[YOLOv7/YOLOv5系列算法改进NO.10]损失函数改进为SIOU

人工智能算法研究院

已于 2022-12-04 21:52:08 修改

阅读量1.3w

点赞数 6

分类专栏： YOLO算法改进系列首发创新改进方法文章标签：深度学习人工智能计算机视觉

于 2022-07-02 09:57:53 首次发布

本文链接：https://blog.csdn.net/m0_70388905/article/details/125569509

版权

首发创新改进方法同时被 2 个专栏收录

54 篇文章 75 订阅 ¥179.90 ¥299.90

订阅专栏

超级会员免费看

YOLO算法改进系列

138 篇文章 1438 订阅

订阅专栏

本文介绍了YOLOv5采用SIOU损失函数以解决CIOU损失函数存在的问题，通过Angle cost、Distance cost、Shape cost和IoU cost四个组件优化边界框回归，提高模型收敛速度和检测效果。通过对metrics.py和loss.py的修改实现SIOU损失函数的应用，并展示了改进后的模型在mAP@0.5:0.95上的优势。下期将探讨使用MobileNetV3替换C3主干网络。

摘要由CSDN通过智能技术生成

前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。之前改进为EIOU，有兴趣的朋友可以看看，YOLOv5改进之七：损失函数改进 - 知乎

需要更多程序资料以及答疑欢迎大家关注——微信公众号：人工智能AI算法工程师

解决问题：YOLOv5采用CIOU损失函数，传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即 GIoU、CIoU、ICIoU 等）的距离、重叠区域和纵横比。然而，迄今为止提出和使用的方法都没有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，因为预测框可能在训练过程中“四处游荡”并最终产生更差的模型。针对以上问题，采用SIOU损失函数替换原损失函数。

原理：