深入理解 YOLOv4 中的 GIOU 损失函数计算方法

最新推荐文章于 2025-11-30 18:10:05 发布
原创 最新推荐文章于 2025-11-30 18:10:05 发布 · 720 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #人工智能

文章介绍了GIOU损失函数在目标检测中的计算方法，强调其在测量框间相似度的优势，同时也讨论了其局限性，如对小目标的敏感性、旋转目标适应性和训练稳定性。作者提醒在实际应用中需根据任务特性和资源考虑选择合适的损失函数。

目录

一、引言

二、计算方法

三、局限性

 四、总结

 

一、引言

在目标检测和物体定位任务中，广泛使用各种损失函数来衡量预测框和真实目标框之间的差异。其中，Generalized Intersection over Union (GIOU) 损失函数是一种扩展了传统 Intersection over Union (IOU) 的指标，它可以更准确地评估两个边界框之间的相似度。

二、计算方法

                           蓝色框和绿色框分别为预测框和真实框，黄色框为计算并集框。 

  1. 计算两个边界框的面积：

    对于预测框（predicted bounding box）PB 和真实目标框（ground truth bounding box）GB，分别计算它们的面积 Sp 和 Sg 。

  2. 计算两个边界框的交集：

    计算预测框 Sp 和真实目标框 Sg 的交集区域  I 。

  3. 计算并集：

    计算预测框 Sp 和真实目标框 Sg 的并集 (U)。(U = Sp + Sg - I)

  4. 计算并集框（

最低0.47元/天 解锁文章
AI_dataloads
关注
【YOLOv8改进[损失函数]】使用MPDIou回归损失函数助力YOLOv8更优秀
静谧、淡雅
05-30 954
使用MPDIou回归损失函数助力YOLOv8更优秀，改进损失函数。
YOLOv10改进 | 损失函数篇 | YOLOv10引入EfficiCLoss损失函数(有效提点)
tsg6698的博客
06-14 2283
尽管CIoU已经取得了显著的成果，但仍有进一步优化的空间，为未来的研究提供了丰富的可能性和挑战。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~因此，为提升定位准确性，研究者们提出了多种创新的回归损失函数。这种组合策略不仅提高了预测框的精度，还加快了回归任务的收敛速度，使得模型在处理具有挑战性的场景时能够表现出更好的性能。
论文笔记：GIou（Generalized Intersection over Union）
philipwelia的博客
04-24 766
1.动机 现在大多数改进方案都是从网络框架和backbone出发 IoU 1.黑框-bbox；绿框-groundtruth 2.用右下角和左上角来表示bbox，即（x1，x2，y1，y2） 3.相同的n-范数（如l2-norm）距离，不同的IoU阈值 4.相同的IoU阈值，不同的w\h比例，具有不同的客观价值 5.随着参数增加（比如旋转），复杂度也增加→引入anchor →在优化回归损耗和IoU...
GIOU翻译加自己的理解
weixin_42630613的博客
09-09 2307
文章目录1、保存设置 1、保存设置 def zipdir(path, ziph): files = os.listdir(path) for file in files: if file.endswith(".py") or file.endswith("cfg"): ziph.write(os.path.join(path, file)) if file.endswith("cfg"): os.
《论文翻译》 GIOU
寂寞的小乞丐
10-14 482
目录广义交并比-GIOU(回归检测的一种指标和Loss)注释1. 摘要2. 介绍3. 相关工作4. 广义交并比5. GIOU作为目标检测的LOSS6. 实验结果7. 个人理解单词汇总广义交并比-GIOU(回归检测的一种指标和Loss) 注释 本系列《论文翻译》仅代表个人观点 目的提高英文阅读能力 错误之处较多，欢迎读者修正，在此感谢 1. 摘要   目标检测的评价指标最常使用的是交并比进行度...
GIOU loss
TEDDY的博客
02-23 3401
IOU IOU在0~1之间，两个框完全重合为1，所以 为0时没有重合，即值越低 IOU效果越差 IOU loss = 1 - IOU，loss 越小，效果越好，这是 IOU loss 和 IOU 的区别 GIoU 目标检测中的IOU&升级版GIOU - 知乎 IoU的局限性 预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。 当IOU=0时：https://www.zhihu.com/equation?tex=GIOU%3D-1%2
【YOLO v4 相关理论】Bounding Box regression loss: IoU Loss、GIoU Loss、DIoU Loss、CIoU Loss
qq_38253797的博客
04-28 2775
目录背景一、IoU Loss1.1、定义1.2、优缺点1.3、应用场景二、GIoU Loss2.1、定义2.2、优缺点三、DIoU Loss四、CIoU Loss五、PyTorch实现Reference 背景 对于分类问题而言，我们常常会使用一些L1,L2损失函数，但是对于回归问题而言,L2损失函数真的是合适的吗？答案是否定的，如下图： 图中左中右三种情况的L2损失都是相等的，但是他们的回归效果却千差万别。所以L2损失并不能很好的反应我们预测框和真实框的重合程度，于是就有了我们后来的IoU以及IoU L
YOLOv5的GIoU损失函数
05-27
具体而言，GIoU损失函数计算方法如下： 1. 首先，计算两个框之间的IoU值。 2. 然后，计算两个框之间的外接矩形面积（即最小能够覆盖两个框的矩形的面积）。 3. 最后，计算GIoU值，其公式为： GIoU = IoU - ...
YOLOv10改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
07-09 3590
本文给大家带来的是YOLOv10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)。
深入理解 YOLOv4 中的 CIOU 损失函数计算方法
AI_dataloads的博客
11-13 1万+
CIOU 损失函数是 YOLOv4 在原有 IOU（Intersection over Union）损失函数基础上的改进版本。它考虑了目标框之间的完整交叉，并引入了修正因子，以更精准地度量目标框之间的相似性。CIOU 损失函数的计算方法相比于传统 IOU 更为复杂，但这也使得模型在训练过程中能够更好地理解目标框的准确位置和形状。CIOU 损失函数在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性。这使得模型更容易捕捉目标的准确形状。
yolov5目标检测神经网络——损失函数计算原理
热门推荐
shandianfengfan的博客
01-16 5万+
yolov5神经网络的损失函数计算原理
论文阅读 || 目标检测系列——yolov4 详细解读
magic_ll的博客
11-09 3154
bag of freebies：字面上的意思就是免费赠品。 在目标检测中是指：用一些比较有用的训练技巧来训练模型，从而使得模型取得更好的准确率。但是不增加模型的复杂度，也就不增加推理（inference）的计算量（cost）。 Data augmentation。 摘要 目前有很多算法可以提高CNN的准确性。在大量数据集上结合这些算法进行实际测试、在实验结果上理论的验证是十分必要的。一些算法操作单一针对特定的模型、或者特定的问题、又或者小规模的数据集 有效；有些算法适用于大多数模型、任务、数..
Yolov4 学习笔记
weixin_47628141的博客
09-27 484
分母接近零：当预测框和真实框的重叠面积非常小，接近于零时，IOU的计算结果可能会非常大，这可能导致梯度下降的问题。在使用IOU作为损失函数进行梯度下降时，如果IOU计算结果非常大，梯度也会变得非常大，从而导致训练不稳定或无法收敛。IOU = (交集面积) / (并集面积)如果没有相交，分母为0，那么就无法计算。作用：增强感受野，最大池化。之前公式为1-IOU。
面向旋转框的交并比计算与损失函数：一个强大的开源工具
gitblog_01119的博客
09-13 605
面向旋转框的交并比计算与损失函数：一个强大的开源工具 项目介绍 在计算机视觉领域，尤其是2D/3D目标检测任务中，准确计算旋转框的交并比（IoU）是至关重要的。本项目提供了一个非官方的实现，基于论文IoU Loss for 2D/3D Object Detection，专注于使用GPU加速计算旋转矩形的交集面积。该项目不仅实现了基础的交集面积计算，还扩展到了旋转框的GIoU和DIoU损失函数，为研...
yolov4 Bounding box 预测解读（附带Pytorch实现代码）
qq_41598736的博客
03-18 2202
import torch.nn as nn import torch #Bounding box预测 class Yolo_head(nn.Module): def __init__(self, nC, anchors, stride): super(Yolo_head, self).__init__() self.__anchors = anchors self.__nA = len(anchors) self.__...
YOLOv4损失函数全面解析
小白学视觉
05-27 7093
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达 本文转自：计算机视觉联盟AI博士笔记系列推荐周志华《机器学习》手推笔记正式开源！可打印版本附pdf...
浅谈目标检测中常规的回归loss计算----------最新yolov4中ciou计算
qq_35914625的博客
09-11 6063
浅谈yolov4中小技巧--回归loss计算ciou前言目标检测loss的发展史什么是Smooth L1 Loss 前言 今天我们来看下目标检测里面提出的CIOU。 目标检测loss的发展史 在目标检测中其演进路线是Smooth L1 Loss --> IoU Loss --> GIoU Loss --> DIoU Loss --.>CIoU Loss 什么是Smooth L1 Loss 首先看L1 loss 和 L2 loss 定义： 写成差的形式，f(x) 为预测值， Y
ultralytics-yolo-webui 项目介绍及使用演示
DATABALL 的博客
11-30 822
ultralytics-yolo-webui 项目介绍及使用演示
基于深度学习的PCB缺陷检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
最新发布
ningfoshao8678的博客
11-30 618
本文介绍了一套基于YOLO系列算法的PCB缺陷智能检测系统。系统支持多模态检测（图像/视频/实时画面），能准确识别漏孔、短路等常见PCB缺陷，识别精准度高达98%-100%。通过对比YOLOv5/v8/v11/v12等模型，YOLO12n在精度(mAP40.6%)和效率上表现最优。系统采用Python+PyQt5开发，提供用户管理、模型切换等功能，有效解决了传统人工检测效率低、易漏检的问题，为PCB质检提供了智能化解决方案。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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