YOLOv9改进 ，YOLOv9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

---

---

摘要

IoU（Intersection over Union）损失是目标检测中广泛使用的边界框回归（BBR）方法。然而，现有的 IoU 损失在不同检测任务中存在泛化性较弱的问题，难以适应不同检测器和任务。为此，作者分析了 BBR 中的模式，并提出了一种新的损失函数——Inner-IoU。该方法通过引入辅助边界框加快高 IoU 样本的收敛，从而提高了训练的效率和泛化性。实验表明，在各种检测任务中，Inner-IoU 损失可以提高边界框回归的性能，并且在小目标检测任务中表现出色。感谢剁椒狗头作者提供贡献，文章导读在这里 Inner-IoU：基于辅助边框的IoU损失。YOLOv8 自带的边界框损失有 CIoU、DIoU、GIoU、MDPIoU，下文将新增 SIoU 边界框损失函数，并结合 Inner-IoU 形成 Inner-SIoU，Inner-GIoU，Inner-DIoU，Inner-CIoU，Inner-MDPIoU，也顺便把 SIoU ，MDPIoU 理论介绍一下。

---

Inner-IoU介绍

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。在实验中 ratio 值大于 1，通过生成较大得辅助边框达到对低 IoU 样本加速收敛的效果，检测效果对比图如下所示（摘自论文）:

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址