【YOLO系列】IoU、GIoU、DIoU、CIoU详细解析

本文对IoU、GIoU、DIoU、CIoU作了详细解析，包括为什么要提出XIoU、新提出的XIoU如何解决以往XIoU的缺陷问题等

学习视频：

yolov3spp理论讲解(包括CIoU以及Focal Loss)_哔哩哔哩_bilibili

YOLOv4网络详解_哔哩哔哩_bilibili

2.20、MSE做box损失的局限性_哔哩哔哩_bilibili

2.21、GIOU、DIOU、CIOU计算_哔哩哔哩_bilibili

XIoU Loss的发展历程：

利用XIoU来作损失计算，XIoU Loss一般设置1-XIoU，例如，使用GIoU作为bbox的定位损失项，则：

 

---

目录

1.MSE作bbox定位损失的局限性

2.IoU Loss

3.GIoU Loss

4.DIoU Loss

5.CIoU Loss

6.实验对比和总结

---

1.MSE作bbox定位损失的局限性

YOLOv3损失函数(红框部分为bbox定位损失项) 

MSE(均方误差)的局限性：对位置敏感，缺乏对重叠情况的衡量：MSE主要关注框的位置和大小，不关心预测框与真实框的重叠程度，因此在预测框和真实框之间的重叠较少时，bbox定位损失项也可能很小，导致模型优化方向不准确

2.IoU Loss

针对MSE为作bbox定位损失项的缺陷，提出IoU Loss作为bbox定位损失项

 IoU、IoU Loss计算公式

 IoU的优越性：

（1）IoU计算公式直接衡量预测框与真实框的重叠程度，是检测任务种评估框匹配度的标准。相比于MSE，IoU更直观地反映了两个框的重合情况。

（2）更加鲁棒：IoU能够反映框与框之间的实际重叠质量，而不仅仅是数值上的距离差异（IoU的值在0~1之间，越靠近0说明重叠程度越低，越靠近1说明重叠程度更高，而MSE计算box损失时如果预测框与真实框差距很大的话，数值可能是无限的，范围是0~正无穷），这使得IoU对边界框调整的反馈更符合检测目标。

下面举个例子理解一下IoU的优越性

IoU的优越性例子 

IoU的缺陷： 当两个框不相交时，无论两个框的距离远近，IoU始终为0，IoU