目标检测---CIOU原理及代码实现

最新推荐文章于 2025-03-05 09:22:52 发布
置顶 最新推荐文章于 2025-03-05 09:22:52 发布
阅读量1.9w 收藏 72
点赞数 15
分类专栏： 目标检测 目标检测--小细节问题 tensorflow 文章标签： 网络 python 机器学习 深度学习 算法
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/weixin_42206075/article/details/114310041
版权

目标检测—CIOU原理及代码实现

最近刚写完一篇YOLO V4-tiny的blog，其中Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（三）- 损失函数的构建涉及到了CIOU。所以特地单独领出来写一篇blog记录一下。

在YOLO V3中，对于位置的损失函数，使用的还是普通的smooth-l1损失函数，但是到了YOLO V4中，关于位置的损失函数已经变成CIOU了。

一、原理，公式

关于它的原理，在YOLOV4与YOLOV3的区别中已经有了大致的介绍。
在这里插入图片描述

二、优点

相比于IOU的优点：
1.IOU没有考虑到两个框之间的位置信息，如果两个框没有重叠，它的IOU=0，没法进行反向传播。
2.还有一点，就是为什么之前的所有目标检测的网络中没有用iou直接作为损失函数。就是因为对于大小不同的框，iou值相同，但是其重叠程度却不同（说白了，就是对尺度不敏感）。在ciou中，由于有v这个概念，所以就使这种情况不可能再出现（个人理解，不对还请指正）。

三、代码实现

先来看下输入参数：

def box_ciou(b1, b2):
'''输入为：
    b1: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh
    b2: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh
'''

这里，我就用yolo系列的一个yolo head为例：b1和b2的shape=（2,13,13,3,4），其中4表示的是xywh。
第一步：先将输入的进行转换，转化为xyxy格式，其中b1_mins，b1_maxes ，b2_mins ，b2_maxes 的shape=（2,13,13,3,2）

	#   求出预测框左上角右下角
    b1_xy = b1[..., :2]
    b1_wh = b1[..., 2:4]
    b1_wh_half = b1_wh/2.
    b1_mins = b1_xy - b1_wh_half
    b1_maxes = b1_xy + b1_wh_half

    #   求出真实框左上角右下角
    b2_xy = b2[..., :2]
    b2_wh = b2[..., 2:4]
    b2_wh_half = b2_wh/2.
    b2_mins = b2_xy - b2_wh_half
    b2_maxes = b2_xy + b2_wh_half

第二步：计算真实与预测的iou值

	intersect_mins = K.maximum(b1_mins, b2_mins)
    intersect_maxes = K.minimum(b1_maxes, b2_maxes)
    intersect_wh = K.maximum(intersect_maxes - intersect_mins, 0.)
    intersect_area = intersect_wh[..., 0] * intersect_wh[..., 1]
    b1_area = b1_wh[..., 0] * b1_wh[..., 1]
    b2_area = b2_wh[..., 0] * b2_wh[..., 1]
    union_area = b1_area + b2_area - intersect_area
    iou = intersect_area / K.maximum(union_area,K.epsilon())

第三步：计算两个框的中心点的距离（ρ）

    center_distance = K.sum(K.square(b1_xy - b2_xy), axis=-1)

第四步：计算两个框的最小闭包区域的对角线大小（c）

	enclose_mins = K.minimum(b1_mins, b2_mins)
    enclose_maxes = K.maximum(b1_maxes, b2_maxes)
    enclose_wh = K.maximum(enclose_maxes - enclose_mins, 0.0)
    enclose_diagonal = K.sum(K.square(enclose_wh), axis=-1)

第五步：计算α

    ciou = iou - 1.0 * (center_distance) / K.maximum(enclose_diagonal ,K.epsilon())
    v = 4*K.square(tf.math.atan2(b1_wh[..., 0], K.maximum(b1_wh[..., 1],K.epsilon())) - tf.math.atan2(b2_wh[..., 0], K.maximum(b2_wh[..., 1],K.epsilon()))) / (math.pi * math.pi)
    alpha = v /  K.maximum((1.0 - iou + v), K.epsilon())

值得注意的是，v和alpha的shape都是为（2,13,13,3）

第六步：计算最终的ciou，并在最后一维增加一个维度

	ciou = ciou - alpha * v
    ciou = K.expand_dims(ciou, -1)

最终，输出的ciou的shape为（2,13,13,3,1）。

完整代码如下：

import math

import tensorflow as tf
from tensorflow.keras import backend as K
from tensorflow.keras import Input


def box_ciou(b1, b2):
    """
    输入为：
    ----------
    b1: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh
    b2: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh
    返回为：
    -------
    ciou: tensor, shape=(batch, feat_w, feat_h, anchor_num, 1)
    """
    #-----------------------------------------------------------#
    #   求出预测框左上角右下角
    #   b1_mins     (batch, feat_w, feat_h, anchor_num, 2)
    #   b1_maxes    (batch, feat_w, feat_h, anchor_num, 2)
    #-----------------------------------------------------------#
    b1_xy = b1[..., :2]
    b1_wh = b1[..., 2:4]
    b1_wh_half = b1_wh/2.
    b1_mins = b1_xy - b1_wh_half
    b1_maxes = b1_xy + b1_wh_half
    #-----------------------------------------------------------#
    #   求出真实框左上角右下角
    #   b2_mins     (batch, feat_w, feat_h, anchor_num, 2)
    #   b2_maxes    (batch, feat_w, feat_h, anchor_num, 2)
    #-----------------------------------------------------------#
    b2_xy = b2[..., :2]
    b2_wh = b2[..., 2:4]
    b2_wh_half = b2_wh/2.
    b2_mins = b2_xy - b2_wh_half
    b2_maxes = b2_xy + b2_wh_half

    #-----------------------------------------------------------#
    #   求真实框和预测框所有的iou
    #   iou         (batch, feat_w, feat_h, anchor_num)
    #-----------------------------------------------------------#
    intersect_mins = K.maximum(b1_mins, b2_mins)
    intersect_maxes = K.minimum(b1_maxes, b2_maxes)
    intersect_wh = K.maximum(intersect_maxes - intersect_mins, 0.)
    intersect_area = intersect_wh[..., 0] * intersect_wh[..., 1]
    b1_area = b1_wh[..., 0] * b1_wh[..., 1]
    b2_area = b2_wh[..., 0] * b2_wh[..., 1]
    union_area = b1_area + b2_area - intersect_area
    iou = intersect_area / K.maximum(union_area,K.epsilon())

    #-----------------------------------------------------------#
    #   计算中心的差距
    #   center_distance (batch, feat_w, feat_h, anchor_num)
    #-----------------------------------------------------------#
    center_distance = K.sum(K.square(b1_xy - b2_xy), axis=-1)
    enclose_mins = K.minimum(b1_mins, b2_mins)
    enclose_maxes = K.maximum(b1_maxes, b2_maxes)
    enclose_wh = K.maximum(enclose_maxes - enclose_mins, 0.0)
    #-----------------------------------------------------------#
    #   计算对角线距离
    #   enclose_diagonal (batch, feat_w, feat_h, anchor_num)
    #-----------------------------------------------------------#
    enclose_diagonal = K.sum(K.square(enclose_wh), axis=-1)
    ciou = iou - 1.0 * (center_distance) / K.maximum(enclose_diagonal ,K.epsilon())
    
    v = 4*K.square(tf.math.atan2(b1_wh[..., 0], K.maximum(b1_wh[..., 1],K.epsilon())) - tf.math.atan2(b2_wh[..., 0], K.maximum(b2_wh[..., 1],K.epsilon()))) / (math.pi * math.pi)
    alpha = v /  K.maximum((1.0 - iou + v), K.epsilon())
    ciou = ciou - alpha * v

    ciou = K.expand_dims(ciou, -1)
    return ciou

if __name__ == '__main__':
    b1 = Input(shape=(13,13,3,4))
    b2 = Input(shape=(13,13,3,4))
    ciou = box_ciou(b1,b2)

代码转载于： https://blog.csdn.net/weixin_44791964/article/details/107302710?spm=1001.2014.3001.5501

RT-DETR改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU)
Limiiiing的博客
11-13 1066
本文记录的是改进RT-DETR的损失函数，将其替换成。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。，提高检测器在不同检测任务中的性能。实现的。
YOLOv8改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU)
Limiiiing的博客
12-11 734
本文记录的是改进YOLOv8的损失函数，将其替换成。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。，提高检测器在不同检测任务中的性能。实现的。
区分（GIOU、DIOU、CIOU）（正则化、归一化、标准化）
qq_34717531的博客
11-29 805
3、 图x3分类全部是正确的，但是看着这副图片，明显觉得过了，连人妖都区分的出来，可想而知，学习的时候需要更多的参数项，甚至将生殖器官的形状、喉结的大小、有没有胡须特征等都作为特征取用了，总而言之。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。DIoU考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU收敛的更快，中我们使用到的特征非常多(一般而言，机器学习的过程中，很多特征是可以被丢弃掉的)。的N特别的大，因为需要提供的特征多，或者提供的。
IOU GIOU DIOU CIOU 及代码实现
m0_54146002的博客
09-27 667
发展过程： IOU IOU(交并比)顾名思义就是两个框的交集除以他们的并集。 IOU Loss： 或者 IOU Loss = 1 －IOU(比较常用) IOU 的优点： 1.能够很好的反应重合的程度 2.具有尺度不变性 缺点： 当不相交时候loss为0 （IOU Loss = 1 - IOU） GIOU 如图绿色边界框为真实的边界框，红色边界框为网络预测的边界框，蓝色边界框为用最小的矩形把两个边界框给框住。 = 蓝色目标边界框面积。...
认知篇#2：YOLO的那些损失函数：IoU、GIoU、DIoU、CIoU、EIoU、SIoU、WIoU的原理浅析（2）
最新发布
hjs314159的博客
03-05 1168
直接看最后那个公式，简单的说，LIoU上面一横代表的可以理解为IoU的平均值，平均值做分母，L*IoU做分子，那么就可以使损失大的难例得到更多的关注。距离损失跟DIoU的是一样的，ρ代表的依然是AB两框的中心间的距离，c代表的是AB两框最小外接框的对角线长度。从下面看，ρx，ρy跟EIoU的宽损失和高损失很像，代表的就是对宽高的考量。反之，用一个很小的预测框去框一个很大的真实框，框的不完整也不能说是一个完美的检测。简单地说就是它通过引入了一个惩罚项，试图把预测框赶到45°的规定的轨道上，以加速预测的收敛。
CIOU实现及可视化过程【附代码】
z240626191s的博客
06-16 8091
CIOU是IOU的改进版，本文将对CIOU原理进行代码实现，同时附上可视化过程，为的是从代码层面更好的理解、弄懂CIOU具体实现过程，看一下是如何对张量进行操作和求loss的，而不是停留在了解的层面。【IOU的实现过程可以参考我另一篇文章：非极大值抑制(NMS)，采用IOU筛选预测框，进行可视化过程分析【附代码】.........
目标检测中的IOU和CIOU原理讲解以及应用（附测试代码））
哆啦A梦爱学习的博客
08-15 8825
上期讲解了目标检测中的三种数据增强的方法，这期我们讲讲目标检测中用来评估对象检测算法的IOU和CIOU的原理应用以及代码实现。交并比IOU交并比IOU(Interp ov...
【目标检测】IoU、GIoU、DIoU、CIoU、EIoU 5大评价指标
热门推荐
xian0710830114的专栏
12-08 4万+
在目标检测任务中，常用到一个指标IoU，即交并比，IoU可以很好的描述一个目标检测模型的好坏。在训练阶段IoU可以作为anchor-based方法中，划分正负样本的依据；同时也可用作损失函数；在推理阶段，NMS中会用到IoU。同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。
目标检测--边框回归损失函数(IoU, GIoU, DIoU, CIoU)原理详解及代码实现
Gthan
07-12 4814
对目标检测边框回归的IoU, GIoU, DIoU, CIoU损失函数进行原理详解及代码实现
目标检测篇--YOLOv5原理篇
luralying的博客
06-11 1万+
SPPF（空间金字塔），首先通过一个标准卷积将输入通道减半，然后分别做kernel-size为5，9，13的maxpooling（对于不同的核大小，padding是自适应的）。由于实际使用的图片很多图片的长宽比例不同，因此在缩放填充后，两端都会有黑边，如果填充过多，则会存在大量信息冗余，从而影响整个算法的推理速度。例如，images大学为608。在网络训练阶段，模型在初始锚点框的基础上输出对应地预测框，计算与GT框之间的差距，并执行反向更新操作，从而更新网络的参数，因此初始点锚框的设置也非常关键。
YOLOv4 中 CIOU 损失函数深度解析与代码实现
11-30
本文详细阐述了 YOLOv4 中 CIOU 损失函数的定义、原理、代码实现以及在 YOLOv4 中的应用效果。CIOU 损失函数通过综合考虑边界框的交并比、中心距离和宽高比一致性，克服了传统边界框回归损失函数的一些局限性，为 ...
目标检测回归损失函数——IOU、GIOU、DIOU、CIOU
爱做菜的炼丹师
12-25 4277
一、IOU Loss上一篇文章提到L1,L2及其变种只将Bounding box的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。文章链接：https:...
IOU、GIOU、DIOU、CIOU原理及代码介绍
chen_znn的博客
07-04 1664
IOU、GIOU、DIOU、CIOU原理及代码介绍
IOU、GIOU、DIOU、CIOU详解及代码实现
qq_52302919的博客
01-13 1万+
一、IOU Loss 旷视在2016文章《UnitBox: An Advanced Object Detection Network》中提出了IOU Loss将4个点构成的box看成一个整体做回归。 文章链接：https://arxiv.org/pdf/1608.01471.pdf 1. 函数特性 IOU Loss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOU Loss写成1-IOU。如果两个框重合则交并比等于1，Loss为0说明重合度非常高。IOU满足非负性
IoU，GIoU，DIoU、CIoU详解
学着呢
04-06 3768
IoU：使用最广泛的检测框loss。 GIoU：2019年CVPR Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression DIoU和CIoU：2020年AAAI Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression #--------------------------------------
IOU、GIOU、DIOU、CIOU 代码实现
doinv的博客
05-27 272
计算 IoU
IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解
w94ghz的博客
09-11 6943
IOU、GIOU、DIOU、CIOU的学习及代码实现
To_be_little的博客
05-09 4211
什么是IOU 改进的IOU ——GIOU 、DIOU 、CIOU。各种IOU代码如下IOU代码及结果展示
AAAI 2020 | DIoU和CIoU：IoU在目标检测中的正确打开方式
晓飞的算法工程笔记
01-15 2311
论文提出了IoU-based的DIoU loss和CIoU loss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升，实验在YOLOv3上提升了5.91mAP，值得学习 论文:Distance-IoU Loss: Faster and Better Learning for Bounding Box Regr...
在MASK-RCNN中使用的CIOU损失函数代码
05-20
以下是使用CIOU损失函数的MASK-RCNN的代码示例： ```python import tensorflow as tf from tensorflow.keras.losses import Loss def compute_ciou(box1, box2): # 计算两个边界框的IOU x1, y1, w1, h1 = box1[:, 0], box1[:, 1], box1[:, 2], box1[:, 3] x2, y2, w2, h2 = box2[:, 0], box2[:, 1], box2[:, 2], box2[:, 3] area1, area2 = w1 * h1, w2 * h2 x_min, y_min, x_max, y_max = tf.maximum(x1 - w1 / 2, x2 - w2 / 2), \ tf.maximum(y1 - h1 / 2, y2 - h2 / 2), \ tf.minimum(x1 + w1 / 2, x2 + w2 / 2), \ tf.minimum(y1 + h1 / 2, y2 + h2 / 2) intersection, union = tf.maximum((x_max - x_min), 0) * tf.maximum((y_max - y_min), 0), \ tf.maximum((area1 + area2 - intersection), 1e-7) iou = intersection / union # 计算两个边界框的中心点距离 center_distance = tf.square(x1 - x2) + tf.square(y1 - y2) # 计算两个边界框的对角线长度平方 box1_diag, box2_diag = tf.square(w1) + tf.square(h1), tf.square(w2) + tf.square(h2) # 计算CIOU v = 4 * tf.square(tf.math.atan2(w2, h2) - tf.math.atan2(w1, h1)) / (tf.math.pi ** 2) with tf.device('/cpu:0'): alpha = v / (1 - iou + v) ciou = iou - (center_distance / box2_diag) - alpha * (1 - union / (area1 + area2 - union)) return ciou class CIOULoss(Loss): def __init__(self, weight=1.0, **kwargs): super(CIOULoss, self).__init__(**kwargs) self.weight = weight def call(self, y_true, y_pred): box1, box2 = y_true, y_pred ciou = tf.clip_by_value(compute_ciou(box1, box2), clip_value_min=-1.0, clip_value_max=1.0) loss = 1 - ciou loss = tf.reduce_mean(loss) * self.weight return loss ``` 在这里，我们定义了一个`compute_ciou`函数来计算两个边界框的CIOU值，并在`CIOULoss`类中使用该函数来计算CIOU损失。最后，我们将损失乘以权重作为最终的损失。
评论 5
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

打赏作者

进我的收藏吃灰吧~~

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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