YOLOv8改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数

已于 2025-01-19 00:19:58 修改
阅读量1.1w 收藏 79
点赞数 26
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 人工智能 python pytorch 损失函数
于 2023-11-19 18:47:29 首次发布
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.youkuaiyun.com/java1314777/article/details/134482617
本文深入探讨YOLOv8的改进，特别是InnerIoU及其融合形式，如InnerSIoU、InnerWIoU等，详细介绍了这些损失函数的原理和代码实现，并讨论了它们如何提升模型性能，尤其是针对小目标检测的精度和收敛速度。

一、本文介绍

本文给大家带来的是YOLOv8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)。文章会详细探讨这些损失函数如何提高YOLOv8在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。

专栏目录：YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾： YOLOv8改进有效涨点专栏->持续复现各种最新机制

目录

一、本文介绍

二、各种损失函数的基本原理 

2.1 交集面积和并集面积

2.2 InnerIoU的思想 

2.2.1结合InnerIoU各种损失函数的效果图 

2.3 InnerSIoU

2.4 InnerWioU

2.5 InnerGIoU

2.6 InnerDIoU

2.7 InnerEIoU

2.8 InnerCIoU

2.9 FocusLoss 

三、InnerIoU等损失函数代码块

3.1 代码一

3.2 代码二 

四、添加InnerIoU等损失函数到模型中

五、总结

二、各种损失函数的基本原理 

论文地址：官方Inner-IoU论文地址点击即可跳转

官方代码地址：官方代码地址-官方只放出了两种结合方式CIoU、SIoU

本位改进地址：

了解本专栏 订阅专栏 解锁全文
Inner-IoU：具有辅助边界框的更有效的交并比损失
m0_47867638的博客
11-18 1730
随着检测器的快速发展，边界框回归（Bounding Box Regression，BBR）损失函数不断更新和优化。然而，现有的基于IoU的BBR仍然侧重于通过添加新的损失项来加速收敛，忽视了IoU损失项本身的局限性。尽管从理论上讲，IoU损失可以有效地描述边界框回归的状态，但在实际应用中，它无法根据不同的检测器和检测任务自我调整，并且没有很强的泛化性。基于以上分析，我们首先对BBR模型进行了分析，并得出结论，区分不同的回归样本并使用不同尺度的辅助边界框计算损失可以有效加速边界框回归过程。
YOLOv8损失函数改进大全：从IoU到FocusIoU的20+种变体全解析（附完整适配代码+性能对比）
最新发布
专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
10-13 724
目标检测边界框损失函数演进与优化 摘要：边界框损失函数是目标检测模型定位精度的关键因素。本文系统分析了从基础IoU到最新FocusIoU的20余种损失函数的演进历程，包括四代主要技术：基于重叠区域的IoU/GIoU，结合距离度量的DIoU/CIoU，优化形状匹配的EIoU/RIoU，以及考虑方向性的SIoU/WIoU/FocusIoU。针对YOLOv8模型，提供了完整的损失函数实现代码和替换方案，实验表明优化后的损失函数在复杂场景下可提升mAP@0.5达3.2%。文章特别对比了不同损失在小目标、遮挡和密集场
【YOLO改进】换遍IoU损失函数之Innersiou Loss（基于MMYOLO）
Vlone_pp的博客
05-02 1625
在针对YOLO的改进中，通过替换损失函数常常可以达到“无痛提点”的效果，本文将基于MMYOLO框架介绍如何用Inner SIoU损失函数替换YOLO中常用的CIoU损失函数。
yolo增加Inner-IoU，一文搞定（Inner-SIoU，Inner-WIoU，Inner-EIoU，Inner-MPDIoU）
athrunsunny的博客
11-17 1万+
随着检测器的迅速发展, 边框回归取得了巨大的进步。然而，现有的基于 IoU 的边框回归仍聚焦在通过加入新的损失项来加速收敛，忽视 IoU 损失项其自身的限制。尽管理论上 IoU 损失能够有效描述边框回归状态，在实际应用中，它无法根据不同检测器与检测任务进行自我调整，不具有很强的泛化性。基于以上，我们首先分析了 BBR 模式，得出结论在回归过程区分不同回归样本并且使用不同尺度的辅助边框计算损失能够有效加速边框回归过程。
从零开始掌握YOLOv11：一文读懂损失函数的奥秘（源码+实操）
数据饕餮
10-03 1万+
DFL Loss 通常与传统的交叉熵损失结合使用，以增强模型对困难样本的学习能力。其核心思想是通过对每个类别的预测概率进行加权，使得模型更加关注那些难以正确分类的样本。5.3 DFL Loss 的具体意义通过引入平衡因子 α，DFL Loss 可以更好地处理类别不平衡问题。对于少数类别的样本，可以通过增加其权重来提升其重要性，从而提高模型对这些类别的检测性能。通过聚焦参数 γ，DFL Loss 可以让模型更加关注那些难以正确分类的样本。当。
YOLOv11 损失函数解析
浩瀚之水的专栏
03-28 5295
YOLOv11 在 YOLO 系列的持续演进中，通过 ​多模态损失协同优化、动态任务感知机制 和 ​超轻量化设计，实现了检测精度与推理效率的再突破。其损失函数设计融合了前沿的几何建模、分布学习与自监督技术，显著提升了复杂场景下的鲁棒性。
YOLOv11改进 | 损失函数改进篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
11-04 3948
本文给大家带来的是YOLOv11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)。
YOLOv10改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
07-09 3607
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)。
YOLOv5改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
01-08 2150
本文给大家带来的是YOLOv5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)。文章会详细探讨这些损失函数
YOLOv8改进 | 损失函数篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点
Snu77的博客
01-09 6103
本文给大家带来的改进机制是损失函数的改进机制标题虽然指提到了ShapeIoU和InnnerShapeIoU但是本文的内容包括过去到现在的百分之八十以上的损失函数的实现，同时使用方法非常简单，在本文的末尾还会教大家在改进模型时何时添加损失函数才能达到最好的效果，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家，本文支持的损失函数共有如下图片所示
YOLOv9改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量
Limiiiing的博客
09-18 1971
本文记录的是改进YOLOv9的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑GT（Ground Truth）框与预测框之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。
YOLOv8改进 | 损失函数篇 | 更加聚焦的边界框损失Focaler-IoU、InnerFocalerIoU（二次创新）
Snu77的博客
02-01 7095
本文给大家带来的改进机制是更加聚焦的边界框损失已经我进行二次创新的InnerFocalerIoU同时本文的内容支持现阶段的百分之九十以上的IoU，比如Focaler-IoU、Focaler-ShapeIoU、Innner-Focaler-ShapeIoU包含非常全的损失函数，边界框的损失函数只看这一篇就够了。
YOLOv11改进 | 损失函数篇 | YOLOv11引入引MPDIoU, GIoU,DIoU, CIoU, SIoU,EIoU, WIoU, LMPDIoU等损失函数
tsg6698的博客
10-04 4639
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YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种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~1. YOLOv11中添加MPDIoU, GIoU,DIoU, CIoU, SIoU等损失函数的方式。文件中用给出的代码替换掉。
YOLOv5改进 | 损失函数 | EIoU、SIoU、WIoU、DIoU、FocuSIoU等多种损失函数
kay_545
07-04 4967
yolov5，iou，损失函数，loss
YOLOv9改进策略 | 损失函数篇 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
04-18 5305
这篇文章介绍了YOLOv9的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv9在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
热门推荐
p13672294967的博客
05-15 3万+
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
YOLOv10改进 | 损失函数篇 | SlideLoss、FocalLoss、VFLoss分类损失函数助力细节涨点(全网最全)
Snu77的博客
07-10 1969
本文给大家带来的是分类损失损失函数，我们之前看那的那些IoU都是边界框回归损失，和本文的修改内容并不冲突，所以大家可以知道损失函数分为两种一种是分类损失另一种是边界框回归损失，上一篇文章里面我们总结了过去百分之九十的边界框回归损失的使用方法，本文我们就来介绍几种市面上流行的和最新的分类损失函数，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，
【YOLO11改进trick】损失函数改进，含创新点SDIOU代码，方便发论文
向上生长的程序媛的博客
02-20 4318
DFL losselse:BboxLoss类是一个用于计算训练过程中边界框（bbox）损失的准则类。它主要包含两个部分的损失计算：IoU 损失和 DFL 损失。IoU 损失计算预测边界框和目标边界框之间的 IoU（交并比）。使用 CIoU（Complete Intersection over Union）方法计算 IoU，考虑了边界框的中心点距离和宽高比。
yolov11改进模型损失函数
03-30
### YOLOv11 改进模型中的损失函数定义、实现与分析 #### 损失函数的作用及其重要性 在深度学习模型训练过程中，损失函数用于衡量预测值与真实值之间的差距。对于目标检测任务而言，损失函数的设计直接影响到模型的性能表现。通常情况下，在调整模型架构或其他超参数之后再考虑优化损失函数是一个合理的选择[^1]。 #### YOLOv11 的损失函数改进概述 YOLOv11 对传统的目标检测方法进行了多项创新性的改进，其中一个重要方面便是引入了一系列新型的边界框回归损失函数。这些新提出的损失函数旨在通过动态聚焦机制进一步提高定位准确性以及收敛速度。具体来说，包括但不限于 **InnerIoU**、**InnerSIoU**、**InnerWIoU** 和 **FocusIoU** 等多种变体形式[^2]。 以下是几种主要损失函数的具体描述： - **InnerIoU**: 这种类型的 IoU (Intersection over Union) 可以更精确地评估两个矩形区域重叠程度，并且能够更好地适应不同尺度下的物体检测需求。 - **InnerSIoU & InnerWIoU**: 增加了形状和宽度方向上的约束条件，使得网络不仅关注位置偏差还兼顾比例关系的变化情况。 - **FocusIoU**: 提出了基于焦点权重的思想，根据不同样本难易程度分配不同的惩罚力度从而促进整体泛化能力提升。 #### Python 实现代码示例 下面给出一段简单的伪代码展示如何计算上述提到的部分自定义 loss 函数: ```python import torch def inner_iou_loss(pred_boxes, target_boxes): """ 计算 InnerIoU Loss. 参数: pred_boxes: 预测边界的坐标张量 shape=(N,4), N表示数量级数 target_boxes: 目标实际边界的坐标张量 shape=(N,4) 返回: 平均后的loss数值 """ # 获取中心点距离平方差项 center_diff = ((pred_boxes[:, :2]-target_boxes[:, :2])**2).sum(dim=-1) # 边界宽高差异绝对值之和作为另一部分度量标准 wh_ratio = abs((pred_boxes[:, 2:] / target_boxes[:, 2:]) - 1.).sum(-1) ious = calculate_ious(pred_boxes,target_boxes)#假设有一个辅助功能可以得到iou矩阵 losses = -(torch.log(ious)+center_diff+wh_ratio)/3. return losses.mean() # 更复杂的 FocusIoU 类似于此处省略... ``` 以上仅为简化版示意程序片段，实际应用时还需要结合具体的框架环境做适当修改和完善。 #### 总结与展望 通过对 YOLOv11 中所采用的各种先进损失函数的研究可以看出，它们各自针对特定应用场景提出了有效的解决方案。未来随着研究深入和技术进步，或许会有更多高效实用的新颖设计被开发出来并应用于实践当中去。
评论 41
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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