YOLOv5涨点必备！改进损失函数EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU

已于 2023-10-21 20:38:00 修改
阅读量3.3k 收藏 59
点赞数 5
分类专栏： YOLO从入门到精通 文章标签： YOLO 人工智能 计算机视觉 机器学习 python
于 2023-10-21 20:36:37 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_53545309/article/details/133965809
版权

目录

一，改进损失函数的作用

二，具体实现

一，改进损失函数的作用

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。

  1. 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。

  2. 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。一般采用平方损失函数或者IOU（交并比）损失函数来衡量边界框的位置偏移，以便模型能够准确地定位目标物体。

  3. 对象置信度损失：该损失函数用于衡量预测框中的对象置信度与真实框中的对象置信度之间的差异。对象置信度表示预测框中是否存在目标物体，它是检测算法中一个关键的指标。通过对对象置信度的损失函数进行优

了解本专栏 订阅专栏 解锁全文 超级会员免费看
今夕是何年，
关注
  • 5
    点赞
  • 踩
  • 59
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
订阅专栏
优化改进YOLOv5算法之添加GIoU、DIoU、CIoU、EIoU、Wise-IoU模块(超详细)
qq_40716944的博客
03-10 6274
IoU 的全称为交并比（Intersection over Union），通过这个名称我们大概可以猜到 IoU 的计算方法。IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值。计算过程如下：其中，绿色面积代表预测框B与真实框A的交集；则显而易见，IOU的值越高也说明预测框与真实框重合程度越高，代表模型预测越准确，反之，IOU越低模型性能越差。
YOLOv5损失函数定义
热门推荐
WZT725的博客
04-01 4万+
YOLOv5的三种损失函数
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
深度学习损失函数新成果！18个突破性方法，让模型更精准、更高效
最新发布
学姐带你玩AI的博客
03-25 2315
解决了交叉熵损失函数在某些场景暴露的一些问题，如偏离评价指标、过度自信等，它源于交叉熵损失函数，能大幅提高 LLM 的微调效果。交叉熵损失函数是最常用的一种损失函数。在机器学习中，它不仅指导着模型的训练过程，影响模型的优化方向，还直接影响到最终模型的泛化能力和实用性，对于实现高效、准确的机器学习模型至关重要。常用的损失函数主要可以分为两大类：分类问题的损失函数和回归问题的损失函数。今天我就从这两大类入手，介绍，每种损失函数都附上了，方便各位学习。论文和代码需要的同学看文末。
目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现
qq_40716944的博客
12-28 2804
IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。
目标检测 YOLOv5 - 损失函数的改进
q1552211的博客
11-02 1609
多标签分类
YOLOv5(PyTorch)目标检测：原理与源码解析
12-07
【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！代码阅读是从基础到提高的必由之路。 YOLOv5是最近推出的轻量且高性能的实时目标检测方法。YOLOv5使用PyTorch实现，含有很多业界前沿和常用的技巧，可以作为很好的代码阅读案例，让我们深入探究其实现原理，其中不少知识点的代码可以作为相关项目的借鉴。 【课程内容与收获】 本课程将详细解析YOLOv5的实现原理和源码，对关键代码使用PyCharm的debug模式逐行分析解读。 本课程将提供注释后的YOLOv5的源码程序文件。   【相关课程】 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793 Windows系统 https://edu.csdn.net/course/detail/30923 《YOLOv5(PyTorch)目标检测：原理与源码解析》https://edu.csdn.net/course/detail/31428 《YOLOv5(PyTorch)目标检测实战：Flask Web部署》https://edu.csdn.net/course/detail/31087 《YOLOv5(PyTorch)目标检测实战：TensorRT加速部署》https://edu.csdn.net/course/detail/32303
YOLOV5损失函数
qq_35326529的博客
12-10 2万+
classification loss 分类损失localization loss 定位损失，预测框和真实框之间的误差confidence loss 置信度损失，框的目标性总损失函数为三者的和 classification loss + localization loss + confidence loss也可以在三个损失前乘上不同的权重系数，已达到不同比重的结果。在yolov5中的置信度损失和分类损失用的是二元交叉熵来做的，而定位损失是用的CIOU Loss来做的在传统的多分类任务中，一般使用的是soft
yolov5 损失函数
李昂的博客
01-02 3908
作为一款尖端、最先进的（SOTA）车型，YOLOv8在之前版本的成功基础上，引入了新的功能和改进，以增强性能、灵活性和效率。当预测边框和真是边框的中心点重合时，DIOU退化成了传统IOU，综合了IOU的面积损失 、和DIOU的中心点损失和自身宽高比损失三种优势。（2）对比IOU损失，L2和Giou具有偏离趋势度量的能力，当IOU=0时，交和不交的损失是一样的，L2和GIOU就不会这样。2、对于网络的3个头的输出匹配正样本，筛选GT和anchor符合条件的高宽比，大于就是正样本反就是负样本。
【目标检测】29、Focal-EIoU：Focal and Efficient IOU Loss for Accurate Bounding Box Regression
呆呆的猫的博客
08-11 4238
在框回归问题中，高质量的 anchor 总是比低质量的 anchor 少很多，这也对训练过程有害无利。的增大，outliers 样本的梯度模值会被很大程度的抑制，高质量样本的梯度模值会降低，这并非期望的结果。为了让 EIoU Loss 更关注高质量样本，可以使用 EIoU loss 来代替上面公式中的 x。如图 4b 所示，Focal L1 Loss 可以提高 inliers 的梯度值，并根据。满足 1 和 2 条件的函数如图 5a 所示，当添加了一个超参数。时，如图 5b 所示，随着。..........
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
Yolov5改进之更改损失函数（EIOU、SIOU）.pdf
11-16
YOLOv5改进-更改损失函数
行人检测+改进yolov5s引入CoT模块+SIOU损失函数+在Crowdhuman大数据集上进行训练得到的模型pt文件
01-16
为了增强行人检测的能力，在原yolov5s的...而SIOU损失函数是一种用于目标检测模型训练的损失函数，它可以帮助模型更准确地预测目标的位置和大小。SIOU损失函数的优点在于它能够更好地处理目标之间的遮挡和重叠。
yolo最新研究论文-基于改进YOLO-v5s的轻量化植物识别模型研究-马宏兴
06-21
引入SIoU函数计算回归损失，解决预测框与真实框不匹配问题；使用深度可分离卷积(Depthwise separable convolution，DSC)减小模型体积。实验结果表明，模型YOLO v5s-CBD在单块Nvidia GTX A5000 GPU 帧率可达140帧/s，...
YOLOv8改进 | 损失函数篇 | 更加聚焦的边界框损失Focaler-IoU、InnerFocalerIoU（二次创新）
Snu77的博客
02-01 2219
本文给大家带来的改进机制是更加聚焦的边界框损失已经我进行二次创新的InnerFocalerIoU同时本文的内容支持现阶段的百分之九十以上的IoU，比如Focaler-IoU、Focaler-ShapeIoU、Innner-Focaler-ShapeIoU包含非常全的损失函数，边界框的损失函数只看这一篇就够了。
[YOLOv7/YOLOv5系列算法改进NO.10]损失函数改进为SIOU
m0_70388905的博客
07-02 1万+
​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。之前改进为EIOU，有兴趣的朋友可以看看，YOLOv5改进之七：损失函数改进 - 知乎解决问题：YOLOv5采用CIOU损失函数，传统的目标检测损失函数依赖于边界框回归指标的聚合。..
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）。
YOLOv5将IOU Loss替换为EIOU Loss
q1552211的博客
05-05 6844
YOLOv5将IOU Loss替换为EIOU Loss
yolov8改进-wise iou
09-03
YoloV8改进策略中的改进之一是将CIoU替换成Wise-IoU，这是一种新的损失函数。 Wise-IoU是一种新的IoU计算方法，可以在目标检测中提供更好的性能。此外，改进还支持EIoU、GIoU、DIoU、SIoU无缝替换，以扩展损失函数的选择。 该改进是基于YoloV8的芒果书系列教程中介绍的。这个系列教程是全网首发的原创改进内容，包含大量的改进方式。YoloV8改进中使用Wise-IoU损失函数取代了CIoU，提供了更高效的涨点效果。其他改进内容还包括注意力机制的损失函数BBR和全新的YOLOv8检测器等。 更多关于YoloV8改进-Wise IoU的细节可以参考作者的原始论文和提供的代码。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [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](https://download.csdn.net/download/qq_40957277/88165137)[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^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [YOLOv8改进损失函数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...](https://blog.csdn.net/qq_38668236/article/details/131002879)[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^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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 2
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
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