芒果YOLOv10改进24：损失函数IoU篇之Wise-IoU：最新YOLOv8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

最新推荐文章于 2025-03-28 09:42:32 发布
最新推荐文章于 2025-03-28 09:42:32 发布
阅读量547 收藏 2
点赞数
分类专栏： 芒果YOLOv10原创改进 文章标签： YOLO 目标检测 人工智能
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/139549824
版权
本文介绍了Wise-IoU损失函数，一种针对YOLOv10的改进，能有效解决梯度消失问题并提高目标检测性能。实测表明，应用Wise-IoU后的YOLOv10模型在多种实验中实现性能提升。文章详细阐述了Wise-IoU的理论和实现，并提供了代码示例。

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

💡只订阅这一个专栏即可阅读：芒果YOLOv10所有改进内容

💡本篇文章 基于 YOLOv10芒果改进：芒果改进YOLOv10系列：首发使用最新Wise-IoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失函数，提出了BBR的基于注意力的损失WIoU函数、打造全新YOLOv10检测器。


在这里插入图片描述

一、Wise-IoU理论部分 + YOLOv10代码实践

边界框回归 (BBR) 的损失函数对于对象检测至关重要。其良好的定义将为模型带来显着的性能提升。大多数现有工作都假

了解本专栏 订阅专栏 解锁全文
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
05-19 427
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
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 4224
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！
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
热门推荐
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。
YOLOv10 的损失函数解析
最新发布
浩瀚之水的专栏
03-28 722
YOLOv10 在 YOLO 系列的演进中进一步优化了任务解耦与动态平衡策略，通过 ​多模态损失融合、自适应样本分配 和 ​轻量化设计，显著提升了检测精度与推理效率。
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
05-28 5997
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
YOLOv10改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
07-09 3108
本文给大家带来的是YOLOv10最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成 InnerIoU、InnerSIoU、InnerWIoU、等新版本损失函数，同时还结合了Focus和AIpha思想形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。
芒果YOLOv8改进28：损失函数IoU篇之Wise-IoU：最新YOLOv8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
06-02 5791
YOLOv8代码实践｜最新WIoU+最新YOLOv8结合，论文实测涨点
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
本篇文章将重点探讨YOLOv8的一个重要改进策略——将原来的Intersection over Union (IoU)度量标准CIoU替换为Wise-IoU，并讨论这种改进如何提高模型性能，同时支持其他IoU变体如EIoU、GIoU、DIoU和SIoU的无缝切换。...
芒果YOLO11改进32：损失函数IoU篇之Wise-IoU：最新YOLOv8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
11-05 251
损失函数IoU篇之Wise-IoU：最新YOLOv8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
YOLOv7性能提升：使用Wise-IoU损失函数
IlgCrystal的博客
09-17 868
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。
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）。
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 4629
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。
Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
qq_52302919的博客
03-31 6235
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。
YOLOv10改进 | 损失函数篇 | YOLOv10引入引MPDIoU, GIoU,DIoU, CIoU, SIoU,EIoU, WIoU, LMPDIoU等损失函数
tsg6698的博客
06-19 1913
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7):的全部代码。1. YOLOv10中添加MPDIoU, GIoU,DIoU, CIoU, SIoU等损失函数的方式。
YOLOv8最新改进系列：优化CIoU为Wise-IoU，助力检测性能再提升，有效提升小目标检测精度！！！遥遥领先！！！！！
B站 Ai学术叫叫兽的文案地
09-10 4927
YOLOv8最新改进系列：优化CIoU为Wise-IoU，助力检测性能再提升，有效提升小目标检测精度！！！遥遥领先！！！！！
YOLOv8改进 | 损失函数篇 | MPDIoU、InnerMPDIoU助力细节涨点（二次创新 + 代码解析）
Snu77的博客
11-25 1万+
本文为读者详细介绍了YOLOv8模型的最新改进，带来的改进机制是最新的损失函数MPDIoU和融合了最新的Inner思想的InnerMPDIoU(效果打爆之前的所有的损失函数)提升检测精度和处理细节方面的作用。通过深入探讨MPDIoU和InnerMPDIoU(全网首发)的工作原理和实际代码实现，本文旨在指导读者如何将这些先进的损失函数技术应用到YOLOv8模型中，以提高其性能和准确性。文章内容涵盖从理论基础、代码实现，到实际教你如何添加本文的机制到你的模型中。
YOLOv10改进 | 损失函数篇 | YOLOv10引入EfficiCLoss损失函数(有效提点)
tsg6698的博客
06-14 2022
尽管CIoU已经取得了显著的成果，但仍有进一步优化的空间，为未来的研究提供了丰富的可能性和挑战。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~因此，为提升定位准确性，研究者们提出了多种创新的回归损失函数。这种组合策略不仅提高了预测框的精度，还加快了回归任务的收敛速度，使得模型在处理具有挑战性的场景时能够表现出更好的性能。
芒果YOLOv10改进27：损失函数IoU篇EfficiCLoss：全网首发最新改进｜结合EfficiCLoss损失函数，小目标强势涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-09 402
YOLOv10改进：损失函数IoU篇EfficiCLoss：全网首发最新改进｜结合EfficiCLoss损失函数，小目标强势涨点
yolov8改进损失函数wise-iou
01-03
### YOLOv8 中改进损失函数 Wise-IOU 的实现方法 #### 1. Wise-IoU 概述 Wise-IoU 是一种新型的边界框损失函数，旨在通过引入动态非单调聚焦机制来改善目标检测中的定位精度。相比传统的 IoU 变体如 CIoU 和 SIoU，Wise-IoU 能够更好地处理不同尺度的目标，并显著提高小目标检测的效果[^2]。 #### 2. Wise-IoU 版本解析 Wise-IoU 存在多个版本，具体如下： - **Wise-IoU v1**: 初步实现了基于距离加权的交并比计算方式。 - **Wise-IoU v2**: 引入了自适应权重调整策略，使得模型能够根据不同场景自动调节参数。 - **Wise-IoU v3**: 结合注意力机制进一步增强了对复杂背景下的鲁棒性[^3]。 #### 3. 在 YOLOv8 中集成 Wise-IoU 为了将 Wise-IoU 集成到 YOLOv8 中，需按照以下步骤操作： ##### 修改 `bbox_iou` 函数 首先需要重定义原有的 `bbox_iou` 函数以支持新的 IoU 计算逻辑。以下是 Python 实现示例： ```python def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, WIoU=True): """ Calculate the Intersection over Union (IoU) between two bounding boxes. Args: ... WIoU (bool): Whether to use Wise-IoU loss function Returns: iou value or wise-iou value based on input parameters """ if WIoU: # Implementing specific logic for Wise-IoU here... pass # Original implementation remains unchanged when not using WIoU ... ``` ##### 更新 `_call_` 方法内的 IoU 计算部分 接着要确保每次调用 IoU 时都能正确识别是否启用 Wise-IoU 并执行相应分支路径： ```python class ComputeLoss(nn.Module): def __init__(self, model, autobalance=False): super().__init__() self.sort_obj_iou = False ... def forward(self, pred, targets): device = targets.device lcls, lbox, lobj = torch.zeros(1, device=device), torch.zeros(1, device=device), torch.zeros(1, device=device) # ... other codes remain same until reaching IOU calculation part... if compute_loss.WIou: tbox = targets[:, 2:6].to(device) * whwh_gain anchors = anchor_wh.to(device).unsqueeze(dim=0) giou = bbox_iou(pred[..., :4], tbox, x1y1x2y2=False, WIoU=True)[..., None] # Apply weights from attention mechanism as described in paper att_weights = get_attention_weights(pred, target_boxes=tbox) weighted_giou = giou * att_weights lbox += ((weighted_giou - 1.0)**2).mean() # Use squared difference instead of direct subtraction else: # Standard GIoU/CIoU computation continues normally without changes ... ``` #### 4. 测试与验证 完成上述修改后，可以通过标准的数据集进行训练和评估，观察 Wise-IoU 对整体性能的影响。特别注意对比之前使用的传统 IoU 类型的结果差异，记录下任何可能存在的优势或劣势[^4]。
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