YOLOv8 | 损失函数改进，最新提出的Shape-IoU,有效涨点

已于 2024-08-26 17:24:06 修改
阅读量1.1k 收藏 14
点赞数 23
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO
于 2024-03-19 14:45:08 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_67647321/article/details/136840157
版权
YOLOv8改进有效涨点 专栏收录该内容
116 篇文章 46 订阅 ¥159.90 ¥299.90
订阅专栏
本文分析了目标检测中边框回归的特性，提出Shape-IoU方法，强调边框自身形状与尺度对回归的影响。通过对比实验，证明Shape-IoU能有效提升YOLO系列检测器的性能，特别是在小目标检测任务中。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文
kay_545
关注
专栏目录
订阅专栏
Shape-IoU：考虑边框形状与尺度的度量
m0_47867638的博客
01-04 2673
目标检测是计算机视觉中的基本任务之一，其目标是在图像中定位和识别物体。根据是否生成锚点，目标检测可以分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO系列（You Only Look Once） [2]、SSD（Single Shot MultiBox Detector） [3]和RetinaNet [4]。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 6985
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
作者导读：Shape-IoU：考虑边框形状与尺度的度量
qq_45911380的博客
01-01 6073
作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。
Shape-IoU——综合考量边框形状与尺度的度量
Together_CZ的博客
01-15 1379
Shape-IoU——综合考量边框形状与尺度的度量
损失函数篇 | YOLOv8 引入 Shape-IoU 考虑边框形状与尺度的度量
YOLOv8项目贡献者
01-06 3530
现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。
YOLOv8 损失函数改进 | 引入 Shape-IoU 考虑边框形状与尺度的度量
qq_44224801的博客
01-10 988
- YOLOv8轻松上手，适用技术小白，文章代码齐全，仅需一键train，解决YOLOv8的技术突破和创新潜能。
YOLOv5 损失函数改进 | 引入 Shape-IoU 考虑边框形状与尺度的度量
qq_44224801的博客
01-11 644
YOLOv5 损失函数改进 | 引入 Shape-IoU 考虑边框形状与尺度的度量
【YOLOv10改进-损失函数】Shape-IoU：考虑边框形状与尺度的指标
最新发布
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。
07-04 393
​ 作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。
Shape-IoU: More Accurate Metric considering Bounding Box Shape a
01-06
作为检测定位分支的重要组成部分，边界框回归损失在目标检测任务中起着重要作用。现有的边界框回归方法通常考虑GT框和预测框之间的几何关系，通过相对位置和框形来计算损失，而忽略边界框的固有属性（如边界框的形状和尺寸）对边界框回归的影响。为了弥补现有研究的不足，本文提出了一种关注边界框自身形状和尺寸的边界框回归方法。首先，分析了边界框的回归特性，并发现边界框自身的形状和尺寸因素将对回归结果产生影响。基于上述结论提出了Shape IoU方法，该方法通过关注边界框自身的形状和尺寸来计算损失，从而使边界框回归更准确。最后，通过大量的比较实验验证了Shape-IoU方法，实验结果表明，Shape-IoU可以有效提高检测性能，并超越现有方法，在不同的检测任务中实现最先进的性能。代码：https://github.com/malagoutou/Shape-IoU 论文：https://arxiv.org/pdf/2312.17663.pdf
Shape-IoU: More Accurate Metric considering Bounding Box Shape and Scale
生活如此美好，致敬每一个热爱“热爱”的人！
01-06 1816
​ 作为检测定位分支的重要组成部分，边界框回归损失在目标检测任务中起着重要作用。现有的边界框回归方法通常考虑GT框和预测框之间的几何关系，通过相对位置和框形来计算损失，而忽略边界框的固有属性（如边界框的形状和尺寸）对边界框回归的影响。为了弥补现有研究的不足，本文提出了一种关注边界框自身形状和尺寸的边界框回归方法。首先，分析了边界框的回归特性，并发现边界框自身的形状和尺寸因素将对回归结果产生影响。基于上述结论提出了Shape IoU方法，该方法通过关注边界框自身的形状和尺寸来计算损失，从而使边界框回归更准确。
YOLOv5独家原创改进：提出一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好 | 2023.12.29收录
01-02 1854
对小目标检测涨点明显，在VisDrone2019、PASCAL VOC均有涨点
yolo增加Shape-IoU，完美超越SIoU/EIoU/CIoU
athrunsunny的博客
01-03 5314
作为检测定位分支的重要组成部分，边界框回归损失在目标检测任务中起着重要作用。现有的边界框回归方法通常考虑GT框和预测框之间的几何关系，通过相对位置和框形来计算损失，而忽略边界框的固有属性（如边界框的形状和尺寸）对边界框回归的影响。为了弥补现有研究的不足，本文提出了一种关注边界框自身形状和尺寸的边界框回归方法。首先，分析了边界框的回归特性，并发现边界框自身的形状和尺寸因素将对回归结果产生影响。基于上述结论提出了Shape IoU方法，该方法通过关注边界框自身的形状和尺寸来计算损失，从而使边界框回归更准确。
RT-DETR优化改进：IoU系列篇 | Shape-IoU关注边界框本身的形状和尺度来计算损失 | 2023年12月最新IoU改进
会AI的学姐
01-02 1087
本文改进：提出了一种新颖的Shape-IoU，小目标检测实现涨点，更加关注边界框本身的形状和尺度来计算损失
芒果YOLOv8改进94：损失函数IoU篇之Shape-IoU：考虑边界框形状和比例的更准确的指标
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-03 1480
YOLOv8改进损失函数：考虑边界框形状和比例的更准确的指标
YOLOv8改进：IoU系列篇 | Shape-IoU关注边界框本身的形状和尺度来计算损失 | 2023年12月最新IoU改进
会AI的学姐
01-02 1733
提出了一种新颖的Shape-IoU，小目标检测实现涨点，更加关注边界框本身的形状和尺度来计算损失
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 2409
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
各种IOUloss的pytorch实现
weixin_38241876的博客
11-24 4105
def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # Returns the IoU of box1 to box2. box1 is 4, box2 is nx4 box2 = box2.t() # Get the coordinates of bounding boxes if x1y1x2y2: # x1, y1, x2, y2 = box1 b.
yolov7损失函数改进siou
09-17
根据引用和引用的内容，可以改进Yolov7的损失函数，引入SIoU（Shape Intersection over Union）来提高训练速度和推理准确性。SIoU是一种新的损失函数，考虑了真实框和预测框之间的向量角度，重新定义了相关的损失函数，包含了角度损失、距离损失、形状损失和IoU损失。 具体来说，角度损失衡量了真实框和预测框之间的向量角度差异，距离损失衡量了两个框之间的距离差异，形状损失衡量了两个框之间的形状差异，而IoU损失则衡量了真实框和预测框之间的交集与并集的比例。 通过引入SIoU，并根据具体需求对损失函数进行相应修改，可以改进Yolov7的性能。
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

kay_545

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