YOLOv8改进：ShapeIoU与InnerShapeIoU损失函数的理论与实践

于 2025-04-22 20:58:22 发布
阅读量612 收藏 27
点赞数 12
分类专栏： YOLO创新涨点系列 文章标签： YOLO python 深度学习 yolov8
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/shrgegrb/article/details/147430768
版权

文章目录

YOLOv8 损失函数概述

YOLOv8 的总损失由定位损失、分类损失、置信度损失及可选的蒸馏损失组成。其中，定位损失采用了 DFL 与 CIoU 结合的方式，继承前代解耦式定位损失的优点，并进一步优化。

ShapeIoU 与 InnerShapeIoU 损失介绍

ShapeIoU 损失

ShapeIoU 是一种改进的 IoU 损失函数，它在传统 IoU 的基础上，引入了形状相似性度量，弥补了传统 IoU 仅关注重叠区域比例而忽略边界框形状差异的不足。其计算公式为：

[ \text{ShapeIoU} = \frac{\text{IoU} + \alpha \cdot \text{ShapeSimilarity}}{1 + \alpha} ]

其中，α 是平衡参数，形状相似性可通过边界框的宽高比差异来计算。

InnerShapeIoU 损失

InnerShapeIoU 进一步扩展了 ShapeIoU 的思想，不仅考虑边界框整体形状，还关注内部区域的形状相似性，对处理复杂形状目标更为重要。其计算公式为：

[ \text{InnerShapeIoU

了解本专栏 订阅专栏 解锁全文
深度解析YOLOv8损失函数改进 | ShapeIoU与InnerShapeIoU助力细节检测精度提升【保姆级】
一键难忘的博客
09-25 2626
ShapeIoU旨在对物体边界的形状进行更好的建模。传统的IoU仅仅计算边界框之间的交集和并集面积，而忽略了物体实际的形状差异。ShapeIoU通过结合物体形状的几何信息，更精确地评估预测框与真实框的匹配程度。ShapeIoUIoU⋅ShapeSimBpredBgtShapeIoUIoU⋅ShapeSimBpred​Bgt​其中，ShapeSimBpredBgtShapeSimBpred​B。
YOLOv8 损失函数改进 | ShapeIoU 与 InnerShapeIoU 助力复杂目标检测精度提升【附保姆级代码】
一键难忘的博客
10-01 2642
分类损失（Classification Loss）：衡量预测类别和真实类别之间的差异。置信度损失（Confidence Loss）：评估预测框与真实框的匹配度。边界框回归损失（Bounding Box Regression Loss）：用于优化预测框的位置和大小，通常使用 IoU（Intersection over Union）或其变种作为评估标准。在 YOLOv8 中，虽然经典的 IoU 损失仍是基础，但其在处理复杂形状目标时存在一定局限。
YOLOv8模型改进——修改损失函数
qq_60131119的博客
03-07 498
【代码】YOLOv8模型改进——修改损失函数。
YOLOv8改进 | 损失函数篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点
走向CTO的路上...
09-23 1441
本篇介绍了YOLOv8模型改进中的最新损失函数：ShapeIoU和InnerShapeIoU。这两个损失函数旨在解决传统IoU损失在处理复杂形状目标时存在的问题，有效提升了YOLOv8模型在目标检测任务上的精度，尤其是对于形状不规则、具有多个凹凸部分的目标。ShapeIoU和InnerShapeIoU损失函数是YOLOv8模型改进中的最新成果，能够有效提升模型对形状不规则、具有多个凹凸部分的目标的检测精度。这些损失函数的引入拓展了YOLOv8的应用场景，并为其他目标检测算法提供了参考和借鉴。
YOLOv8损失函数改进：ShapeIoU与InnerShapeIoU的设计与应用
最新发布
shrgegrb的博客
04-15 1048
在YOLOv8中，除了模型结构的优化外，损失函数的改进也起到了至关重要的作用。传统的IoU（Intersection over Union）损失函数在YOLO系列中被广泛应用，但随着模型精度的提升，传统的IoU损失逐渐显现出一些局限性。传统的IoU仅关注重叠区域的比例，而忽略了边界框的形状差异。InnerShapeIoU（Inner Shape-based Intersection over Union）进一步扩展了ShapeIoU的思想，不仅考虑边界框的整体形状，还关注边界框内部区域的形状相似性。
YOLOv8改进:损失函数改为SIOU、EIOU、WIOU、Focal-IOU、a-IOU
weixin_45303602的博客
10-10 2万+
在机器学习领域，损失函数（Loss Function）是衡量模型预测值和真实值之间差异的函数。在训练期间，模型会尝试最小化损失函数的值，从而提高模型的准确性。通常来说，损失函数的定义方式取决于你要解决的问题类型。例如，在分类问题中，常见的损失函数包括交叉熵损失函数和负对数似然损失函数等；在回归问题中，通常使用均方误差（MSE）损失函数和平均绝对误差（MAE）损失函数等。以分类问题为例，交叉熵损失函数是一种常用的损失函数，通常用来度量模型在分类问题上的性能。
涨点技巧：IOU篇---Yolov8引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
04-17 5473
IOU篇---Yolov8代替默认的CIOU,引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
Yolov8自带IOU方法对接(WIoU，α-IoU，SIoU，EIoU)
牛肉胡辣汤
11-22 1507
YOLOv8自带了多种改进的IOU方法，包括WIoU、α-IoU、SIoU和EIoU等。这些IOU方法通过引入不同的调整和权重机制，提高了目标检测算法的准确性和鲁棒性。在实际应用中，选择合适的IOU方法可以根据不同的数据集和任务需求进行调整，以获得更好的目标检测性能。希望本文对YOLOv8自带的IOU方法有所帮助，并为读者理解目标检测算法的改进提供了参考。当结合实际应用场景时，可以使用以下示例代码来演示在目标检测任务中使用YOLOv8自带的IOU方法。# 计算传统IOUreturn iou。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 2万+
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
YOLOv8改进损失函数Wise-IoU：提升目标检测性能的新损失函数
UksApps的博客
09-14 4144
为了进一步提高YOLOv8的性能，研究人员提出了一种改进的损失函数——Wise-IoU，它结合了最新的WIoU（Weighted IoU）损失函数，超越了传统的CIoU（Complete IoU）和SIoU（Smooth IoU）。通过实验验证，Wise-IoU相比传统的CIoU和SIoU损失函数，可以在目标检测任务中取得更好的性能。Wise-IoU不仅考虑了目标之间的相对位置和大小差异，还引入了一种智能权重调整机制，可以自适应地调整权重系数，提高目标检测的灵活性和鲁棒性。希望以上内容对您有所帮助！
YOLOv8改进 | 引入ShapeIoU与InnerShapeIoU损失函数提升细节检测精度【YOLOv8】
步入烟尘的博客
12-01 890
ShapeIoU旨在对物体边界的形状进行更好的建模。传统的IoU仅仅计算边界框之间的交集和并集面积，而忽略了物体实际的形状差异。ShapeIoU通过结合物体形状的几何信息，更精确地评估预测框与真实框的匹配程度。ShapeIoUIoU⋅ShapeSimBpredBgtShapeIoUIoU⋅ShapeSimBpred​Bgt​其中，ShapeSimBpredBgtShapeSimBpred​B。
Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点
03-15 5821
Yolov7/Yolov5损失函数改进：Wasserstein Distance Loss，助力小目标涨点
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
heromps的博客
07-19 5368
通过综合考虑这些指标的数值，可以评估YOLOv8模型在目标检测任务中的准确性、召回率、速度和边界框质量等性能表现。根据任务需求和实际条件选择最合适的YOLOv8模型和参数配置。
YOLOv8 IoU使用
qq_43471945的博客
12-11 1241
以下代码添加了SIoU=False, EIoU=False, WIoU=False, FocalIoU=False。将以下代码替换上面的代码。以下是YOLOv8自带的IoU种类，为GIoU=False, DIoU=False, CIoU=False。默认使用的是CIoU。IoU使用如下面一行，把CIoU=True改为其他的，如SIoU=True。路径：ultralytics/utils/metrics.py。所以需要把momentum变量设置为需要的版本。loss_iou计算那一行需要改掉。
【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.60】损失函数改进为wiou
m0_70388905的博客
03-16 8057
损失函数更新
芒果YOLOv8改进30：损失函数IoU篇之NWDLoss：即插即用｜YOLOv8小目标检测高效涨点2%，改进用于小目标检测的归一化高斯 Wasserstein Distance Loss，提升小目标
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-27 1万+
代码实践｜YOLOv8改进损失函数NWD Loss：独家更新｜即插即用｜YOLOv8小目标检测高效涨点，超参数合理调试
【2】YOLOv8原理解析：重新定义实时目标检测的速度和精度
YOLOv8项目贡献者
03-28 2万+
YOLOv8原理解析！
yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
热门推荐
qq_34717531的博客
12-15 5万+
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
yolov8分割改进损失函数
02-18
### 改进YOLOv8分割模型的损失函数方法 为了提升YOLOv8分割模型的性能，可以通过引入新的损失函数来优化模型的表现。ShapeIoU和InnerShapeIoU这两种损失函数能够显著改善边界框回归的质量，从而增强目标检测的效果[^1]。 #### ShapeIoU 和 InnerShapeIoU 的作用机制 ShapeIoU专注于形状相似度计算，在处理具有复杂形态的对象时表现出色；而InnerShapeIoU则关注内部区域重叠情况，有助于减少误检率并提高定位精度。两者结合使用可以在不同尺度上提供更加鲁棒的学习信号，促进网络更好地捕捉物体特征。 对于语义分割任务而言，除了上述提到的改进外，还可以考虑采用Dice Loss或Focal Tversky Loss等专门针对像素级分类设计的损失函数： - **Focal Tversky Loss**: 结合了Tversky Index的优点，并加入了focal项以减轻简单样本对梯度更新的影响，使得困难样例得到更多重视。 ```python import torch.nn.functional as F def dice_loss(pred, target): smooth = 1. intersection = (pred * target).sum() union = pred.sum() + target.sum() return 1 - ((2. * intersection + smooth) / (union + smooth)) def focal_tversky_loss(pred, target, alpha=0.7, beta=0.3, gamma=4/3): pt_1 = torch.pow((target*(1-pred)+alpha*beta), gamma) pt_0 = torch.pow(((1-target)*pred+(1-alpha)*(1-beta)), gamma) loss = -(torch.mean(alpha*(target*pt_1)) + torch.mean(beta*((1-target)*pt_0))) return loss ``` 通过实验验证哪种组合最适合自己手头的任务是非常必要的。此外，也可以尝试混合多种损失函数的方式来进行联合训练，以此获得更好的泛化能力[^4]。
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
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