful-IoU介绍

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
专栏目录
订阅专栏
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
03-25 359
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
YOLOv8改进，YOLOv8改进损失函数采用Powerful-IoU（2024年最新IOU），助力涨点
weixin_44779079的博客
09-29 312
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
YOLOv9改进，YOLOv9损失函数更换为Powerful-IoU（2024年最新IOU），助力高效涨点
weixin_44779079的博客
09-16 450
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，观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致回归过程中锚框扩展，并显著减缓收敛速度。为了解决这个问题，深入分析了锚框扩展的原因。针对这个问题，提出了一种新的Powerful-IoU（PIoU）损失函数，该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节函数。PIoU损失引导锚框沿着高效路径回归，收敛速度比现有基于IoU的损失函数更快。此外，还研究了聚焦机制，并引入了一种非单调注意力层。
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
01-25 1336
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
YOLOv10改进，YOLOv10损失函数更换为Powerful-IoU（2024年最新IOU），助力高效涨点
weixin_44779079的博客
09-16 797
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
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
03-25 819
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
【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 1035
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。
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 1272
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！~🌈
RT-DETR算法优化改进：解决rt-detr无法打印计算量（GFLOPs）的问题点
12-28 1783
本文内容：解决rt-detr无法打印计算量的问题点；本文提供：1）训练阶段自动打印计算量；2）提供离线打印计算量的代码；
RT-DETR算法优化改进:更加聚焦的IoU损失Focaler-IoU，二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等 | 2024年最新IoU
01-26 536
更加聚焦的IoU损失Focaler-IoU，能够在不同的检测任务中聚焦不同的回归样本，使用线性区间映射的方法来重构IoU损失
RT-DETR算法优化改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点
01-05 2453
一种新的Shape IoU方法结合 Inner-IoU，基于辅助边框的IoU损失的同时，更加关注边界框本身的形状和尺度来计算损失
YOLOv7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
01-25 980
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
YOLOv11改进，YOLOv11改进损失函数采用Powerful-IoU：自适应惩罚因子和基于锚框质量的梯度调节函数（2024年最新IOU）
weixin_44779079的博客
10-09 321
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
YOLOv10真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
05-27 5707
真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
DETR类型检测网络实验2---优化测试
zwhdldz的博客
05-05 373
Anchor-DETR提出用预定义的参考点生成query_pos;
【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-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 1340
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 2699
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。
芒果YOLOv8改进100：损失函数IoU篇之PIoU Loss：PIoU v2损失增强了专注于中等质量锚盒的能力，v1版本使用非单调聚焦机制更直接、更快的边界框回归损失
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-20 1022
YOLOv8改进PIoU损失函数：PIoU损失增强了专注于中等质量锚盒的能力
parser.add_argument('--iou-eval', action='store_true', help='Compute success based on IoU metric.') 怎么设置默认--iou-eval
最新发布
10-16
这个Python代码片段是在处理命令行参数时使用的，它来自argparse库，是一个用于解析命令行选项的工具。`parser.add_argument('--iou-eval', action='store_true', help='Compute success based on IoU metric.')`这部分定义了一个名为`--iou-eval`的命令行开关，如果用户在运行程序时提供了这个标志（如`python my_script.py --iou-eval`），那么它的值会被设置为True，表示会基于IoU（Intersection over Union）指标计算成功。 如果你想设置这个标志的默认值，即如果没有用户显式提供该标志，则它应该为False，你可以直接在添加参数时设定默认值： ```python parser.add_argument('--iou-eval', action='store_true', default=False, help='Compute success based on IoU metric.') ``` 现在，如果没有用户指定`--iou-eval`，则默认情况下不会使用IoU评估。
评论 3
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