【RT-DETR改进涨点】MPDIoU、InnerMPDIoU损失函数中的No.1（包含二次创新）

已于 2024-03-10 21:50:45 修改
阅读量3.1k 收藏 26
点赞数 21
CC 4.0 BY-SA版权
分类专栏： RT-DETR有效改进专栏 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 03:52:11 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/135614719
本文介绍了目标检测中MPDIoU（Minimum Point Distance Intersection over Union）损失函数的机制原理，它通过最小化预测框与真实框关键点距离提升精度。内容包括MPDIoU的问题提出、公式阐述及实验验证，同时提出了结合Inner思想的InnerMPDIoU，以双重提升检测效果。文中还给出了代码修改指南，适用于YOLO系列模型。

👑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最新的损失函数MPDIoU（Minimum Point Distance Intersection over Union）其是一种新的边界框相似度度量方法。MPDIoU是基于水平矩形的最小点距离来计算的，能够综合考虑重叠区域、中心点距离以及宽度和高度的偏差。本文包含完整的修改教程和代码，我将其用在我的数据集上成功涨了两个点，大家可以将其作为论文的保底存在。

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、MPDIoU的机制原理

2.1  问题提出

2.2 MPDIoU的提出

2.3 实验验证

三、MPDIoU、InnerMPDIoU代码 

四、MPDIoU、InnerMPDIoU的使用方式

4.1 修改一

4.2 修改二

五、总结

 二、MPDIoU的机制原理

​

论文地址：官方论文地址点击即可跳转

代码地址：官方并没有开源的该损失的函数的代码，我根据文章内容进行了复现代码块在第三章

 ​

2.1  问题提

了解本专栏 订阅专栏 解锁全文
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 2万+
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。
基于MPDIoU与InnerMPDIoU的YOLOv8细节捕捉能力优化探讨
shrgegrb的博客
02-25 506
通过MPDIoU和InnerMPDIoU的引入，JYOLOv8能够有效提升检测精度，尤其是在处理大规模农业场景中的不规则物体（如害虫、植物等）时，表现出了极大的优势。对于一些目标形态复杂的场景，InnerMPDIoU通过计算框内不同关键点之间的距离，能够更好地处理目标的细微变化和变形，尤其是在目标的部分遮挡或边界不规则时，它的表现更具鲁棒性。与传统的IoU损失函数相比，MPDIoU和InnerMPDIoU都引入了新的优化目标，除了关注目标框的重叠面积，还同时考虑了目标框内部的细节结构和多部分之间的关系。
Inner-MPDIoU 助力 YOLOv8 实现定位精度跨越式提升实战教程
最新发布
FJN110的博客
11-14 30
Inner-MPDIoU 凭借“辅助边框+最小点距离”的双重创新，成功解决了传统 IoU 损失在小目标、遮挡场景、位置偏差场景下的收敛和判别难题，为 YOLOv8 注入了更强的边框回归能力。从原理剖析到代码集成，本教程已为你铺就了一条“定位精度跃升”的实战路径。现在，不妨亲自上手尝试，让你的目标检测模型在各类数据集上都能交出一份“定位精准”的答卷——相信我，当你看到检测框完美贴合目标的那一刻，你会明白这份尝试的价值。我很乐意在你实践过程中帮你解决任何问题，让我们一起推动目标检测在边框回归领域的边界。
YOLOv11 损失函数解析
浩瀚之水的专栏
03-28 5467
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。
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 5319
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。
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 4733
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。
【RT-DETR改进涨点】MPDIoU、InnerMPDIoU损失函数中的No.1（包含二次创新）-优快云博客.mhtml
09-14
【RT-DETR改进涨点】MPDIoU、InnerMPDIoU损失函数中的No.1（包含二次创新）-优快云博客.mhtml
【RT-DETR涨点改进】小目标检测损失函数改进篇 | RT-DETR引入NWDLoss损失函数，提高小目标检测精度，小目标检测任务专属改进，详细使用步骤
Ai缝合怪、助力小伙伴高效发论文
09-14 309
本文提出在RT-DETR模型中引入NWDLoss损失函数优化小目标检测性能。通过将边界框建模为二维高斯分布，利用Wasserstein距离计算相似度，NWDLoss相比传统IoU指标对目标尺度和位置偏差更不敏感。文章详细介绍了NWDLoss的核心原理、代码实现以及在RT-DETR中的集成方法，包括修改损失函数类和配置文件。实验表明，在AI-TOD小目标数据集上，该方法比标准微调基线提升6.7AP，优于当前最优方法6.0AP。该改进可显著提升微小目标检测效果，为RT-DETR模型提供新的优化方向。
RT-DETR改进策略【损失函数篇】| 利用MPDIoU，加强边界框回归的准确性
Limiiiing的博客
11-13 2108
ℓn​。
RT-DETR改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度
Limiiiing的博客
11-16 3088
本文记录的是基于NWD的RT-DETR的损失函数改进方法研究。目前的IoU-Loss在一些情况下不能提供梯度来优化网络，例如当预测边界框P和真实边界框G没有重叠（即∣P∩G∣0），或者P完全包含G或反之（即∣P∩G∣P或G），而这两种情况在微小物体检测中非常常见。CIoU和DIoU虽然能处理上述两种情况，但它们基于IoU，对微小物体的位置偏差很敏感。而。
【YOLOv9改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv9更优秀
静谧、淡雅
04-12 2154
使用结合InnerIoU和Focaler的各种损失函数助力YOLOv9更优秀
YOLOv7独家改进：Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU） | 2023.11
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；
11-15 1609
Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合
YOLOv8模型改进——修改损失函数
qq_60131119的博客
03-07 2195
【代码】YOLOv8模型改进——修改损失函数。
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 6160
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
【YOLOv10改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv10更优秀
静谧、淡雅
10-19 1169
【YOLOv10改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv10更优秀
各种IOUloss的pytorch实现
weixin_38241876的博客
11-24 4273
def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False): # 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 b.
保姆级YOLOv8改进 | 基于新型损失函数的目标检测性能提升研究
一键难忘的博客
08-08 3695
InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。通过实验结果验证了这些损失函数的有效性，尤其是FocusIoU在目标检测中表现优越。此外，我们还探讨了数据增强、模型架构优化和正则化手段等提升模型性能的方法，并展望了未来的研究方向。
focalloss pytorch
weixin_38241876的博客
11-24 718
class FocalLoss(nn.Module): # Wraps focal loss around existing loss_fcn(), i.e. criteria = FocalLoss(nn.BCEWithLogitsLoss(), gamma=1.5) def __init__(self, loss_fcn, gamma=1.5, alpha=0.25): super(FocalLoss, self).__init__() self.los.
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
酸菜鱼Cc的博客
03-27 718
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
rt-detr改进损失函数
03-10
### 关于RT-DETR模型中改进损失函数的方法 #### 更换为DIoU损失函数 为了提升RT-DETR检测精度，可以考虑采用不同的损失函数来优化边界框回归的效果。具体来说，更换成DIoU（Distance IoU）损失函数能够显著改善模型...
评论 5
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