yolov5 优化方法（四）修改bbox损失函数（补充EIOU,SIOU）

最新推荐文章于 2024-08-23 12:31:19 发布
最新推荐文章于 2024-08-23 12:31:19 发布
阅读量8.8k 收藏 147
点赞数 22
分类专栏： # yolov5 文章标签： 深度学习 目标检测 计算机视觉
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_50862344/article/details/126613467
版权

【参考文档】江大白的yolo解析
后面会给出我的完整代码，先来分段看看！

转化格式

 if x1y1x2y2:  # x1, y1, x2, y2 = box1
        b1_x1, b1_y1, b1_x2, b1_y2 = box1[0], box1[1], box1[2], box1[3]
        b2_x1, b2_y1, b2_x2, b2_y2 = box2[0], box2[1], box2[2], box2[3]
    else:  # transform from xywh to xyxy
        b1_x1, b1_x2 = box1[0] - box1[2] / 2, box1[0] + box1[2] / 2
        b1_y1, b1_y2 = box1[1] - box1[3] / 2, box1[1] + box1[3] / 2
        b2_x1, b2_x2 = box2[0] - box2[2] / 2, box2[0] + box2[2] / 2
        b2_y1, b2_y2 = box2[1] - box2[3] / 2, box2[1] + box2[3] / 2

转换成这种格式：
在这里插入图片描述

IOU

这个应该都很熟了

 inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)                                                    
            #.clamp：将小于0的元素修改为0，截断元素的取值空
    # Union Area
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps
    union = w1 * h1 + w2 * h2 - inter + ep
    iou = inter / union
clamp
def clamp(self, min: _float=-inf, max: _float=inf, *, out: Optional[Tensor]=None) -> Tensor: ...

inf：无穷大
-inf：负无穷
out：输出，默认即可，不用设定

在 yolov5的使用中，应该是截断掉小于0的部分

(torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0)

torch.clamp

DIOU

在正式进入各种iou之前

		cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # 最小包裹矩形宽度
        ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # 最小包裹矩形高度

cw ：最小外包矩形宽度
ch ：最小外包矩形高度

在这里插入图片描述
分子部分的一次项代表：GT框和bbox框中心点的距离
c：两个框对角线的距离
在这里插入图片描述

考虑了重叠面积和中心点距离

c2 = cw ** 2 + ch ** 2 + eps  # 勾股定理，使用两边的平方和来代替斜边的平方
rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 +
        (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4 
if DIoU:
       return iou - rho2 / c2  # DIoU

c2： 勾股定理，使用两边的平方和来代替斜边的平方

GIOU

在这里插入图片描述

 	c_area = cw * ch + eps  # convex area
 	return iou - (c_area - union) / c_area  # GIoU

CIoU

CIOU_Loss和DIOU_Loss前面的公式都是一样的，不过在此基础上还增加了一个影响因子，将预测框和目标框的长宽比都考虑了进去。
在这里插入图片描述

其中v是衡量长宽比一致性的参数，我们也可以定义为：
在这里插入图片描述

这样CIOU_Loss就将目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比全都考虑进去了。

            elif CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
                v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
                with torch.no_grad():
                    alpha = v / (v - iou + (1 + eps))
                return iou - (rho2 / c2 + v * alpha)  # CIoU

EIOU

【参考博文】IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU损失函数
前两部分延续CIOU中的方法，但是宽高损失直接使目标盒与锚盒的宽度和高度之差最小，使得收敛速度更快。
在这里插入图片描述

该损失函数包含三个部分：重叠损失，中心距离损失，宽高损失

            rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 +
                    (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # center distance squared
 		elif EIoU:
                w=(w1-w2)*(w1-w2)
                h=(h1-h2)*(h1-h2)
                return iou-(rho2/c2+w/(cw**2)+h/(ch**2))

w：宽度差的平方
h：高度差的平方

SIOU

直接看这篇的解析吧。就不重复写了

然后上一下完整代码

def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, SIoU=False, EIoU = False, eps=1e-7):
    # Returns the IoU of box1 to box2. box1 is 4, box2 is nx4
    box2 = box2.T

    # Get the coordinates of bounding boxes
    if x1y1x2y2:  # x1, y1, x2, y2 = box1
        b1_x1, b1_y1, b1_x2, b1_y2 = box1[0], box1[1], box1[2], box1[3]
        b2_x1, b2_y1, b2_x2, b2_y2 = box2[0], box2[1], box2[2], box2[3]
    else:  # transform from xywh to xyxy
        b1_x1, b1_x2 = box1[0] - box1[2] / 2, box1[0] + box1[2] / 2
        b1_y1, b1_y2 = box1[1] - box1[3] / 2, box1[1] + box1[3] / 2
        b2_x1, b2_x2 = box2[0] - box2[2] / 2, box2[0] + box2[2] / 2
        b2_y1, b2_y2 = box2[1] - box2[3] / 2, box2[1] + box2[3] / 2

    # Intersection area
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)

    # Union Area
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 + eps
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 + eps
    union = w1 * h1 + w2 * h2 - inter + eps

    iou = inter / union
    if GIoU or DIoU or CIoU or SIoU or EIoU:
        cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)  # convex (smallest enclosing box) width
        ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)  # convex height
        if SIoU:    # SIoU Loss 2022.08.01
            sigma = torch.pow(cw ** 2 + ch ** 2, 0.5)
            sin_alpha_1 = ch / sigma
            sin_alpha_2 = cw / sigma
            threshold = pow(2, 0.5) / 2
            sin_alpha = torch.where(sin_alpha_1 > threshold, sin_alpha_2, sin_alpha_1)
            # angle_cost = 1 - 2 * torch.pow( torch.sin(torch.arcsin(sin_alpha) - np.pi/4), 2)
            angle_cost = torch.cos(torch.arcsin(sin_alpha) * 2 - np.pi / 2)
            rho_x = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) / cw) ** 2
            rho_y = ((b2_y1 + b2_y2 - b1_y1 - b1_y2) / ch) ** 2
            gamma = 2 - angle_cost
            distance_cost = 2 - torch.exp(-1 * gamma * rho_x) - torch.exp(-1 * gamma * rho_y)
            omiga_w = torch.abs(w1 - w2) / torch.max(w1, w2)
            omiga_h = torch.abs(h1 - h2) / torch.max(h1, h2)
            shape_cost = torch.pow(1 - torch.exp(-1 * omiga_w), 4) + torch.pow(1 - torch.exp(-1 * omiga_h), 4)
            return iou - 0.5 * (distance_cost + shape_cost)

        elif CIoU or DIoU or EIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1
            c2 = cw ** 2 + ch ** 2 + eps  # convex diagonal squared
            rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 +
                    (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # center distance squared
            if DIoU:
                return iou - rho2 / c2  # DIoU
            elif CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47
                v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2 / h2) - torch.atan(w1 / h1), 2)
                with torch.no_grad():
                    alpha = v / (v - iou + (1 + eps))
                return iou - (rho2 / c2 + v * alpha)  # CIoU
            elif EIoU:
                w=(w1-w2)*(w1-w2)
                h=(h1-h2)*(h1-h2)
                return iou-(rho2/c2+w/(cw**2)+h/(ch**2))#EIOU
        else:  # GIoU https://arxiv.org/pdf/1902.09630.pdf
            c_area = cw * ch + eps  # convex area
            return iou - (c_area - union) / c_area  # GIoU
    else:
        return iou  # IoU

在yolov5使用方法

1.metrics.py修改一下注释掉原来的bbox_iou，复制上面的完整代码
2.loss.py中把想要使用的iou设置为True（下图以EIOU为例）

请添加图片描述

华农度假村村长
关注
专栏目录
YOLOv5改进实战 | 更换损失函数（一）之EIoU、Alpha-IoU、SIoU篇
w94ghz的博客
09-18 8309
YOLOv5涨点必备！改进损失函数EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
qq_53545309的博客
10-21 4299
YOLOv5损失函数的作用是衡量预测框与真实框之间的差异，并根据这些差异来更新模型的参数。它帮助模型学习如何准确地检测和定位目标物体，从而提高检测的精度和准确性。YOLOv5中的损失函数主要包括三个部分：目标分类损失、边界框坐标损失和对象置信度损失。目标分类损失：该损失函数用于衡量预测框中的目标类别与真实框中的目标类别之间的差异。它使用交叉熵损失函数来计算分类误差，促使模型学习正确地分类各个目标物体。边界框坐标损失：该损失函数用于衡量预测框中的边界框位置与真实框中的边界框位置之间的差异。
损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现
热门推荐
路人贾的博客
06-20 3万+
一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！
YOLOv5改进 | 融合改进 | C3 融合Efficient Multi-Scale Conv提升检测效果
最新发布
kay_545
08-23 1384
yolov5改进，yolov5融合，C3_EMSC
yolov5 优化系列（三）：修改损失函数
weixin_50862344的博客
08-23 1万+
yolov5 优化系列（三）：修改损失函数
Yolov5改进之更改损失函数（EIOU、SIOU）
qq_46542320的博客
07-06 7290
注意：以EIOU为例，当 EIOU=True，alphaIOU>1时，则损失函数是两者的结合，为 a-eiou。当alphaIOU=1时，则损失函数就是EIOU。推荐up主：一个非常棒的B站up主，都去看！大家也可以尝试着添加其他损失函数。
YOLOv5对于损失函数的改进
QT-Smile
03-09 3004
YOLOv5对于损失函数的改进 （1）卷积核的大小改变 （2）步长改变 （3）平均池化（卷积核，步长） （4）最大池化（卷积核，步长） （5）全局平均池化（卷积核，步长） （6）全局最大池化（卷积核，步长） ...
目标检测 YOLOv5 - 损失函数的改进
q1552211的博客
05-05 1691
类别是包含关系的 BCEWithLogitsLoss 可以用于多标签分类的，一个目标可以属于一个或者多个类别，例如一个目标可以是人，男人，儿童，类别存在一种包括关系。 因为BCEWithLogitsLoss = Sigmoid + BCELoss，BCEWithLogitsLoss将Sigmoid加入了损失函数中。Sigmoid概率和不需要是1。 例如sigmoid的计算结果取出一行看示例代码中的输出[0.5100, 0.6713, 0.5025]这个数累加起来不是1，如果定义阈值大于等于0.50。那么这个
Yolov5改进之更改损失函数（EIOU、SIOU）.pdf
11-16
在YOLOv5的改进中，研究人员尝试了不同的损失函数来优化模型性能，例如将传统的Intersection over Union (IoU) 替换为Enhanced Intersection over Union (EIoU) 或者Squared IoU (SIOU)。 IoU是评估目标检测模型...
YOLOv5改进系列（11）——添加损失函数之EIoU、AlphaIoU、SIoU、WIoU
路人贾的博客
06-23 8300
手把手教你改进YOLOv5添加损失函数之EIoU、AlphaIoU、SIoU、WIoU！
【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou
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。
06-07 1544
论文地址：论文地址代码地址：代码地址广义IoU（GIoU，Generalized IoU）的计算公式是在标准IoU的基础上进行扩展，加入了对边界框相对位置的补偿。其公式如下：GIoU=IoU−∣C−(A∪B)∣∣C∣ \text{GIoU} = \text{IoU} - \frac{|C - (A \cup B)|}{|C|} GIoU=IoU−∣C∣∣C−(A∪B)∣​其中：具体解释如下：GIoU弥补了IoU在边界框不重叠或重叠很小时无法有效度量边界框相对位置的问题，使得在训练过程中能够更好地优化边界框的
YOLOv5改进损失函数：综合多种类Loss实现更全面的计算机视觉模型
QvisCs的博客
09-22 599
这些改进的Loss函数通过引入不同的权重因子、质量因子和焦点因子，能够提高模型对小目标、长尾目标、质量较差目标和少数类别目标的检测能力。为了进一步提升YOLOv5的性能，研究人员提出了一种改进损失函数的方法，通过结合多种类Loss函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FocalLoss等，来增强模型对不同目标的检测能力。该损失函数通过引入多项式权重因子，对小目标的损失进行放大，从而增强模型对小目标的检测能力。该方法可以提高模型对质量较差目标的检测能力。
YOLOv5改进损失函数-使用OTA
CrazyDaney的博客
05-13 658
前向推理代码处，313行，将。张量维度匹配不上，将。
YOLOv5改进损失函数：全面介绍多种类Loss函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL等
IpyVariable的博客
09-21 348
在计算机视觉领域，YOLOv5是一种非常流行的目标检测算法。为了进一步提高YOLOv5的性能，在损失函数的设计上可以进行改进。本文将详细介绍多种改进的损失函数，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL，并提供相应的源代码。以上是对YOLOv5改进损失函数的全面介绍，包括PolyLoss、VarifocalLoss、GFL、QualityFLoss和FL。通过选择合适的损失函数，可以进一步提高YOLOv5在目标检测任务上的性能。
Yolov5修改损失函数
weixin_44119674的博客
11-07 1001
Yolov5目标检测
YOLOv5改进（七）--改进损失函数EIoU、Alpha-IoU、SIoU、Focal-EIOU
qq_44231797的博客
06-25 2263
YOLOv5默认使用损失函数为CIoU，本文主要针对损失函数进行修改，主要将bbox_iou函数进行修改，添加EIoU、Alpha-IoU、SIoU、Focal-IOU等边界框回归损失。
YOLOv5将IOU Loss替换为EIOU Loss
q1552211的博客
05-05 7248
YOLOv5将IOU Loss替换为EIOU Loss
YOLOv5改进：EfficiCIoU-Loss优化损失函数提高计算机视觉性能
IpyVariable的博客
09-21 590
该损失函数通过引入EfficiCIoU指标，综合考虑了边界框的位置、大小和形状等因素，从而提高了边界框的回归和预测能力。最新的研究在损失函数的设计上取得了突破，提出了EfficiCIoU-Loss，该损失函数结合了EfficiCIoU指标，可以增强预测帧的调整并加快帧回归率，从而加速网络模型的收敛。EfficiCIoU-Loss的原理基于Efficient Complete IoU（EfficiCIoU）指标，该指标综合考虑了边界框的位置、大小和形状等信息，可以更准确地评估两个边界框之间的相似度。
评论 5
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
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