YOLOv8魔改系列：将CIoU替换成Wise-IoU，飞速涨点

Abstract

Wise-IoU原论文地址：https://arxiv.org/abs/2301.10051

目标框回归（BBR）的损失函数对于目标检测至关重要。良好的定义将显著提高模型的性能。大多数现有工作假设训练数据中的示例是高质量的，并且专注于加强BBR损失的拟合能力。如果盲目地加强低质量示例上的BBR，将会危及定位性能。Focal-EIoU v1被提出来解决这个问题，但由于其静态的聚焦机制（FM），非单调FM的潜力没有得到充分利用。基于这一思想，作者提出了一种基于IoU的损失，带有动态非单调FM，称为Wise-IoU（WIoU）。动态非单调FM使用异常值度量而不是IoU来评估锚框的质量，并提供智慧的梯度增益分配策略。这种策略减少了高质量锚框的竞争力，同时也减少了低质量示例产生的有害梯度。这使得WIoU能够专注于普通质量的锚框，并提高检测器的整体性能。当WIoU应用于最先进的实时检测器YOLOv7时，在MS-COCO数据集上的AP75从53.03%提高到54.50%。代码可从https://github.com/Instinct323/wiou获得。

测试结果

下图显示了训练数据中一些低质量的例子。当一个性能良好的模型为低质量的例子生产高质量的锚箱时，它将产生大的LIoU。如果单调FM分配这些锚盒较大的梯度增益，模型的学习将受到损害。