RT-DETR算法改进损失函数WIoU：结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜目标检测的新损失

已于 2023-11-13 11:51:04 修改
阅读量692 收藏 1
点赞数 1
分类专栏： 芒果RT-DETR算法改进 文章标签： 算法 目标检测 计算机视觉
于 2023-11-13 07:45:00 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/qq_38668236/article/details/134322198
版权
本文介绍了如何在RT-DETR算法中使用Wise-IoU损失函数进行改进，以提升目标检测性能。通过逐步替换CIoU损失并新增相关函数，实现了代码实践，详细解释了每个改进步骤，并提供了网络配置信息。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

💡本篇内容：RT-DETR算法改进：更换损失函数Wise-IoU损失函数

💡本博客 改进源代码改进 适用于 RT-DETR目标检测算法（ultralytics项目版本）

按步骤操作运行改进后的代码即可🚀🚀🚀

💡改进 RT-DETR 目标检测算法专属｜芒果专栏

文章目录

一、Wise-IoU理论部分 + 最新 RT-DETR算法 代码实践改进

在这里插入图片描述

RT-DETR模型架构图显示了骨干网络的最后三个阶段{S3，S4，S5}作为编码器的输入。高效的混合编码器通过尺度内特征交互（AIFI）和跨尺度特征融合模块（CCFM）将多尺度特征转换为图像特征序列。IoU 感知查询选择用于选择固定数量的图像特征作为解码器的初始对象查询。最后，具有辅助预测头的解码器迭代优化对象查询以生成框和置信度分数。

Wise-IoU 损失

了解本专栏 订阅专栏 解锁全文
RT-DETR算法改进：更换损失函数SIoU损失函数，更强大的边界框回归学习，提升RT-DETR检测精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 732
RT-DETR算法改进｜使用SIoU损失函数
【RT-DETR有效改进】SIoU、GIoU、CIoU、DIoU、WIoU等多种损失函数
Snu77的博客
11-28 3355
这篇文章介绍了RT-DETR的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高RT-DETR在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
YOLOv5改进WIoU损失函数：基于最新研究的WIoU损失函数及动态聚焦机制的边界框回归损失
KtMacos的博客
09-21 768
本文提出了一种改进的WIoU损失函数，结合了最新的研究成果，并引入了具有动态聚焦机制的边界框回归损失，以提升计算机视觉中目标检测算法的性能。本文还提供了相应的源代码以供参考。本文针对目标检测算法中的损失函数进行了改进，引入了最新的WIoU损失函数和动态聚焦机制的边界框回归损失。本文提出了一种改进的WIoU损失函数，结合了最新的研究成果，并引入了动态聚焦机制的边界框回归损失。通过实验验证，我们的方法在多个标准数据集上超越了传统的CIoU和SIoU指标，提高了计算机视觉中目标检测算法的性能。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 2万+
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。
芒果YOLOv9改进18：损失函数IoU篇之Wise-IoU：最新YOLOv9结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 421
YOLOv9改进：损失函数IoU篇之Wise-IoU：最新YOLOv9结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失
RT-DETR改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
最新发布
Limiiiing的博客
12-11 977
是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051 源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可： 用于计算各种损失。在内修改如下代码，使模型调用此损失函数。 tal.py中是一些损失函数的功能应用。在内修改如下代码，
RT-DETR算法改进：首发｜最全Loss损失函数集合，包括WIoU、XIoU、SIoU、EfficiLoss、EIoU、DIoU、CIoU、α-IoU多种损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 1367
RT-DETR算法｜改进最全损失函数合集
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
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）。
YOLOv7性能提升：使用Wise-IoU损失函数
IlgCrystal的博客
09-17 864
在YOLOv7的基础上，我们探索了更好的损失函数，即Wise-IoU损失函数，提升了模型的性能。在本文中，我们介绍了一种新型的损失函数——Wise-IoU，并在YOLOv7的基础上进行了优化，提升了模型的性能。我们也分享了使用Wise-IoU损失函数的源代码，希望对使用YOLOv7进行目标检测的开发者有所帮助。实验结果表明，使用Wise-IoU损失函数后的YOLOv7模型在目标检测中具有更高的精度和更快的速度。相较于其他常见的损失函数，如CIoU和GIoU，Wise-IoU在性能上占据了领先的地位。
YOLOV5改进-手把手教你添加WIOU 实测高效涨点
ergouzihzf的博客
03-12 4390
YOLOV5手把手教你添加WIOU，V5版本是使用的6.1的
YOLOv8改进损失函数Wise-IoU：提升目标检测性能的新损失函数
UksApps的博客
09-14 4184
为了进一步提高YOLOv8的性能，研究人员提出了一种改进的损失函数——Wise-IoU，它结合了最新的WIoU（Weighted IoU）损失函数，超越了传统的CIoU（Complete IoU）和SIoU（Smooth IoU）。通过实验验证，Wise-IoU相比传统的CIoU和SIoU损失函数，可以在目标检测任务中取得更好的性能。Wise-IoU不仅考虑了目标之间的相对位置和大小差异，还引入了一种智能权重调整机制，可以自适应地调整权重系数，提高目标检测的灵活性和鲁棒性。希望以上内容对您有所帮助！
WIoU损失函数的原理
m0_46583515的博客
09-20 1万+
Yolov7提出的损失函数是GIoU(Generalized Intersection over Union)，能在更广义的层面上计算IoU(Intersection over Union)，但是当两个预测框完全重合时，不能反映出实际情况，此时GIoU就要退化为IoU，并且GIoU对每个预测框与真实框均要计算最小外接框，故损失函数计算及收敛速度受到限制。WIoU v3作为边界框回归损失，包含一种动态非单调机制，并设计了一种合理的梯度增益分配，该策略减少了极端样本中出现的大梯度或有害梯度。
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
qq_52302919的博客
03-31 6204
一个好的损失函数应该在锚盒与目标盒重合良好时弱化几何因素的惩罚，训练中较少的干预会使模型获得更好的泛化能力。一些飞机的标签是有争议的(下图)，一些选定的飞机缺乏突出的特征，如机身。受益于识别低质量示例的能力，WIoU v3训练的模型对某些类别的精度有了很大的提高。在训练的中后期，WIoU v3会给低质量的锚框分配较小的梯度增益，以减少有害的梯度。同时，针对普通质量的锚框，提高模型的定位性能。是动态的，锚框的质量划分标准也是动态的，这使得WIoU v3可以在每一个时刻做出最符合当前情况的梯度增益分配策略。
Wise-IoU 作者导读：基于动态非单调聚焦机制的边界框损失
热门推荐
荷碧TongZJ 的水文
02-05 4万+
目标检测作为计算机视觉的核心问题，其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分，其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量，致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例，如果一味地强化边界框对低质量示例的回归，显然会危害模型检测性能的提升。Focal-EIoU v1 被提出以解决这个问题，但由于其聚焦机制是静态的，并未充分挖掘非单调聚焦机制的潜能。
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
路人贾的博客
06-20 3万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
【yolo系列：yolov7改进wise-iou】
weixin_47869094的博客
10-07 2311
确定好训练配置后，即可进行性能对比分析，找出哪个版本在实验中取得了明显的提升。
YOLOv5涨点必备！改进损失函数EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
qq_53545309的博客
10-21 4650
YOLOv5损失函数的作用是衡量预测框与真实框之间的差异，并根据这些差异来更新模型的参数。它帮助模型学习如何准确地检测和定位目标物体，从而提高检测的精度和准确性。YOLOv5中的损失函数主要包括三个部分：目标分类损失、边界框坐标损失和对象置信度损失。目标分类损失：该损失函数用于衡量预测框中的目标类别与真实框中的目标类别之间的差异。它使用交叉熵损失函数来计算分类误差，促使模型学习正确地分类各个目标物体。边界框坐标损失：该损失函数用于衡量预测框中的边界框位置与真实框中的边界框位置之间的差异。
【YOLOv5改进系列(2)】高效涨点----Wise-IoU详细解读及使用Wise-IoU(WIOU)替换CIOU
慕溪同学的博客
03-19 1万+
在上一篇文章使用了EIoU、Alpha-IoU、SIoU、Focal-EIOU替换yolov5中默认的CIou损失，发现Focal-EIOU对于钢轨表面缺陷识别的提升效果最好，将map@0.5提升到了81.1%，这节使用Wise-IoU的三个版本(分别是v1、v2、v3)去替换CIOU损失，来观察不同类别的map@0.5变化。其中使用Wise-IoU v1方法将钢轨表面缺陷数据集的map@50从77.9%提升到了86.3%，将近提升了10个百分点。
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

芒果学AI

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