YOLOv5改进实战 | 更换损失函数（二）之WIOU篇

已于 2024-04-18 12:28:53 修改
阅读量3.2k 收藏 54
点赞数 3
分类专栏： YOLO改进系列 计算机视觉CV # YOLOv5改进系列 文章标签： YOLO 计算机视觉 人工智能 目标检测
于 2023-09-18 16:36:02 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_45062768/article/details/132816266
版权
本文介绍了YOLOv5版本v7.0中默认使用CIoU损失函数的改进，重点探讨了WIOU（Wise IoU）损失函数的原理和实现。通过修改`ComputeLoss`类的`__call__()`函数，可以将损失函数替换为WIOU的v1、v2或v3版本，以优化目标检测性能。
摘要由CSDN通过智能技术生成

在这里插入图片描述

前言

本文使用的YOLOv5版本为v7.0，该版本为YOLOv5最新版本，默认损失函数采用的是CIoU。若对损失函数IOU、GIOU、DIOU等并不熟悉的同学，可移步：IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解

🚀🚀🚀 YOLOv5改进损失函数系列：

YOLOv5改进实战（1）| 更换损失函数（一）之EIoU、Alpha-IoU、SIoU篇
YOLOv5改进实战（2）| 更换损失函数（二）之WIOU（Wise IoU）篇
YOLOv5改进实战（3）| 更换损失函数（三）之MPDIOU（2023最新IOU）篇
YOLOv5改进实战（6）| 更换损失函数（四）之NWD（小目标检测）篇

目录

一、⭐ 添加损失函数

  1. 更换损失函数主要修改metrics.py文件中的bbox_iou函数
    • 源代码如下：
      def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7):
   # Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)

   # Get the coordinates of bounding boxes
   if xywh:  # transform from xywh to xyxy
       (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
       w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
       b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
       b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_
   else:  # x1, y1, x2, y2 = box1
       b1_x1, b1_y1, b1_x2, b1_y2 = box1.chunk(4, -1)
       b2_x1, b2_y1, b2_x2, b2_y2 = box2.chunk(4, -1)
       w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps
       w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps

   # Intersection area
   inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
           (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

   # Union Area
   union = w1 * h1 + w2 * h2 - inter + eps

   # IoU
   iou = inter / union
   if CIoU or DIoU or GIoU:
       cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # convex (smallest enclosing box) width
       ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # convex height
       if CIoU or DIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1
           c2 = cw ** 2 + ch ** 2 + eps  # convex diagonal squared
           rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # center dist ** 2
           if CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
               v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
               with torch.no_grad():
                   alpha = v / (v - iou + (1 + eps))
               return iou - (rho2 / c2 + v * alpha)  # CIoU
           return iou - rho2 / c2  # DIoU
       c_area = cw * ch + eps  # convex area
       return iou - (c_area - union) / c_area  # GIoU https://arxiv.org/pdf/1902.09630.pdf
   return iou  # IoU
    • 替换成以下代码：
      class WIoU_Scale:
    ''' monotonous: {
            None: origin v1
            True: monotonic FM v2
            False: non-monotonic FM v3
        }
        momentum: The momentum of running mean'''
    
    iou_mean = 1.
    monotonous = False
    _momentum = 1 - 0.5 ** (1 / 7000)
    _is_train = True
 
    def __init__(self, iou):
        self.iou = iou
        self._update(self)
    
    @classmethod
    def _update(cls, self):
        if cls._is_train: cls.iou_mean = (1 - cls._momentum) * cls.iou_mean + \
                                         cls._momentum * self.iou.detach().mean().item()
    
    @classmethod
    def _scaled_loss(cls, self, gamma=1.9, delta=3):
        if isinstance(self.monotonous, bool):
            if self.monotonous:
                return (self.iou.detach() / self.iou_mean).sqrt()
            else:
                beta = self.iou.detach() / self.iou_mean
                alpha = delta * torch.pow(gamma, beta - delta)
                return beta / alpha
        return 1
    
 
def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, SIoU=False, EIoU=False, WIoU=False, Focal=False, alpha=1, gamma=0.5, scale=False, eps=1e-7):
    # Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)
 
    # Get the coordinates of bounding boxes
    if xywh:  # transform from xywh to xyxy
        (x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
        w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
        b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
        b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_
    else:  # x1, y1, x2, y2 = box1
        b1_x1, b1_y1, b1_x2, b1_y2 = box1.chunk(4, -1)
        b2_x1, b2_y1, b2_x2, b2_y2 = box2.chunk(4, -1)
        w1, h1 = b1_x2 - b1_x1, (b1_y2 - b1_y1).clamp(eps)
        w2, h2 = b2_x2 - b2_x1, (b2_y2 - b2_y1).clamp(eps)
 
    # Intersection area
    inter = (b1_x2.minimum(b2_x2) - b1_x1.maximum(b2_x1)).clamp(0) * \
            (b1_y2.minimum(b2_y2) - b1_y1.maximum(b2_y1)).clamp(0)
 
    # Union Area
    union = w1 * h1 + w2 * h2 - inter + eps
    if scale:
        self = WIoU_Scale(1 - (inter / union))
 
    # IoU
    # iou = inter / union # ori iou
    iou = torch.pow(inter/(union + eps), alpha) # alpha iou
    if CIoU or DIoU or GIoU or EIoU or SIoU or WIoU:
        cw = b1_x2.maximum(b2_x2) - b1_x1.minimum(b2_x1)  # convex (smallest enclosing box) width
        ch = b1_y2.maximum(b2_y2) - b1_y1.minimum(b2_y1)  # convex height
        if CIoU or DIoU or EIoU or SIoU or WIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1
            c2 = (cw ** 2 + ch ** 2) ** alpha + eps  # convex diagonal squared
            rho2 = (((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4) ** alpha  # center dist ** 2
            if CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
                v = (4 / math.pi ** 2) * (torch.atan(w2 / h2) - torch.atan(w1 / h1)).pow(2)
                with torch.no_grad():
                    alpha_ciou = v / (v - iou + (1 + eps))
                if Focal:
                    return iou - (rho2 / c2 + torch.pow(v * alpha_ciou + eps, alpha)), torch.pow(inter/(union + eps), gamma)  # Focal_CIoU
                else:
                    return iou - (rho2 / c2 + torch.pow(v * alpha_ciou + eps, alpha))  # CIoU
            elif EIoU:
                rho_w2 = ((b2_x2 - b2_x1) - (b1_x2 - b1_x1)) ** 2
                rho_h2 = ((b2_y2 - b2_y1) - (b1_y2 - b1_y1)) ** 2
                cw2 = torch.pow(cw ** 2 + eps, alpha)
                ch2 = torch.pow(ch ** 2 + eps, alpha)
                if Focal:
                    return iou - (rho2 / c2 + rho_w2 / cw2 + rho_h2 / ch2), torch.pow(inter/(union + eps), gamma) # Focal_EIou
                else:
                    return iou - (rho2 / c2 + rho_w2 / cw2 + rho_h2 / ch2) # EIou
            elif SIoU:
                # SIoU Loss https://arxiv.org/pdf/2205.12740.pdf
                s_cw = (b2_x1 + b2_x2 - b1_x1 - b1_x2) * 0.5 + eps
                s_ch = (b2_y1 + b2_y2 - b1_y1 - b1_y2) * 0.5 + eps
                sigma = torch.pow(s_cw ** 2 + s_ch ** 2, 0.5)
                sin_alpha_1 = torch.abs(s_cw) / sigma
                sin_alpha_2 = torch.abs(s_ch) / sigma
                threshold = pow(2, 0.5) / 2
                sin_alpha = torch.where(sin_alpha_1 > threshold, sin_alpha_2, sin_alpha_1)
                angle_cost = torch.cos(torch.arcsin(sin_alpha) * 2 - math.pi / 2)
                rho_x = (s_cw / cw) ** 2
                rho_y = (s_ch / ch) ** 2
                gamma = angle_cost - 2
                distance_cost = 2 - torch.exp(gamma * rho_x) - torch.exp(gamma * rho_y)
                omiga_w = torch.abs(w1 - w2) / torch.max(w1, w2)
                omiga_h = torch.abs(h1 - h2) / torch.max(h1, h2)
                shape_cost = torch.pow(1 - torch.exp(-1 * omiga_w), 4) + torch.pow(1 - torch.exp(-1 * omiga_h), 4)
                if Focal:
                    return iou - torch.pow(0.5 * (distance_cost + shape_cost) + eps, alpha), torch.pow(inter/(union + eps), gamma) # Focal_SIou
                else:
                    return iou - torch.pow(0.5 * (distance_cost + shape_cost) + eps, alpha) # SIou
            elif WIoU:
                if Focal:
                    raise RuntimeError("WIoU do not support Focal.")
                elif scale:
                    return getattr(WIoU_Scale, '_scaled_loss')(self), (1 - iou) * torch.exp((rho2 / c2)), iou # WIoU https://arxiv.org/abs/2301.10051
                else:
                    return iou, torch.exp((rho2 / c2)) # WIoU v1
            if Focal:
                return iou - rho2 / c2, torch.pow(inter/(union + eps), gamma)  # Focal_DIoU
            else:
                return iou - rho2 / c2  # DIoU
        c_area = cw * ch + eps  # convex area
        if Focal:
            return iou - torch.pow((c_area - union) / c_area + eps, alpha), torch.pow(inter/(union + eps), gamma)  # Focal_GIoU https://arxiv.org/pdf/1902.09630.pdf
        else:
            return iou - torch.pow((c_area - union) / c_area + eps, alpha)  # GIoU https://arxiv.org/pdf/1902.09630.pdf
    if Focal:
        return iou, torch.pow(inter/(union + eps), gamma)  # Focal_IoU
    else:
        return iou  # IoU

二、WIOU

🔥 WIOU 损失函数相关代码可查看wiou

  • 在utils/loss.py中，找到ComputeLoss类中的__call__()函数
    在这里插入图片描述
    ⭐将红框部分替换为以下代码：
    iou = bbox_iou(pbox, tbox[i], WIoU=True, scale=True)  # iou(prediction, target)
if type(iou) is tuple:
    lbox += (iou[1].detach().squeeze() * (1 - iou[0].squeeze())).mean()
    iou = iou[0].squeeze()
else:
    lbox += (1.0 - iou.squeeze()).mean()  # iou loss
    iou = iou.squeeze()
  • WIOU有三个版本，分别是v1 v2 v3，默认使用的是v3版本，可通过更改WIoU_Scale类中的monotonous参数，None表示v1版本，True表示v2版本，False表示v3版本。
    在这里插入图片描述
    在这里插入图片描述
w94ghz
关注
专栏目录
订阅专栏
YOLOv 改进WIoU损失函数：基于动态聚焦机制的边界框回归损失及基于注意力的WIoU损失函数
LgvrApplescript的博客
09-17 326
在本文中，我们提出了一种改进的损失函数，通过引入动态聚焦机制的边界框回归损失和基于注意力的WIoU损失函数，取得了在目标检测任务中的显著性能提升。与传统的CIoU和SIoU损失函数相比，我们的方法在目标检测的准确性方面有了明显的提高。其中，动态聚焦机制的边界框回归损失通过乘以目标的重要性权重来调整损失权重，基于注意力的WIoU损失函数通过乘以目标的注意力权重来调整WIoU的计算方式。下面是我们改进的YOLOv模型中使用的源代码示例，包括动态聚焦机制的边界框回归损失和基于注意力的WIoU损失函数的计算。
YOLOv5改进实战 | 更换损失函数（一）之EIoU、Alpha-IoU、SIoU篇
w94ghz的博客
09-18 8303
yolov5 优化系列（三）：修改损失函数
weixin_50862344的博客
08-23 1万+
yolov5 优化系列（三）：修改损失函数
YOLOV8更改损失函数以及WIoU损失函数报错问题的解决
xi125810的博客
04-20 3066
只需要更改此函数中损失函数的True和False值即可，为True即代表使用该函数，自动返回，注意区分大小写。但是bbox_iou_for_nms会一直报错，所以修改了原来的名字改为它源代码的名字，问题解决。替换的是源代码中的weight下面与if上面的内容，原文的代码是。yolov8中box_iou其默认用的是。#深度学习，#yolo目标检测算法。2.修改WIOU损失函数。1.如何更改损失函数。
YOLOV5代码精读之数据增强（augmentations.py）
最新发布
浩瀚之水的专栏
09-28 1142
YOLOV5中的Mosaic增强是一种有效的数据增强技术，它通过拼接四张图像来丰富数据集、提升训练速度和降低内存需求，同时增强模型对小目标的检测能力。在目标检测任务中，Mosaic增强被广泛应用于提高模型的性能和泛化能力。这段代码的主要功能是对输入图像进行一系列的随机变换，包括仿射变换和透视变换，同时根据变换更新目标框的坐标。这些数据增强方法可以有效提高模型的泛化能力，特别是在计算机视觉任务中，能够增强数据集的多样性，帮助模型更好地适应不同的输入场景。深度学习数据增强方法，透视变换原理以及实例代码详解。
YOLOv5改进 |损失函数 | 替换CIoU损失函数为EIoU【附完整代码 】
kay_545
06-05 1922
yolov5改进，yolov5涨点，yolov5
YOLOv5改进（七）--改进损失函数EIoU、Alpha-IoU、SIoU、Focal-EIOU
qq_44231797的博客
06-25 2248
YOLOv5默认使用损失函数为CIoU，本文主要针对损失函数进行修改，主要将bbox_iou函数进行修改，添加EIoU、Alpha-IoU、SIoU、Focal-IOU等边界框回归损失。
YOLOv5对于损失函数的改进
QT-Smile
03-09 3002
YOLOv5对于损失函数的改进 （1）卷积核的大小改变 （2）步长改变 （3）平均池化（卷积核，步长） （4）最大池化（卷积核，步长） （5）全局平均池化（卷积核，步长） （6）全局最大池化（卷积核，步长） ...
目标检测 YOLOv5 - 损失函数的改进
q1552211的博客
05-05 1689
类别是包含关系的 BCEWithLogitsLoss 可以用于多标签分类的，一个目标可以属于一个或者多个类别，例如一个目标可以是人，男人，儿童，类别存在一种包括关系。 因为BCEWithLogitsLoss = Sigmoid + BCELoss，BCEWithLogitsLoss将Sigmoid加入了损失函数中。Sigmoid概率和不需要是1。 例如sigmoid的计算结果取出一行看示例代码中的输出[0.5100, 0.6713, 0.5025]这个数累加起来不是1，如果定义阈值大于等于0.50。那么这个
YOLOv5改进实战 | 更换损失函数（三）之MPDIOU（2023最新IOU）篇
w94ghz的博客
09-19 8617
YOLOv5改进实战 | 更换损失函数（四）之NWD（小目标检测）篇
w94ghz的博客
10-01 1万+
【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-07 1522
论文地址：论文地址代码地址：代码地址广义IoU（GIoU，Generalized IoU）的计算公式是在标准IoU的基础上进行扩展，加入了对边界框相对位置的补偿。其公式如下：GIoU=IoU−∣C−(A∪B)∣∣C∣ \text{GIoU} = \text{IoU} - \frac{|C - (A \cup B)|}{|C|} GIoU=IoU−∣C∣∣C−(A∪B)∣​其中：具体解释如下：GIoU弥补了IoU在边界框不重叠或重叠很小时无法有效度量边界框相对位置的问题，使得在训练过程中能够更好地优化边界框的
Yolov5改进之更改损失函数（EIOU、SIOU）
qq_46542320的博客
07-06 7282
注意：以EIOU为例，当 EIOU=True，alphaIOU>1时，则损失函数是两者的结合，为 a-eiou。当alphaIOU=1时，则损失函数就是EIOU。推荐up主：一个非常棒的B站up主，都去看！大家也可以尝试着添加其他损失函数。
YOLOv5涨点必备！改进损失函数EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
qq_53545309的博客
10-21 4299
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。
YOLOv9改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量
qq_42591591的博客
09-18 1249
本文记录的是改进YOLOv9的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑GT（Ground Truth）框与预测框之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。
focalloss pytorch
weixin_38241876的博客
11-24 532
class FocalLoss(nn.Module): # Wraps focal loss around existing loss_fcn(), i.e. criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5) def __init__(self, loss_fcn, gamma=1.5, alpha=0.25): super(FocalLoss, self).__init__() self.los.
[YOLOv7/YOLOv5系列算法改进NO.7]损失函数改进
热门推荐
m0_70388905的博客
06-23 2万+
​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。解决问题：YOLOv5采用CIOU损失函数，优点：CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽的loss，这样预测框就会更加的符合真实框。...
在yolov8中更改损失函数
fool996的博客
02-25 6332
之后，打开loss.py函数文件，然后 找到 class BboxLoss(nn.Module): 如图所示
yolo v8 wiou
08-11
关于YOLOv8的WIoU（Weighted IoU）改进，可以关注专栏《YOLOv8改进实战》。该专栏是作者精心设计的最新专栏，随YOLOv8官方项目实时更新。该专栏内容以最新最前沿的改进为主，包含了检测、分类、分割和关键点任务。WIoU是一种在YOLOv8中引入的改进训练策略，用于更准确地计算目标框的重叠度。具体的实现细节和训练方法可以在该专栏中找到。123 #### 引用[.reference_title] - *1* *2* *3* [YOLOv5/v7/v8 的改进点合集导航页](https://blog.csdn.net/weixin_43694096/article/details/124819989)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}} ] [.reference_item] [ .reference_list ]
评论 4
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

w94ghz

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