YOLOv10改进 | 损失函数篇 | 高质量的目标检测边界框回归损失Unified-IoU、FocalUIoU、FocalInvUIoU（设置动态epoch参数）

一、本文介绍

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Unified-IoU，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。其还有一定的解决样本不平衡问题，同时该损失函数可以和现有的任何边界框回归损失函数进行结合，例如ShapeIoU和其结合可以形成二次创新，它是一种类似于之前的Inner的机制.

本文的修改涉及到7处，因为UIoU涉及到一个动态的实时参数epoch，这个参数不是定值，同时本文提供了论文里所提到的多种组合方式的实现方法包括UioU，FocalUIoU，以及论文中说提升最大的Focal-inv-UIoU。

专栏回顾：YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备  

---

目录

一、本文介绍

二、Unified-IoU原理介绍

三、核心代码 

3.1 代码一 

3.2 代码二 

四、使用方法

4.1 修改一

4.2 修改二

4.3 修改三

4.4 修改四

4.5 修改五 

4.6 修改六

4.7 修改七

4.8  修改八

五、使用方法

5.1 步骤一

5.2 步骤二

5.3 检验是否使用了UioU

六、本文总结

---

 

二、Unified-IoU原理介绍

官方论文地址：官方论文地址点击此处即可跳转.

官方代码地址：官方代码地址点击此处即可跳转

Unifie