YOLOv8损失函数篇 | 更换损失函数

SloU

• 论文地址：SloU: More Powerful Learning for Bounding Box Regression
• 提出时间：
• 适用场景：适用于需要高精度边界框对齐的场景，如精细的物体检测和小目标检测。
• 概念：SloU损失通过融入角度考虑和规模敏感性，引入了一种更为复杂的边界框回归方法，解决了以往损失函数的局限性，SloU损失函数包含四个组成部分:角度损失、距离损失、形状损失和第四个未指定的组成部分。通过整合这些方面，从而实现更好的训练速度和预测准确性。

WIoU

• 论文地址：Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism
• 提出时间：
• 适用场景：适用于需要动态调整损失焦点的情况，如不均匀分布的目标或不同尺度的目标检测。

GloU

• 论文地址：Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
• 提出时间：Stanford大学
• 适用场景：适合处理有重叠和非重叠区域的复杂场景，如拥挤场景的目标检测。
• 概念：在loU的基础上考虑非重叠区域，以更全面评估边界框。

DloU

• 论文地址：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression
• 提出时间： 2020天津大学团队
• 适用场景：适用于需要快速收敛和精确定位的任务，特别是在边界框定位精度至关重要的场景。
• 概念：结合边界框中心点之间的距离和重叠区域。

EloU

• 论文地址：Focal and Efficient IOU Loss for Accurate Bounding Box Regression
• 提出时间：中科院提出
• 适用场景：可用于需要进一步优化边界框对齐和形状相似性的高级场景。
• 概念：EloU损失函数的核心思想在于提高边界框回归的准确性和效率。它通过以下几个方面来优化目标检测：

1. 增加中心点距离损失：通过最小化预测框和真实框中心点之间的距离，提高边界框的定位准确性。
2. 考虑尺寸差异：通过惩罚宽度和高度的差异，EloU确保预测框在形状上更接近真实框。
3. 结合最小封闭框尺寸：将损失函数与包含预测框和真实框的最小封闭框的尺寸相结合，从而使得损失更加敏感于对象的尺寸和位置。

EloU损失函数在传统loU基础上增加了这些考量，以期在各种尺度上都能获得更精确的目标定位，尤其是在物体大小和形状变化较大的场景中。

Inner-IoU

• 论文地址：Inner-IoU: More Effective Intersection over Union Loss with Auxiliary Bounding Box
• 提出时间：2023
• 动机：提出了Inner-IoU损失，通过使用辅助边界框来加速回归，而无需添加任何新的损失项。其通过尺度因子ratio控制辅助边框尺寸以计算损失加速收敛，并能够集成至现有基于IoU的损失函数GIoU、DIoU、CIoU、EIoU、SIoU中。
• 引入比例因子控制来生成不同尺度的辅助边界框以计算损失。

自己的数据集效果不是很好。

Focal loss

• 论文地址：Focal Loss for Dense Object Detection
  
• 提出时间： Facebook AI团队
• 概念：提出目标便是解决高低质量样本类别不平衡的问题。
• 适用场景：适用于需要高精度边界框对齐的场景，如精细的物体检测和小目标检测。

使用Focal_xIoU类损失一般都会提升精度。

---

整理不易🚀🚀，关注和收藏后拿走📌📌欢迎留言🧐👋📣✨
快来关注我的公众号🔎AdaCoding 和 GitHub🔎 AdaCoding123