YOLOv5改进系列（17）——更换IoU之MPDIoU（ELSEVIER 2023|超越WIoU、EIoU等|实测涨点）

已于 2023-09-06 09:19:11 修改
阅读量6k 收藏 26
点赞数 9
分类专栏： YOLOv5入门＋实践＋改进 文章标签： YOLO 目标检测 深度学习 计算机视觉 人工智能
于 2023-07-29 21:03:16 首次发布
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_43334693/article/details/131999141
版权
本文介绍了MPDIoU，一种针对目标检测任务的新型损失函数，解决了CIoU在某些情况下的不足。通过最小化预测框与真实框的四个顶点距离，MPDIoU提高了检测精度。实验表明，MPDIoU在PASCAL VOC、MS COCO和IIIT5k数据集上优于现有损失函数。文章详细阐述了MPDIoU的原理，并提供了在YOLOv5中更换MPDIoU损失函数的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

962f7cb1b48f44e29d9beb1d499d0530.gif【YOLOv5改进系列】前期回顾：

YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析

YOLOv5改进系列（1）——添加SE注意力机制

YOLOv5改进系列（2）——添加CBAM注意力机制

YOLOv5改进系列（3）——添加CA注意力机制

YOLOv5改进系列（4）——添加ECA注意力机制

YOLOv5改进系列（5）——替换主干网络之 MobileNetV3

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

YOLOv5改进系列（7）——添加SimAM注意力机制

YOLOv5改进系列（8）——添加SOCA注意力机制

YOLOv5改进系列（9）——替换主干网络之EfficientNetv2

​​​​​​YOLOv5改进系列（10）——替换主干网络之GhostNet

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5改进系列：引入MPDIoU来提升计算机视觉中的目标检测
IbcVue的博客
09-22 233
综上所述，通过引入MPDIoU计算方法，我们可以改进YOLOv5目标检测算法的性能，提高其在计算机视觉任务中的应用效果。然而，IoU在一些情况下存在一些不足之处，例如当目标框之间存在较大的重叠时，IoU无法有效地区分它们。为了解决这个问题，MPDIoU通过引入对目标框边界进行微分的思想，提供了更准确的重叠度计算。接下来，我们计算目标框的尺寸比例，并使用该比例对IoU进行修正，得到MPDIoU。由于MPDIoU考虑了目标框之间的尺寸差异，因此在存在大量重叠的情况下，可以更好地区分不同的目标框。
yolov5使用最新MPDIOU损失函数，有效和准确的边界盒回归的损失，优于GIoU/EIoU/CIoU/EIoU（附代码可用）
qq_42754919的博客
09-18 2678
MPDIOU 能够有效解决重叠和包含问题，并且能够有效地处理预测框和目标框长宽比相同的情况，而且计算量小，模型训练速度快。在数据集上测试和验证，发现能够提升训练精度，并且有效地区分两个目标存在包含的关系的预测框回归，推荐大家使用MPDIOU 进行训练。
基于MPDIoU与InnerMPDIoU的YOLOv8细节捕捉能力优化探讨
最新发布
shrgegrb的博客
02-25 174
通过MPDIoU和InnerMPDIoU的引入，JYOLOv8能够有效提升检测精度，尤其是在处理大规模农业场景中的不规则物体（如害虫、植物等）时，表现出了极大的优势。对于一些目标形态复杂的场景，InnerMPDIoU通过计算框内不同关键点之间的距离，能够更好地处理目标的细微变化和变形，尤其是在目标的部分遮挡或边界不规则时，它的表现更具鲁棒性。与传统的IoU损失函数相比，MPDIoU和InnerMPDIoU都引入了新的优化目标，除了关注目标框的重叠面积，还同时考虑了目标框内部的细节结构和多部分之间的关系。
YoloV5改进实战：使用MPDIoU改进YoloV5
m0_47867638的博客
09-20 3540
MPDIoU（Minimum Point Distance based IoU）是一种用于边界框回归的损失函数，旨在解决现有损失函数在预测边界框与真值边界框具有相同长宽比但宽度和高度的值完全不同时无法有效优化的问题。MPDIoU包含三个关键因素：重叠或非重叠区域、中心点距离以及宽度和高度的偏差。它通过最小化预测边界框和真值边界框之间的点距离来计算IoU，从而简化了计算过程。 将MPDIoU应用于最先进的实例分割（例如YOLACT）和目标检测（例如YOLOv7）模型，并在PASCAL VOC、MS COCO和
YOLOV7改进：更换WIOU，实现无损涨点
2201_76125261的博客
10-04 675
边界盒回归(BBR)的损失函数是目标检测的关键。它的良好定义将为模型带来显著的性能改进。现有的大部分工作都假设训练数据中的样例是高质量的，并着重于增强BBR损失的拟合能力。如果盲目地在低质量样本上加强BBR，将会危及本地化性能。Focal-EIoU v1是为了解决这一问题而提出的，但由于其静态调焦机制(FM)，使得非单调调频的潜力没有得到充分发挥。基于这一思想，我们提出了一种基于iou的动态非单调调频损耗，称为Wise-IoU (WIoU)。
损失函数篇 | YOLOv8 更换损失函数之 MPDIoU | 《2023 一种用于高效准确的边界框回归的损失函数》
热门推荐
YOLOv8项目贡献者
07-30 1万+
MPDIoU 2023 🏅一种用于高效准确的边界框回归的损失函数
复现YOLOv5改进最新MPDIoU:有效和准确的边界盒回归的损失，打败G/E/CIoU，效果明显！！！
qq_44224801的博客
07-27 2414
边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。然而，当预测框与groundtruth盒具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界盒回归损失函数都无法优化。为了解决上述问题，我们充分挖掘了水平矩形的几何特征，提出了一种新的基于最小点距离的边界盒相似度比较度量MPDIoU。
YOLOv5改进实战 | 更换损失函数（三）之MPDIOU（2023最新IOU）篇
w94ghz的博客
09-19 1万+
改进YOLOv5：新的MPDIoU损失函数实现准确有效的边界框回归
CodeHeroicX的博客
09-10 1795
然而，为了进一步提升其性能，研究人员最近提出了一种改进的损失函数——MPDIoU，它在边界框回归方面表现出色，超越了传统的G/IoU损失函数。DIoU是一种用于衡量边界框之间距离的指标，它结合了边界框的位置和尺寸信息，相较于传统的IoU，DIoU能够更准确地度量边界框之间的相似程度。DIoU是一种用于衡量边界框之间距离的指标，它结合了边界框的位置和尺寸信息，相较于传统的IoU，DIoU能够更准确地度量边界框之间的相似程度。相比于传统的G/IoU损失函数，MPDIoU在一些复杂场景下能够取得更好的效果。
YOLOv5改进系列（18）——更换Neck之AFPN（全新渐进特征金字塔|超越PAFPN|实测涨点）
路人贾的博客
08-03 8083
YOLOv5改进系列之更换Neck全新渐进特征金字塔AFPN，超越PAFPN，实测涨点！
YOLOv5改进系列（20）——添加BiFormer注意力机制（CVPR2023|小目标涨点神器）
路人贾的博客
08-11 6097
YOLOv5改进系列之添加BiFormer注意力机制，通过双向路由注意力构建高效金字塔网络架构，CVPR2023，小目标实测涨点神器
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
路人贾的博客
01-24 2498
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
YOLOv5改进系列（27）——添加SCConv注意力卷积（CVPR 2023|即插即用的高效卷积模块）
路人贾的博客
01-17 4833
YOLOv5改进系列（27）——添加SCConv注意力卷积（CVPR 2023|即插即用的高效卷积模块）
YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进【NO.74】改进边框位置回归损失函数（MPDIoU损失函数）
m0_70388905的博客
07-28 1552
全新的损失函数MPDIoU损失函数
YOLOV5改进：更换为MPDIOU,实现有效涨点
2201_76125261的博客
10-04 333
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。2.涨点效果：更换为MPDIOU,实现有效涨点！边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。
改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU
YOLOv8项目贡献者
02-14 7901
所有IoU方式已经通过判断语句实现了融合 新增MPDIoU🍀🍀🍀
YOLOv7独家改进：Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU） | 2023.11
11-15 1460
Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合
目标检测革新：YOLOv5独特优化，融合Inner-MPDIoU与边界框相似度度量
一直在水些技术小文
11-20 313
通过本文的深度解析，我们详细讨论了YOLOv5的独家改进——Inner-MPDIoU和Inner-IoU的引入。这一进化不仅在理论上拓展了目标检测算法的可能性，更通过实例演示展示了在实际应用中取得的优越性能。希望这次技术分享能够激发更多研究者和开发者对目标检测领域的关注和创新。欢迎在评论区分享您的看法和经验，让我们共同见证目标检测技术的不断进步。
涨点技巧：IOU篇---Yolov5/Yolov7引入WIoU，SIoU，EIoU，α-IoU
04-17 2717
IOU篇---Yolov5/Yolov7引入WIoU，SIoU，EIoU，α-IoU ，在多个数据集下验证相比较于YoloV5默认的CIOU确实能够涨点。
使用mpdiou改进yolo
08-12
要使用MPDIoU改进YOLO算法，需要进行以下步骤： 1. 首先，确保已经下载了YOLOv5的代码并完成了配置。 2. 打开YOLOv5代码中的`utils/loss.py`文件。 3. 在`__call__`函数中，找到计算IoU的代码段。 4. 将原来的计算IoU的代码替换为以下代码： ```python iou = bbox_iou(pbox, tbox[i], MPDIoU=True, scale=True) if type(iou) is tuple: if len(iou) == 2: lbox = (iou * iou希望这个改进方法对您有所帮助。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进【NO.74】改进边框位置回归损失函数（MPDIoU损失函数...](https://blog.csdn.net/m0_70388905/article/details/131972031)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *3* [YOLOv5改进系列（17）——更换IoU之MPDIoU（ELSEVIER 2023|超越WIoU、EIoU等|实测涨点）](https://blog.csdn.net/weixin_43334693/article/details/131999141)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 14
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

路人贾'ω'

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