YOLOv11改进 | 损失函数改进篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数

已于 2024-11-05 00:49:19 修改
阅读量2.9k 收藏 18
点赞数 9
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 计算机视觉 深度学习 人工智能 目标检测 python YOLOv11
于 2024-11-04 23:59:01 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/143496963

一、本文介绍

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)。文章会详细探讨这些损失函数如何提高YOLOv11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。

  专栏回顾：YOLOv11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、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

四、添加InnerIoU等损失函数到模型中

4.1 步骤一 

4.2 步骤二

4.3 步骤三 

了解本专栏 订阅专栏 解锁全文
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 5660
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
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 3629
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。
YOLO11改进,尺度动态损失函数Scale-based Dynamic Loss，减少标签不准确对损失函数稳定性的影响
最新发布
Loving_enjoy的博客
04-21 939
2025年CVPR最佳论文提出的尺度动态损失函数（Scale-based Dynamic Loss, SDL），通过构建自适应损失调节机制，不仅实现了对YOLOv11检测精度的指数级提升，更重新定义了损失函数的设计哲学。| SDL损失函数 | **280K** | **±0.05** | **0.68** |1. **量子损失函数**：结合量子计算的不确定性原理，构建更鲁棒的损失模型。- **尺度耦合效应**：不同尺度目标的损失梯度相互干扰，导致收敛震荡。
YOLOv5改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
01-08 2003
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 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
11-19 1万+
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)。
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 3409
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】| Shape-IoU：考虑边界框形状和尺度的更精确度量
Limiiiing的博客
09-18 1771
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 6439
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。
YOLOv10改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
07-09 3229
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)。
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 5191
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 2万+
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。
focalloss pytorch
weixin_38241876的博客
11-24 590
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.
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 1664
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，
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
03-27 566
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
全新Inner-IoU损失函数！！！通过辅助边界框计算IoU有效提升检测效果
qq_40716944的博客
11-10 4869
随着检测器的快速发展，边界框回归（BBR）损失函数不断进行更新和优化。然而，现有的 IoU 基于 BBR 仍然集中在通过添加新损失项来加速收敛，忽略了 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进行自适应调整，且不具备较强的泛化能力。基于上述情况，作者首先分析了 BBR 模型，并得出结论：区分不同的回归样本以及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。
YOLOv5对于损失函数的改进
QT-Smile
03-09 3153
YOLOv5对于损失函数的改进 （1）卷积核的大小改变 （2）步长改变 （3）平均池化（卷积核，步长） （4）最大池化（卷积核，步长） （5）全局平均池化（卷积核，步长） （6）全局最大池化（卷积核，步长） ...
YOLOv5改进 | 损失函数 | EIoU、SIoU、WIoU、DIoU、FocuSIoU等多种损失函数
kay_545
07-04 4380
yolov5，iou，损失函数，loss
目标检测 YOLOv5 - 损失函数的改进
q1552211的博客
05-05 1805
类别是包含关系的 BCEWithLogitsLoss 可以用于多标签分类的，一个目标可以属于一个或者多个类别，例如一个目标可以是人，男人，儿童，类别存在一种包括关系。 因为BCEWithLogitsLoss = Sigmoid + BCELoss，BCEWithLogitsLoss将Sigmoid加入了损失函数中。Sigmoid概率和不需要是1。 例如sigmoid的计算结果取出一行看示例代码中的输出[0.5100, 0.6713, 0.5025]这个数累加起来不是1，如果定义阈值大于等于0.50。那么这个
YOLOv5eiou
03-12
### YOLOv5 EIOU Loss算法实现与应用 #### 算法背景介绍 YOLO (You Only Look Once) 是一种广泛应用于目标检测领域的实时物体识别模型。自其首次发布以来，已经经历了多个版本迭代优化，在第五版即YOLOv5中引入了一种新的损失函数EIOU（Extended Intersection over Union），用于提高边界框回归精度。 #### EIOU Loss原理说明 传统IoU仅考虑两个矩形重叠面积比例来衡量预测框和真实框之间的相似度；而DIoU(Distance IoU)[^1]在此基础上加入了中心点距离惩罚项以改善远距离情况下定位不准的问题；CIoU(Complete IoU)[^2]进一步增加了宽高比率因子使得形状更加匹配。相比之下,EIOU不仅继承了上述优点,还额外增加了一个角度差异因素用来处理旋转情况下的对象检测问题[^3]. #### 实现方式概述 为了在PyTorch框架下实现该功能模块,主要修改位于`yolov5/models/yolo.py`文件中的loss计算部分: ```python def bbox_iou(box1, box2, x1y1x2y2=True, GIoU=False, DIoU=False, CIoU=False, EIOU=False): ... elif EIOU: # 计算扩展交并比(EIOU)，包括位置、尺度以及方向三个维度上的误差 cw = torch.max(b1_xmax, b2_xmax) - torch.min(b1_xmin, b2_xmin) # convex width ch = torch.max(b1_ymax, b2_ymax) - torch.min(b1_ymin, b2_ymin) # convex height v = (4 / math.pi ** 2) * torch.pow(torch.atan(w2/h2)-torch.atan(w1/h1), 2) with torch.no_grad(): alpha = v / ((1-iou)+v+eps) c_theta = abs(math.cos((angle1-angle2)*math.pi/180)) return iou-(cw*cw+ch*ch-b1_ctr_dist*b1_ctr_dist)/(cw*cw+ch*ch+eps)-(c_theta*v/(1-iou+v+eps)) ``` 此段代码实现了对于输入的目标框之间基于EIOU的距离测量方法，并将其作为网络训练过程的一部分参与反向传播更新权重参数。 #### 应用场景分析 通过采用更精确有效的损失函数,YOLOv5能够更好地适应不同类型的图像数据集,尤其适用于那些存在大量倾斜或者非水平放置物品的情况;此外还可以提升小尺寸物件的检出率,因为EIOU可以有效缓解由于尺度变化引起的位置偏移现象.
评论 2
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