损失函数篇 | YOLOv8 引入 Inner-IoU 基于辅助边框的IoU损失

已于 2024-01-16 15:29:44 修改
阅读量2.2k 收藏 5
点赞数 1
分类专栏： YOLOv8改进实战 文章标签： YOLO 人工智能 深度学习 计算机视觉 目标检测
于 2024-01-11 23:17:39 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/135540697
版权

作者导读：Inter-IoU：基于辅助边框的IoU损失

论文地址：https://arxiv.org/abs/2311.02877

作者视频解读：https://www.bilibili.com

开源代码地址：https://github.com/malagoutou/Inner-IoU

在这里插入图片描述

在这里插入图片描述

随着探测器的快速发展，边界框回归（BBR）损失函数不断更新和优化。然而，现有基于IoU的BBR依然专注于通过增加新的损失项来加速收敛，忽略了IoU损失项本身的局限性。尽管理论上IoU损失可以有效描述边界框回归的状态，在实际应用中，它无法根据不同的探测器和检测任务

了解本专栏 订阅专栏 解锁全文
迪菲赫尔曼
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 11
    评论
专栏目录
订阅专栏
损失函数篇 | YOLOv8更换损失函数之CIoU / DIoU / EIoU / GIoU / SIoU / WIoU
突然好想你
03-23 1894
IoU（Intersection over Union）系列损失函数是用于目标检测和语义分割任务中的一种常用损失函数，本节课作者就教大家如何进行该系列损失函数的更换！~🌈
YoloV9改进策略：Loss篇|将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换。
最新发布
m0_47867638的博客
06-03 846
文章目录摘要Wise-IoU 论文翻译摘要简介A. ln−norm损失B.交集/并集C.聚焦机制相关工作A. BBR的损失函数B.带FM的损失函数方法仿真实验B.梯度消失问题的解决方法C.提出的方法实验A.实验设置B.消融实验结论改进方法获取源码测试结果V1版本的测试结果V2版本的测试结果V3版本的测试结果总结 摘要 这篇文章讲述如何在YoloV9中，使用Wise-IoU涨点。首先，翻译了论文，让大家了解什么是Wise IoU，以及Wise IoU的三个版本。接下来讲解如何在YoloV9中添加Wise Io
【AlexeyAB DarkNet框架解析】九，YOLOV3损失函数代码详解(yolo_layer.c)
01-20
前言 前面已经讲完了YOLOV1/V2的损失函数代码解析，今天为大家带来YOLOv3的损失函数解析。YOLOV3的损失函数在YOLOV2的基础上，用多个独立的逻辑回归损失代替了YOLOV2里面的softmax损失，然后去掉了对Anchor在前12800次训练轮次中的回归损失，也即是YOLOV2损失函数的第二项。另外新增了一个ignore_thresh参数来忽略一些和GT box的IOU大于ignore_thresh的预测框的objectness损失。除了以上细节，其它部分和YOLOV2的处理类似。 AlexeyAB的一些更新 除了上面提到的相对于YOLOV2一些基础改动，AlexeyAB大神在
深度学习目标检测新境界：YOLOv8内幕解析与Inner-IoU优化
一直在水些技术小文
11-20 313
通过对YOLOv8的深入研究和对Inner-IoU的独特改进，我们不仅更好地理解了目标检测领域的前沿技术，同时也为实际应用提供了一种性能更为出色的选择。希望这篇文章能够对目标检测领域的研究者和开发者有所启发，激发更多创新和实践。若对Inner-IoU或者YOLOv8有更多疑问或讨论，欢迎在评论区留言，我们共同探讨目标检测技术的未来。
yolo增加Inner-IoU，一文搞定（Inner-SIoU，Inner-WIoU，Inner-EIoU，Inner-MPDIoU）
athrunsunny的博客
11-17 5664
随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。
芒果YOLOv8改进14：多种损失函数IoU 篇：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-22 9121
YOLOv5代码实践｜改进多种主流损失函数
YOLOv8优化：IoU系列篇 |Inner-IoU：基于辅助边框的IoU损失，结合CIoU、SIoU、EIoU、DIoU、GIoU等，2023年11月最新IoU改进
会AI的学姐
11-14 1119
Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU，其引入尺度因子ratio控制辅助边框的尺度大小用于计算损失。
作者导读：Inner-IoU：基于辅助边框的IoU损失
qq_45911380的博客
11-09 3680
摘要—随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。
YOLOv8改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
11-19 5591
本文给大家带来的是YOLOv8最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成 InnerIoU、InnerSIoU、InnerWIoU、等新版本损失函数，同时还结合了Focus和AIpha思想，形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。
目标检测新境界：YOLOv8独家进化，内置MPDIoU和Inner-IoU共振
一直在水些技术小文
11-20 382
通过本文的深度解析，我们详细讨论了YOLOv8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。
YOLOv8改进 | 损失函数篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点
Snu77的博客
01-09 3355
本文给大家带来的改进机制是损失函数的改进机制标题虽然指提到了ShapeIoU和InnnerShapeIoU但是本文的内容包括过去到现在的百分之八十以上的损失函数的实现，同时使用方法非常简单，在本文的末尾还会教大家在改进模型时何时添加损失函数才能达到最好的效果，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家，本文支持的损失函数共有如下图片所示
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
10-23
YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数-CSDN博客.mhtml
yolov8系列--基于YOLOv8的AimBot.zip
02-24
2. **损失函数调整**：为了提升小目标检测能力，YOLOv8可能对损失函数进行了调整，比如引入了IoU（Intersection over Union）改进版，或者使用Focal Loss来减轻类别不平衡问题。 3. **数据增强**：在训练过程中，...
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
总之，YOLOv8通过引入Wise-IoU作为损失函数的一部分，实现了对目标检测性能的显著提升。这种改进不仅增强了模型的定位准确性，还增强了其适应不同目标形状和大小的能力。结合其他IoU变体的支持，YOLOv8成为了一个...
Complex-YOLOv4-Pytorch:本文基于YOLOv4的PyTorch实现
03-18
本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX ...
YOLOv8-训练流程-损失函数
weixin_40723264的博客
06-06 9942
（1）通过YOLOv8-训练流程-正负样本分配的介绍，我们可以知道，经过预处理与筛选的过程得到最终的训练数据：a. 网络输出值：pred_scores[bx8400xcls_num]、pred_bboxes[bx8400x4]b. 训练标签值：
RT-DETR算法优化改进：Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11
11-18 848
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，并与现有的基于IoU （GIoU, DIoU, CIoU，SIoU）损失进行有效结合
YOLOv9改进策略 | 损失函数篇 | InnerIoU、InnerMPDIoU二次创新损失函数助力小目标检测（全网独家首发）
Snu77的博客
03-29 3611
本文给大家带来的改进机制是InnerIoU以及包含其它二次创新的代码InnerCIoU、InnerMPDIoU等一些列利用Inner形成的二次创新损失函数，到此大家可能比较模糊为啥Inner能够和其他损失函数形成二次创新，Inner又是一个什么样的机制，开头这里给大家简单的说一下，假设CIoU的计算需要两个变量分别是A和B，Inner就是一种提取A和B的全新方法 | 替换的是传统的方法（算是比较新颖的方法去年年末提出的一种方法）。(该方法在处理非常小目标的检测任务时表现出良好的性能，但是在其它的尺度检测时也
RT-DETR算法改进：最新Inner-IoU损失函数，辅助边界框回归的IoU损失，提升RT-DETR检测器精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 2415
RT-DETR算法改进 | 最新Inner-IoU损失函数，辅助边界框回归的IoU损失
yolov8替换Inner-IOU
03-27
YOLOv8是一种目标检测算法，而Inner-IOU是YOLOv4中引入的一种改进的IOU计算方法。Inner-IOU的目的是更准确地计算预测框与真实框之间的重叠程度，从而提高目标检测的准确性。 在YOLOv8中，Inner-IOU被替换为GIoU（Generalized Intersection over Union）计算方法。GIoU不仅考虑了预测框和真实框的重叠程度，还考虑了它们之间的边界框大小和位置的差异。通过引入GIoU，YOLOv8可以更好地衡量预测框与真实框之间的相似度，从而提高目标检测的精度。 GIoU的计算公式如下： GIoU = IoU - (C - Union) / C 其中，IoU表示预测框与真实框的交并比，C表示包围两个框的最小闭合矩形的面积，Union表示两个框的并集面积。 通过使用GIoU替换Inner-IOU，YOLOv8可以更准确地评估预测框与真实框之间的重叠程度，从而提高目标检测算法的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 11
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

迪菲赫尔曼

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