YOLOv9改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)

一、背景：

• 现有基于IoU的边界框回归方法主要通过添加新的损失项来加速收敛，忽略了IoU损失项本身的局限性，且在不同检测器和检测任务中不能自我调整，泛化性不强。
• 通过分析边界框回归模型，inner_iou论文中发现区分不同的回归样本，并使用不同尺度的辅助边界框来计算损失，可以有效加速边界框回归过程。对于高IoU样本，使用较小的辅助边界框计算损失可加速收敛，而较大的辅助边界框适用于低IoU样本。

本文将YOLOv9默认的CIoU损失函数修改成inner_IoU、inner_GIoU、inner_DIoU、inner_CIoU、inner_EIoU、inner_SIoU。

---

专栏目录：YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进方向

专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！