yolo系列文章目录
学习视频:
YOLOV7改进-Wise IoU_哔哩哔哩_bilibili
代码地址:
objectdetection_script/yolov7-iou.py at master · z1069614715/objectdetection_script (github.com)
Wise-IoU(WIoU)是一种用于目标检测的创新性损失函数,针对传统边界框损失函数中对训练数据质量要求较高的问题进行了改进。在目标检测中,边界框损失函数的设计对模型性能至关重要。以往的研究大多假定训练数据是高质量的,并试图通过强化边界框损失的拟合能力来提高模型性能。然而,在实际训练集中,通常包含了一些低质量的示例,如果盲目地加强对这些低质量示例的回归,可能会损害模型的检测性能。
为了解决这个问题,先前的研究提出了Focal-EIoU v1方法,但其聚焦机制是静态的,未充分挖掘非单调聚焦机制的潜力。基于这一观点,研究者们提出了一种新的动态非单调聚焦机制,即Wise-IoU(WIoU)。这种机制使用“离群度”替代传统的IoU(Intersection over Union)来评估锚框的质量,并引入了明智的梯度增益分配策略。这一策略在降低高质量锚框竞争性的同时,也减小了低质量示例产生的有害梯度。这使得WIoU能够更集中地处理普通质量的锚框,从而提高整体检测器的性能。
在实际应用中,将WIoU应用于最先进的单级检测器YOLOv7时,它在MS-COCO数据集上的AP-75(Average Precision with IoU threshold at 0.75)从53.03%提升到了54.50%。这种显著的性能提升表明Wise-IoU在处理目标检测任务中具有很高的实用性和效果。通过引入动态非单调聚焦机制,WIoU为目标检测领域带来了新的思路和方法,为提高模型的鲁棒性和准确性提供了有力支持。