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

已于 2025-06-06 13:11:35 修改
阅读量2.2k 收藏 33
点赞数 11
CC 4.0 BY-SA版权
分类专栏： RT-DETR改进专栏 文章标签： 目标检测 计算机视觉 RT-DETR 深度学习
于 2024-11-16 08:37:37 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/qq_42591591/article/details/143741128

一、本文介绍

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 |P \cap G| = 0 ∣P∩G∣=0），或者P完全包含G或反之（即 ∣ P ∩ G ∣ = P |P \cap G| = P ∣P

了解本专栏 订阅专栏 解锁全文
YOLOv9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
08-26 1722
当发现预测边界框和真实边界框具有相同的宽高比但不同的宽度和高度值时，MPDIoU损失函数比现有损失函数更有效，此时可以尝试将损失函数修改成MPDIoU查看效果。
RT-DETR 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU
YOLOv8项目贡献者
11-26 2114
RT-DETR 更换IoU损失指南。
YOLOv11 改进策略：引入 NWD 损失函数提高小目标检测精度
走向CTO的路上...
05-24 1058
YOLO（You Only Look Once）是一种实时目标检测算法，能够有效地预测图像中多个物体的边界框和类别概率。其高效性使它成为自动驾驶、视频监控等领域的理想选择。NWD 是一种基于 Wasserstein 距离的损失函数，其通过归一化处理，更好地评估预测框和真实框之间的几何偏差。这种方法不仅仅关注重叠区域，而且考虑中心点和尺度信息，提高了对小目标的敏感度。
YOLOv9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
09-25 1404
本文记录的是基于NWD的YOLOv9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。
YOLOv5改进实战 | 更换损失函数（四）之NWD（小目标检测）篇
热门推荐
w94ghz的博客
10-01 1万+
【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
08-30 1万+
【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。
YOLO改进：【损失函数篇】提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数
qq_36070656的博客
10-18 1万+
NWD损失函数助力小目标检测
YOLOv10全网最新创新点改进系列：提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数，有效涨点！！嘎嘎开门！！！
B站 Ai学术叫叫兽的文案地
09-23 2700
YOLOv10全网最新创新点改进系列：提高小目标检测精度——Normalized Wasserstein Distance (NWD)损失函数，有效涨点！！嘎嘎开门！！！
RT-DETR改进策略【小目标改进】| Shape-NWD：融合改进，结合Shape-IoU和NWD 更好地适应小目标特性
Limiiiing的博客
11-30 810
Bw−wgt2h−hgt2weight2Bweight2w−wgt​2h−hgt​2​其中weight2weight = 2weight2。
RT-DETR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
11-13 1198
本文记录的是改进RT-DETR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与之间的几何关系，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。
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-03 1万+
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
RT-DETR改进策略【损失函数篇】| AAAI 2025 SD Loss，基于目标尺度动态调整尺度损失和位置损失的影响系数，减少 IoU 标签波动
最新发布
Limiiiing的博客
06-10 197
在红外小目标检测任务里，基于交并比的损失存在波动问题，像边界框（BBox）标签的IoU损失波动最高可达86%，较小目标的IoU损失稳定性更差，严重影响模型稳定性和回归效果。同时，现有损失函数没有充分考虑不同目标尺度下对尺度和位置的敏感度差异，，并且掩码标签的位置损失在处理漏检物体时难以收敛，容易产生误报。这些问题限制了模型在不同尺度目标上的检测性能，为解决这些问题，提出了损失函数。
YOLOv9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
09-20 1138
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。
YOLOv10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
11-08 916
本文记录的是基于NWD的YOLOv10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。
YOLOv12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
03-11 780
本文记录的是基于NWD的YOLOv12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。
YOLOV7改进-针对小目标的NWD(损失函数)
毕竟是Shy哥
09-08 2913
7、iou_ration是超参，可以调，如果小目标比较多的话，这个值可以低一些，从而增加nwd损失的比例。3、把这几行复制到utiils的loss.py。4、先对CoputerLoss类做修改。2、utils-loss，这里加。5、把那一行替换成这个。8、还有一个部分要改。9、这个box也要改。
【RT-DETR有效改进】SIoU、GIoU、CIoU、DIoU、WIoU等多种损失函数
Snu77的博客
11-28 3654
这篇文章介绍了RT-DETR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RT-DETR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。
RT-DETR算法改进：更换损失函数SIoU损失函数，更强大的边界框回归学习，提升RT-DETR检测精度
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 800
RT-DETR算法改进｜使用SIoU损失函数
YOLOv8改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
11-19 1万+
这篇文章介绍了YOLOv8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YOLOv8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。
rtdetr的损失函数
12-29
### RT-DETR 模型使用的损失函数解释 #### WIoU 损失函数 RT-DETR 中引入了一种新的损失函数——WIoU (Weighted Intersection over Union)，该损失函数旨在解决传统 IoU 及其变体（如 CIoU、SIoU）在某些情况下表现不佳的问题[^2]。 WIoU 的核心思想是在计算两个边界框之间的交并比时加入权重因子，使得对于不同大小的目标能够更加公平地评估预测框的质量。具体来说，WIoU 不仅考虑了重叠区域的比例，还通过加权的方式调整了对大目标和小目标的不同敏感度： \[ \text{WIoU} = \frac{\sum w_i A_i}{\sum w_j B_j}, \] 其中 \(A\) 表示真实标签框面积，\(B\) 是预测框面积，而 \(w\) 则代表基于物体尺寸或其他特征设定的权重系数[^3]。 这种改进有助于提高模型处理多尺度对象的能力，并且可以加速训练过程中的收敛速度以及改善最终检测精度。 #### 实现代码示例 以下是 Python 版本实现 WIoU 计算的一个简单例子： ```python import torch def wiou_loss(pred_boxes, gt_boxes): """ Calculate Weighted IOU loss between predicted boxes and ground truth boxes. Args: pred_boxes (Tensor): Predictions from the model with shape [N, 4]. gt_boxes (Tensor): Ground truths with same shape as `pred_boxes`. Returns: Tensor: Scalar tensor representing mean weighted IOU loss across all pairs of boxes. """ # Compute areas of both sets of boxes area_pred = (pred_boxes[:, 2] - pred_boxes[:, 0]) * \ (pred_boxes[:, 3] - pred_boxes[:, 1]) area_gt = (gt_boxes[:, 2] - gt_boxes[:, 0]) * \ (gt_boxes[:, 3] - gt_boxes[:, 1]) # Find intersection coordinates inter_xmin = torch.max(pred_boxes[:, None, 0], gt_boxes[:, 0]) inter_ymin = torch.max(pred_boxes[:, None, 1], gt_boxes[:, 1]) inter_xmax = torch.min(pred_boxes[:, None, 2], gt_boxes[:, 2]) inter_ymax = torch.min(pred_boxes[:, None, 3], gt_boxes[:, 3]) # Clip values to ensure no negative intersections occur width_intersections = torch.clamp(inter_xmax - inter_xmin, min=0.) height_intersections = torch.clamp(inter_ymax - inter_ymin, min=0.) # Calculate intersection area intersection_area = width_intersections * height_intersections # Define weights based on box sizes or other criteria here... weight_factor = ... union_areas = area_pred.view(-1, 1) + area_gt.view(1, -1) - intersection_area ious = intersection_area / union_areas # Apply weighting factor wiou_losses = 1. - (weight_factor * ious).mean() return wiou_losses.mean() ``` 此段代码展示了如何定义一个 PyTorch 函数来计算给定一组预测框 (`pred_boxes`) 和对应的真实标注框 (`gt_boxes`) 下的平均 WIoU 损失值。注意，在实际应用中可能还需要根据具体情况设置合适的权重参数 `weight_factor` 来优化性能。
评论
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

Limiiiing

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