YOLOv8改进，YOLOv8改进损失函数采用Powerful-IoU（2024年最新IOU），助力涨点

已于 2024-09-30 02:03:18 修改
阅读量1k 收藏 4
点赞数 1
分类专栏： YOLOv8/v11改进 文章标签： YOLO 计算机视觉 目标检测 人工智能 python 深度学习
于 2024-09-29 18:01:07 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_44779079/article/details/142640172
版权

在这里插入图片描述

摘要

边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致回归过程中锚框扩展，并显著减缓收敛速度。为了解决这个问题，深入分析了锚框扩展的原因。针对这个问题，提出了一种新的Powerful-IoU（PIoU）损失函数，该函数结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数。PIoU损失引导锚框沿着高效路径回归，收敛速度比现有基于IoU的损失函数更快。此外，还研究了聚焦机制，并引入了一种非单调注意力层，与PIoU结合形成了新的损失函数PIoU v2。PIoU v2损失增强了对中等质量锚框的聚焦能力。

Powerful-IoU介绍

物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
在这里插入图片描述
现有的基于IoU的损失函数在回归过程中首先增加锚框的尺寸以达到与目标框的重叠，即使锚框的面积已经大于目标框的面积。这种回归方式复杂且缓慢，需要更多轮次才能收敛。此外，它们的惩罚项包含不合理的成分，不能准确反映锚框和目标框之间的差异。它们没有充分考虑目标尺寸，在某些情况下可能会出现退化。为了解决锚框增大等问题，提出了一个具有尺寸自适应性的惩罚因子，引导锚框直接高效地回归。将这个惩罚因子与一个根据锚框质量调整梯度的函数相结合，得到一个新的基于 IoU 的损失，称为 Powerful-IoU (PIoU) 损失。PIoU 损失直接最小化锚框的四个边缘与目标框相应边缘之间的距离。因此在YOLOv10中将原始的损失替换为Powerful-IoU，实现更快的收敛速度和更高的准确率。

理论详解可以参考链接：论文地址
代码可在

了解本专栏 订阅专栏 解锁全文
损失函数篇 | YOLOv8更换损失函数之Powerful-IoU（2024年最新IoU）
突然好想你
04-11 1900
损失函数是机器学习中用来衡量模型预测值与真实值之间差异的函数。在训练模型时，我们希望通过不断调整模型参数，使得损失函数的值最小化，从而使得模型的预测值更加接近真实值。本节课就重点说下Powerful-IoU损失函数的更换！~🌈
芒果YOLOv8改进100：损失函数IoU篇之PIoU Loss：PIoU v2损失增强了专注于中等质量锚盒的能力，v1版本使用非单调聚焦机制更直接、更快的边界框回归损失
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-20 1297
YOLOv8改进PIoU损失函数：PIoU损失增强了专注于中等质量锚盒的能力
【YOLOv8改进损失函数】用于目标检测的边界框回归损失函数 Powerful-IoU（PIoU）及其改进版本 PIoU v2（含源代码）
最新发布
wzk4869的博客
03-17 677
【YOLOv8改进损失函数】用于目标检测的边界框回归损失函数 Powerful-IoU（PIoU）及其改进版本 PIoU v2（含源代码）
YOLOv8全网独家首发：Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU
01-25 3015
Powerful-IoU更好、更快的收敛IoU，是一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数
YOLOv8改进 | 融合篇，YOLOv8改进主干网络为MobileNetV4+CBAM注意机制+Powerful-IoU损失函数(2024 最新IOU)，全网首发，实现极限涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-29 2289
本文将在 YOLOv8 主干中引入 MobileNetV4 轻量化骨干，同时，在检测头引入 CBAM机制注意力机制，并采用 Powerful-IoU 损失函数作为模型的损失函数，其中，MobileNetV4 通过引入通用反向瓶颈(UIB)搜索块和 Mobie MQA 注意力模块创新设计，实现了模型的轻量级化；同时，MobileNetV4 采用了优化的 NAS 策略，通过粗粒度和细粒度搜索相结合的方法，显著提高了搜索效率并改善了模型质量。
YOLOv8改进，YOLOv8改进损失函数采用Inner-IoU，一文构建Inner-SIoU，Inner-GIoU，Inner-DIoU，Inner-CIoU，Inner-MDPIoU全文最详细教程
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
11-12 3144
Inner-IoU引入辅助边界框，通过缩放因子生成不同大小的辅助边界框计算损失。小比例的辅助边界框适用于高 IoU 样本，有助于加快收敛，而大比例的辅助边界框适用于低 IoU 样本。Inner-IoU 流程如图所示（图摘自论文）：作者通过将 ratio 值设置 0.7 到 0.8 之间小于 1，产生小于实际边框的辅助边框。实验结果证明其能够对高 IoU 样本产生增益。一文构建Inner-SIoU，Inner-GIoU，Inner-DIoU，Inner-CIoU，Inner-MDPIoU全文最详细教程
YOLOv8独家改进：IoU系列篇 | Powerful-IoU更加聚焦锚框的新型IoU，快速收敛 | 2024年最新IoU
会AI的学姐
03-25 1127
Powerful-IoU更加聚焦锚框的新型IoU，快速收敛,一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数
【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-04 2134
边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，我们观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致锚框在回归过程中扩展，并且显著减慢了收敛速度。为解决这一问题，我们深入分析了锚框扩大的原因。为此，我们提出了一种Powerful-IoU（PIoU）损失函数，结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调整函数。PIoU损失引导锚框沿着高效路径进行回归，比现有基于IoU的损失函数实现了更快的收敛。
YOLOv10改进，YOLOv10改进损失函数为Powerful-IoU（2024年最新IOU），助力高效涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-16 1781
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
YOLOv9改进，YOLOv9损失函数更换为Powerful-IoU（2024年最新IOU），助力高效涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-16 995
边界框回归（BBR）是目标检测中的核心任务之一，BBR损失函数显著影响其性能。然而，观察到现有基于IoU的损失函数存在不合理的惩罚因子，导致回归过程中锚框扩展，并显著减缓收敛速度。为了解决这个问题，深入分析了锚框扩展的原因。针对这个问题，提出了一种新的Powerful-IoU（PIoU）损失函数，该函数结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数。PIoU损失引导锚框沿着高效路径回归，收敛速度比现有基于IoU的损失函数更快。此外，还研究了聚焦机制，并引入了一种非单调注意力层。
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-06 3万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
芒果YOLOv7改进59：PIoU损失函数篇：PIoU v2损失增强了专注于中等质量锚盒的能力，v1版本使用非单调聚焦机制更直接、更快的边界框回归损失
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-20 985
YOLOv7改进PIoU损失函数：PIoU损失增强了专注于中等质量锚盒的能力
Yolov8自带IOU方法对接(WIoU，α-IoU，SIoU，EIoU)
牛肉胡辣汤
11-22 1531
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。
转载：YOLOv8改进全新Inner-IoU损失函数：扩展到其他SIoU、CIoU等主流损失函数，带辅助边界框的损失
wuling129的专栏
11-16 4534
目标检测是计算机视觉中的基本任务，包括目标分类和定位。边界框回归损失函数是检测器定位分支的重要组成部分，检测器的定位精度在很大程度上取决于边界框回归，在当前的检测器中发挥着不可替代的作用。在BBR中，IoU损失可以准确描述预测边界框与GT框之间匹配的程度，确保模型在训练过程中可以学习到目标的位置信息。作为现有主流边界框回归损失函数的基本部分，IoU定义如下：B和分别代表预测框和GT框。定义IoU之后，相应的损失可以定义如下：至今，基于IoU的损失函数逐渐成为主流并占据主导地位。
YOLOv9改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS
Limiiiing的博客
09-13 1884
传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv9默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。
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 | 损失函数篇 | 2024高质量的目标检测边界框回归损失Unified-IoU、FocalUIoU、FocalInvUIoU（设置动态epoch参数）
Snu77的博客
10-11 3429
本文给大家带来的改进机制是最近新提出的高质量的目标检测边界框回归损失Unified-IoU，其通过动态调整模型对不同质量预测框的关注，优化目标检测中的边界框回归精度。UIoU引入了FocalBox方法，通过缩放预测框与真实框分配权重，并采用了退火策略（引入动态参数epoch），逐渐将模型的注意力从低质量预测框转移到高质量预测框，平衡了训练速度与检测精度。其还有一定的解决样本不平衡问题，同时该损失函数可以和现有的任何边界框回归损失函数进行结合，例如ShapeIoU和其结合可以形成二次创新，它是一种类似于之前
YOLOv8改进 | 损失篇 | VarifocalLoss密集目标检测专用损失函数
走向CTO的路上...
09-24 1282
VarifocalLoss（VFLoss）是一种专为密集目标检测场景设计的损失函数，由旷视科技提出并于2020年发表在《CVPR》上。相较于传统的交叉熵损失函数，VarifocalLoss能够更好地处理密集目标场景中的难易样本不平衡问题，提高目标检测模型的精度和鲁棒性。VarifocalLoss是一种有效的密集目标检测损失函数，能够提高模型的精度和鲁棒性。VarifocalLoss已被广泛应用于各种商业产品中，并取得了良好的效果。
yolov8改进损失函数wise-iou
01-03
### YOLOv8 中改进损失函数 Wise-IOU 的实现方法 #### 1. Wise-IoU 概述 Wise-IoU 是一种新型的边界框损失函数，旨在通过引入动态非单调聚焦机制来改善目标检测中的定位精度。相比传统的 IoU 变体如 CIoU 和 SIoU，Wise-IoU 能够更好地处理不同尺度的目标，并显著提高小目标检测的效果[^2]。 #### 2. Wise-IoU 版本解析 Wise-IoU 存在多个版本，具体如下： - **Wise-IoU v1**: 初步实现了基于距离加权的交并比计算方式。 - **Wise-IoU v2**: 引入了自适应权重调整策略，使得模型能够根据不同场景自动调节参数。 - **Wise-IoU v3**: 结合注意力机制进一步增强了对复杂背景下的鲁棒性[^3]。 #### 3. 在 YOLOv8 中集成 Wise-IoU 为了将 Wise-IoU 集成到 YOLOv8 中，需按照以下步骤操作： ##### 修改 `bbox_iou` 函数 首先需要重定义原有的 `bbox_iou` 函数以支持新的 IoU 计算逻辑。以下是 Python 实现示例： ```python def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, WIoU=True): """ Calculate the Intersection over Union (IoU) between two bounding boxes. Args: ... WIoU (bool): Whether to use Wise-IoU loss function Returns: iou value or wise-iou value based on input parameters """ if WIoU: # Implementing specific logic for Wise-IoU here... pass # Original implementation remains unchanged when not using WIoU ... ``` ##### 更新 `_call_` 方法内的 IoU 计算部分 接着要确保每次调用 IoU 时都能正确识别是否启用 Wise-IoU 并执行相应分支路径： ```python class ComputeLoss(nn.Module): def __init__(self, model, autobalance=False): super().__init__() self.sort_obj_iou = False ... def forward(self, pred, targets): device = targets.device lcls, lbox, lobj = torch.zeros(1, device=device), torch.zeros(1, device=device), torch.zeros(1, device=device) # ... other codes remain same until reaching IOU calculation part... if compute_loss.WIou: tbox = targets[:, 2:6].to(device) * whwh_gain anchors = anchor_wh.to(device).unsqueeze(dim=0) giou = bbox_iou(pred[..., :4], tbox, x1y1x2y2=False, WIoU=True)[..., None] # Apply weights from attention mechanism as described in paper att_weights = get_attention_weights(pred, target_boxes=tbox) weighted_giou = giou * att_weights lbox += ((weighted_giou - 1.0)**2).mean() # Use squared difference instead of direct subtraction else: # Standard GIoU/CIoU computation continues normally without changes ... ``` #### 4. 测试与验证 完成上述修改后，可以通过标准的数据集进行训练和评估，观察 Wise-IoU 对整体性能的影响。特别注意对比之前使用的传统 IoU 类型的结果差异，记录下任何可能存在的优势或劣势[^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

打赏作者

挂科边缘

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