【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失

YOLOv10目标检测创新改进与实战案例专栏

改进目录: YOLOv10有效改进系列及项目实战目录：卷积，主干 注意力，检测头等创新机制

专栏链接: YOLOv10 创新改进有效涨点

介绍

摘要

边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，我们观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致锚框在回归过程中扩展，并且显著减慢了收敛速度。为解决这一问题，我们深入分析了锚框扩大的原因。为此，我们提出了一种Powerful-IoU（PIoU）损失函数，结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调整函数。PIoU损失引导锚框沿着高效路径进行回归，比现有基于IoU的损失函数实现了更快的收敛。此外，我们探索了聚焦机制，并引入了与PIoU结合的非单调注意力层，形成了新的损失函数PIoU v2。PIoU v2损失增强了对中等质量锚框的聚焦能力。通过将PIoU v2集成到诸如YOLOv8和DINO等流行的目标检测器中，我们在MS COCO和PASCAL VOC数据集上提高了平均精度（AP），改进了性能，验证了我们提出的改进策略的有效性。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

Powerful-IoU (PIoU) loss是一种用于目标检测中bounding box回归的损失函数，旨在解决anchor box在回归过程中膨胀的问题，并提供更快的收敛速度。以下是关于PIoU以及PIoU v2的详细介绍：

1. PIoU：

   • 动机：PIoU的设计初衷是解决现有IoU-based损失函数存在的问题，如anchor box膨胀、收敛速度慢等。通过引入适应目标大小的惩罚因子和非单调的注意力机制，PIoU旨在提高回归的效率和准确性