【RT-DETR有效改进】ShapeIoU、InnerShapeIoU关注边界框本身的IoU(包含二次创新)

原创 已于 2024-01-29 00:19:20 修改 · 2.6k 阅读 · 39 ·
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：

#人工智能 #YOLO #目标检测 #深度学习 #计算机视觉 #python #RT-DETR

于 2024-01-16 07:30:00 首次发布
本文详细介绍了如何在RT-DETR中应用ShapeIoU和InnerShapeIoU进行目标检测的边界框回归改进。通过对比和修改代码，展示了这两种方法如何提升模型性能，提供了具体的代码示例和使用步骤。

👑欢迎大家订阅本专栏，一起学习RT-DETR👑 

一、本文介绍

本文给大家带来的改进机制是ShapeIoU其是一种关注边界框本身形状和尺度的边界框回归方法（IoU），同时本文的内容包括过去到现在的百分之九十以上的损失函数的实现，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，以下为修改了我的调参结果训练的结果图像。

 官方链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR

目录

一、本文介绍

二、ShapeIoU

三、ShapeIoU的核心代码 

四、ShapeIoU的使用方式

4.1 修改一

4.2 修改二

五、总结

二、ShapeIoU

官方论文地址： 官方论文地址

官方代码地址： 官方代码地址

​

​

这幅图展

了解本专栏 订阅专栏 解锁全文
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 1994
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。
损失函数篇 | YOLOv8 引入 Shape-IoU 考虑边框形状与尺度的度量
YOLOv8项目贡献者
01-06 5132
现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。
YOLOv8改进 | 引入ShapeIoU与InnerShapeIoU损失函数提升细节检测精度【YOLOv8】
博客
12-01 1080
ShapeIoU旨在对物体边界的形状进行更好的建模。传统的IoU仅仅计算边界框之间的交集和并集面积，而忽略了物体实际的形状差异。ShapeIoU通过结合物体形状的几何信息，更精确地评估预测框与真实框的匹配程度。ShapeIoUIoU⋅ShapeSimBpredBgtShapeIoUIoU⋅ShapeSimBpred​Bgt​其中，ShapeSimBpredBgtShapeSimBpred​B。
Shape-IoU——综合考量边框形状与尺度的度量
Together_CZ的博客
01-15 1868
Shape-IoU——综合考量边框形状与尺度的度量
Shape-IoU：考虑边框形状与尺度的度量
m0_47867638的博客
01-04 2967
目标检测是计算机视觉中的基本任务之一，其目标是在图像中定位和识别物体。根据是否生成锚点，目标检测可以分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO系列（You Only Look Once） [2]、SSD（Single Shot MultiBox Detector） [3]和RetinaNet [4]。
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
RT-DETR算法优化改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
01-05 2656
一种新的Shape IoU方法结合 Inner-IoU，基于辅助边框的IoU损失的同时，更加关注边界框本身的形状和尺度来计算损失
RT-DETR改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)
Limiiiing的博客
11-13 1632
为了弥补现有 IoU 损失在不同检测任务中泛化性弱和收敛速度慢的问题，·Inner-IoU·通过引入比例因子 “ratio” 来控制辅助边界框的尺度大小，利用不同尺度的辅助边界框来计算损失，从而加速边界框回归过程。
【RT-DETR有效改进】高质量的目标检测边界框回归损失函数Unified-IoU（设置动态epoch参数）
Snu77的博客
10-11 1217
本文给大家带来的改进机制是最近新提出的高质量的目标检测边界框回归损失，其通过动态调整模型对不同质量预测框的关注，优化目标检测中的边界框回归精度。UIoU引入了Focal Box方法，通过缩放预测框与真实框分配权重，并采用了退火策略（引入动态参数epoch），逐渐将模型的注意力从低质量预测框转移到高质量预测框，平衡了训练速度与检测精度。
YOLOv8改进 | 损失函数篇 | 最新ShapeIoU、InnerShapeIoU损失助力细节涨点
走向CTO的路上...
09-23 1786
本篇介绍了YOLOv8模型改进中的最新损失函数：ShapeIoU和InnerShapeIoU。这两个损失函数旨在解决传统IoU损失在处理复杂形状目标时存在的问题，有效提升了YOLOv8模型在目标检测任务上的精度，尤其是对于形状不规则、具有多个凹凸部分的目标。ShapeIoU和InnerShapeIoU损失函数是YOLOv8模型改进中的最新成果，能够有效提升模型对形状不规则、具有多个凹凸部分的目标的检测精度。这些损失函数的引入拓展了YOLOv8的应用场景，并为其他目标检测算法提供了参考和借鉴。
作者导读：Shape-IoU：考虑边框形状与尺度的度量
qq_45911380的博客
01-01 1万+
作为检测器定位分支的重要组成，边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法，通常考虑了GT框与预测框之间的几何关系，通过使用边框间的相对位置与相对形状等计算损失，而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足，本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析，得出边框自身形状因素与尺度因素会对回归结果产生影响。
YOLOv8改进：ShapeIoU与InnerShapeIoU损失函数的理论与实践
shrgegrb的博客
04-22 1079
YOLOv8 的总损失由定位损失、分类损失、置信度损失及可选的蒸馏损失组成。其中，定位损失采用了 DFL 与 CIoU 结合的方式，继承前代解耦式定位损失的优点，并进一步优化。ShapeIoU 是一种改进的 IoU 损失函数，它在传统 IoU 的基础上，引入了形状相似性度量，弥补了传统 IoU 仅关注重叠区域比例而忽略边界框形状差异的不足。其计算公式为：其中，α 是平衡参数，形状相似性可通过边界框的宽高比差异来计算。
YOLOv5独家原创改进：提出一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好 | 2023.12.29收录
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
01-02 2243
对小目标检测涨点明显，在VisDrone2019、PASCAL VOC均有涨点
YOLOv11改进策略：Shape-IoU - 考虑边界框形状和尺度的更精确度量
最新发布
走向CTO的路上...
05-29 2477
Shape-IoU通过引入形状和尺度感知因子，显著改进了传统IoU度量在目标检测中的表现。提升不规则形状目标的检测精度增强模型对小目标的敏感性改善多尺度场景下的性能一致性保持YOLO系列算法的高效率特性实验表明，在COCO数据集上，使用Shape-IoU可使YOLOv11的mAP提升1.5-2.3%，特别是对小目标(mAP@0.5:0.95-S)的改善可达3.1%。Shape-IoU为目标检测中的边界框相似性度量提供了新的思路，其核心思想也可以扩展到其他需要几何匹配的视觉任务中。
YOLOv8 损失函数改进 | 引入 Shape-IoU 考虑边框形状与尺度的度量
qq_44224801的博客
01-10 1521
- YOLOv8轻松上手，适用技术小白，文章代码齐全，仅需一键train，解决YOLOv8的技术突破和创新潜能。
YOLOv5独家原创改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
01-05 2744
一种新的Shape IoU方法结合 Inner-IoU，基于辅助边框的IoU损失的同时，更加关注边界框本身的形状和尺度来计算损失
YOLOv7独家原创改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
01-05 1957
一种新的Shape IoU方法结合 Inner-IoU，基于辅助边框的IoU损失的同时，更加关注边界框本身的形状和尺度来计算损失
YOLOv8 损失函数改进 | ShapeIoU 与 InnerShapeIoU 助力复杂目标检测精度提升【附保姆级代码】
一键难忘的博客
10-01 2784
分类损失（Classification Loss）：衡量预测类别和真实类别之间的差异。置信度损失（Confidence Loss）：评估预测框与真实框的匹配度。边界框回归损失（Bounding Box Regression Loss）：用于优化预测框的位置和大小，通常使用 IoU（Intersection over Union）或其变种作为评估标准。在 YOLOv8 中，虽然经典的 IoU 损失仍是基础，但其在处理复杂形状目标时存在一定局限。
RT-DETR实时目标检测模型解析与源码实现
RT-DETR则在训练过程中学习一个IoU感知的评分函数，用于评估每个预测框与真实框之间的重合度，并据此动态选择最具代表性的查询子集作为最终输出。这一机制不仅避免了手工设定阈值带来的误差，还提升了检测框的质量和...
评论 10
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