YOLOv8 损失函数改进 | 引入 Shape-IoU 考虑边框形状与尺度的度量

已于 2024-01-11 20:41:02 修改
阅读量730 收藏 7
点赞数 10
分类专栏： YOLOv8改进宝典 文章标签： YOLO
于 2024-01-10 21:27:49 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_44224801/article/details/135490589
版权
YOLOv8改进宝典 专栏收录该内容
39 篇文章 9 订阅 ¥119.90 ¥99.00
订阅专栏

🗝️改进YOLOv8注意力系列一：结合ACmix、Biformer、BAM注意力机制


  本文提供了改进 YOLOv8注意力系列包含不同的注意力机制以及多种加入方式，在本文中具有完整的代码和包含多种更有效加入YOLOv8中的yaml结构，读者可以获取到注意力加入的代码和使用经验，总有一种适合你和你数据集。
请添加图片描述

🗝️YOLOv8实战宝典--星级指南：从入门到精通，您不可错过的技巧

  -- 聚焦于YOLO的 最新版本， 对颈部网络改进、添加局部注意力、增加检测头部，实测涨点

💡 深入浅出YOLOv8：我的专业笔记与技术总结

  -- YOLOv8轻松上手，
了解本专栏 订阅专栏 解锁全文
一休哥※
关注
  • 10
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码)
前端路上有你有我！
01-30 4848
​ 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。
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
10-23
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
目标检测中预测框回归优化IOU、GIOU、DIOU、CIOU、EIOU（二）
浅汐入梦的博客
04-08 5882
无，懒......
IoU、GIoU、DIoU、CIoU损失函数的那点事儿
zandaoguang的博客
05-31 5215
公众号关注“视学算法”设为 “星标”，DLCV消息即可送达！来自 | 知乎作者 | Errorhttps://zhuanlan.zhihu.com/p/9479...
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 1308
YOLOv8改进损失函数：考虑边界框形状和比例的更准确的指标
【RT-DETR有效改进】ShapeIoU、InnerShapeIoU关注边界框本身的IoU(包含二次创新)
Snu77的博客
01-16 1540
本文给大家带来的改进机制是ShapeIoU其是一种关注边界框本身形状和尺度的边界框回归方法（IoU），同时本文的内容包括过去到现在的百分之九十以上的损失函数的实现，使用方法非常简单，在本文的末尾还会教大家在改进模型时何时添加损失函数才能达到最好的效果，以下为修改了我的调参结果训练的结果图像。官方链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR。专栏以ResNet18、ResNet50为基础修改版本，同时修改内容也支持ResNet32、ResNet101和PPHGNet版本，
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 2722
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。
Shape-IoU——综合考量边框形状与尺度的度量
Together_CZ的博客
01-15 994
Shape-IoU——综合考量边框形状与尺度的度量
YOLOv8改进 | 损失函数篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点
Snu77的博客
01-09 2566
本文给大家带来的改进机制是损失函数的改进机制标题虽然指提到了ShapeIoU和InnnerShapeIoU但是本文的内容包括过去到现在的百分之八十以上的损失函数的实现，同时使用方法非常简单，在本文的末尾还会教大家在改进模型时何时添加损失函数才能达到最好的效果，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家，本文支持的损失函数共有如下图片所示
Shape-IoU：考虑边框形状与尺度的度量
AI浩
01-07 1083
作为检测器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发挥着重要作用。现有的边界框回归方法通常考虑真实框（GT box）与预测框之间的几何关系，并使用边界框的相对位置和形状来计算损失，而忽略了边界框的固有属性（如形状和尺度）对边界框回归的影响。为了弥补现有研究的不足，本文提出了一种专注于边界框本身形状和尺度的边界框回归方法。首先，我们分析了边界框的回归特性，发现边界框本身的形状和尺度因素会对回归结果产生影响。
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
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
【AlexeyAB DarkNet框架解析】九，YOLOV3损失函数代码详解(yolo_layer.c)
01-20
YOLOV3的损失函数在YOLOV2的基础上，用多个独立的逻辑回归损失代替了YOLOV2里面的softmax损失，然后去掉了对Anchor在前12800次训练轮次中的回归损失，也即是YOLOV2损失函数的第二项。另外新增了一个ignore_thresh...
Shape-IoU: More Accurate Metric considering Bounding Box Shape a
01-06
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...
YOLOv8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 _.html
01-31
YOLOv8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 _.html
Yolov5简单部署（使用自己的数据集）
omit250的博客
04-29 789
YOLOv5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。与以往的版本相比，YOLOv5具有更快的速度和更高的准确性。YOLOv5是一个开源项目，它在各种场景下都取得了很好的效果，包括。设置环境变量 ：D:\ProgramData\miniconda3\condabin\conda.bat。更新 pip ：python -m pip install --upgrade pip。大佬的文章（侵权请联系，马上删除），做的工作为。pip 清华源 -i。
目标检测算法YOLOv3简介
最新发布
网络资源是无限的
05-01 679
目标检测算法YOLOv3简介
【YOLO改进】换遍IoU损失函数之SIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-29 514
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用SIoU损失函数替换YOLO中常用的CIoU损失函数。
【YOLO改进】换遍IoU损失函数之DIoU Loss（基于MMYOLO）
Vlone_pp的博客
04-30 632
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用DIoU损失函数替换YOLO中常用的CIoU损失函数。
yolov8添加损失函数
08-27
Yolov8是一种目标检测算法，它使用了一种特殊的损失函数，称为YOLO损失函数。YOLO损失函数由三个部分组成：目标检测损失、分类损失和位置损失。 目标检测损失（Object Detection Loss）衡量了模型对目标的检测能力。它使用Binary Cross-Entropy Loss来衡量预测的目标框与实际目标框之间的相似度。 分类损失（Classification Loss）用于衡量模型对目标类别的分类能力。它使用Cross-Entropy Loss来计算预测类别与真实类别之间的差异。 位置损失（Localization Loss）用于衡量目标框的位置精度。通常使用均方差（MSE）来计算预测框与真实框之间的距离。 综合起来，YOLO损失函数可以表示为： Loss = λ_obj * Object Detection Loss + λ_cls * Classification Loss + λ_loc * Localization Loss 其中，λ_obj、λ_cls和λ_loc是用于平衡不同损失项的权重参数，需要根据具体问题进行调整。 在训练过程中，通过反向传播算法将损失函数的梯度传播到网络中，从而更新模型参数以提高检测性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

一休哥※

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