【YOLO改进】换遍IoU损失函数之GIoU Loss（基于MMYOLO）

最新推荐文章于 2025-03-27 15:58:50 发布

原创

最新推荐文章于 2025-03-27 15:58:50 发布 · 1.2k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO

GIoU损失函数

论文链接:https://arxiv.org/pdf/1902.09630

GIoU（Generalized Intersection over Union）损失函数是一种用于改善目标检测模型中边界框回归的方法。它是基于传统的IoU（交并比）损失的一个改进版本，解决了IoU在某些情况下无法提供有效梯度的问题，特别是当两个边界框不重叠时。

IoU损失的局限性

IoU是评估两个边界框重叠程度的一种标准度量方法，定义为两个边界框交集与并集的比例。然而，IoU损失有一个明显的缺点：当两个边界框没有任何重叠时，IoU为0，此时无法提供有关如何调整边界框以改善预测的梯度信息。

GIoU损失的定义

GIoU损失通过引入一个额外的度量来解决这个问题，即最小封闭框（minimum enclosing box）的概念。GIoU的计算不仅考虑了交集和并集，还包括了两个框之间的空间关系。

计算步骤如下：

计算IoU：首先，计算两个边界框A和B的交集与并集的比例，即IoU。
确定最小封闭框：找到能同时包含A和B的最小边界框C。
计算正则项：计算最小封闭框C与并集U之间的区域差异，并用这个差异来调整IoU值。

公式表示为：

$\text{IoU} = \frac{\text{Area of Intersection}}{\text{Area of Union}}$

$\text{GIoU} = \text{IoU} - \frac{\text{Area of the smallest enclosing box} - \text{Area of Union}}{\text{Area of the smallest enclosing box}}$

替换GIoU损失函数(基于MMYOLO)

由于MMYOLO中已经实现了GIoU Loss的计算，所以我们想使用GIoU损失函数替换CIoU损失函数只需要修改配置文件即可：

        # 修改此处实现IoU损失函数的替换
        loss_bbox=dict(
            type='IoULoss',
            iou_mode='giou',
            bbox_format='xywh',
            eps=1e-7,
            reduction='mean',
            loss_weight=loss_bbox_weight * (3 / num_det_layers),
            return_iou=True),

修改后的配置文件（以configs/yolov5/yolov5_s-v61_syncbn_8xb16-300e_coco.py为例）

_base_ = ['../_base_/default_runtime.py', '../_base_/det_p5_tta.py']

# ========================Frequently modified parameters======================
# -----data related-----
data_root = 'data/coco/'  # Root path of data
# Path of train annotation file
train_ann_fil

最低0.47元/天解锁文章