yolov5使用最新MPDIOU损失函数，有效和准确的边界盒回归的损失，优于GIoU/EIoU/CIoU/EIoU（附代码可用）

已于 2024-02-19 14:09:09 修改
阅读量2.7k 收藏 10
点赞数
分类专栏： yolo系列改进计划 文章标签： YOLO
于 2023-09-18 19:01:20 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_42754919/article/details/132990747
版权
MPDIoU是一种新的边界框回归损失函数，旨在解决现有损失函数在相同纵横比但不同尺寸边界框上的局限。通过最小化左上角和右下角点的距离，它提高了效率和精度，特别适用于长宽比相同的预测框。MPDIoU计算简单，考虑了重叠、中心点距离、宽度和高度偏差。在实践中，MPDIoU损失函数可提升模型训练精度，特别是在处理包含关系的预测框时。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1. 论文

MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression
(一个有效和准确的边界框损失回归函数)
论文地址

1.1. 主要目的

当预测框与边界框具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界框回归损失函数都无法优化。
为了解决上述问题，MPDIoU充分挖掘水平矩形的几何特征，提出了一种新的基于最小点距离的边界框相似性比较指标MPDIoU，该指标包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。
在这里插入图片描述

论文中举例了，绿色框为真实目标框，红色框表示预测目标框，两幅图中预测目标框和真实目标框存在相同的长宽比，但是现象是不一致的，一个在真实框内部一个在真实框外部。

此时GIo

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5改进系列（17）——更换IoU之MPDIoU（ELSEVIER 2023|超越WIoU、EIoU等|实测涨点）
路人贾的博客
07-29 6158
yolov5更换IoU之MPDIoU，有效和准确的边界盒回归的损失，ELSEVIER 2023最新发表，超越WIoU、EIoU等，实测涨点！
YOLOv5改进实战 | 更换损失函数（三）之MPDIOU（2023最新IOU）篇
热门推荐
w94ghz的博客
09-19 1万+
基于MPDIoU与InnerMPDIoU的YOLOv8细节捕捉能力优化探讨
最新发布
shrgegrb的博客
02-25 255
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。
AI：219-保姆级YOLOv8改进 | MPDIoU与InnerMPDIoU的创新应用及代码解析【细节涨点】
一键难忘的博客
08-09 2914
MPDIoU通过在目标框和预测框上分别选取多个特征点，并计算这些特征点之间的距离来衡量框之间的差异。具体公式如下：其中，( p_i ) 和 ( g_i ) 分别表示预测框和目标框上的第 ( i ) 个特征点，( d ) 表示两个点之间的距离，( d_{\text{max}} ) 为最大距离。
改进YOLOv5：新的MPDIoU损失函数实现准确有效的边界框回归
CodeHeroicX的博客
09-10 1823
然而，为了进一步提升其性能，研究人员最近提出了一种改进的损失函数——MPDIoU，它在边界框回归方面表现出色，超越了传统的G/IoU损失函数。DIoU是一种用于衡量边界框之间距离的指标，它结合了边界框的位置和尺寸信息，相较于传统的IoU，DIoU能够更准确地度量边界框之间的相似程度。DIoU是一种用于衡量边界框之间距离的指标，它结合了边界框的位置和尺寸信息，相较于传统的IoU，DIoU能够更准确地度量边界框之间的相似程度。相比于传统的G/IoU损失函数，MPDIoU在一些复杂场景下能够取得更好的效果。
MPDIoU: A Loss for Efficient and Accurate Bounding BoxRegression
生活如此美好，致敬每一个热爱“热爱”的人！
09-05 6883
提出了一种新的基于最小点距离的边界框相似性比较指标MPDIoU，该指标包含了现有损失函数中考虑的所有相关因素，即重叠或不重叠区域、中心点距离、宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数，称为LMPDIoU。实验结果表明，MPDIoU损失函数应用于最先进的实例分割(如YOLACT)和基于PASCAL VOC、MS COCO和IIIT5k训练的目标检测(如YOLOv7)模型，其性能优于现有的损失函数
损失函数篇 | YOLOv8 更换损失函数之 MPDIoU | 《2023 一种用于高效准确的边界框回归的损失函数》
YOLOv8项目贡献者
07-30 1万+
MPDIoU 2023 🏅一种用于高效准确的边界框回归的损失函数
边界框回归的魔法：揭秘精准高效的MPDIoU损失函数
m0_47867638的博客
08-25 4337
边界框回归（BBR）已广泛应用于目标检测和实例分割，这是目标定位的重要步骤。然而，现有的大多数边界框回归损失函数在预测框与地面真相框具有相同长宽比但宽度和高度值完全不同的情况下无法优化。为了解决上述问题，我们充分探索了水平矩形的几何特征，并基于最小点距离提出了一种新颖的边界框相似性比较度量MPDIoU，该度量包含了现有损失函数中考虑的所有相关因素，即重叠或非重叠区域、中心点距离以及宽度和高度偏差，同时简化了计算过程。在此基础上，我们提出了基于MPDIoU的边界框回归损失函数LMPDIoUL。
YoloV5改进实战：使用MPDIoU改进YoloV5
m0_47867638的博客
09-20 3551
MPDIoU（Minimum Point Distance based IoU）是一种用于边界框回归的损失函数，旨在解决现有损失函数在预测边界框与真值边界框具有相同长宽比但宽度和高度的值完全不同时无法有效优化的问题。MPDIoU包含三个关键因素：重叠或非重叠区域、中心点距离以及宽度和高度的偏差。它通过最小化预测边界框和真值边界框之间的点距离来计算IoU，从而简化了计算过程。 将MPDIoU应用于最先进的实例分割（例如YOLACT）和目标检测（例如YOLOv7）模型，并在PASCAL VOC、MS COCO和
Yolov5/Yolov7损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023
07-29 1409
ELSEVIER 2023 MPDIoU新型边界框相似度度量助力yolov5，适用提升小目标、遮挡物性能提升
Yolov8损失函数改进：MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023
07-29 7032
ELSEVIER 2023 MPDIoU新型边界框相似度度量助力yolov8，适用提升小目标、遮挡物性能提升
【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou
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。
06-07 3260
论文地址：论文地址代码地址：代码地址广义IoU（GIoU，Generalized IoU）的计算公式是在标准IoU的基础上进行扩展，加入了对边界框相对位置的补偿。其公式如下：GIoU=IoU−∣C−(A∪B)∣∣C∣ \text{GIoU} = \text{IoU} - \frac{|C - (A \cup B)|}{|C|} GIoU=IoU−∣C∣∣C−(A∪B)∣​其中：具体解释如下：GIoU弥补了IoU在边界框不重叠或重叠很小时无法有效度量边界框相对位置的问题，使得在训练过程中能够更好地优化边界框的
YOLOv5改进系列(七) 更换损失函数GIoU，DIoU，CIoU，EIoU，AlphaIoU，SIoU，WIoU
专注于人工智能学习，总结
12-14 3662
*IoU Loss：**主要考虑检测框和目标框重叠面积。**GIoU Loss：**在IoU的基础上，解决边界框不相交时loss等于0的问题。**DIoU Loss：**在IoU和GIoU的基础上，考虑边界框中心点距离的信息。**CIoU Loss：**在DIoU的基础上，考虑边界框宽高比的尺度信息。**EIoU Loss：**在CIoU的基础上，解决了纵横比的模糊定义，并添加Focal Loss解决BBox回归中的样本不平衡问题。
MPDIoU: A Loss for Efficient and Accurate Bounding BoxRegression--论文学习笔记
athrunsunny的博客
08-02 1万+
边界框回归（Bounding Box Regression，BBR）在目标检测和实例分割中被广泛应用，是定位目标的重要步骤。然而，大多数现有的边界框回归损失函数在预测框与实际标注框具有相同的宽高比但宽度和高度值完全不同的情况下无法进行优化。为了解决上述问题，作者充分探索了水平矩形的几何特征，提出了一种基于最小点距离的边界框相似度比较度量——MPDIoU，其中包含了现有损失函数中考虑的所有相关因素，例如重叠或非重叠面积、中心点距离以及宽度和高度的偏差，同时简化了计算过程。
复现YOLOv5改进最新MPDIoU:有效和准确的边界盒回归的损失，打败G/E/CIoU，效果明显！！！
qq_44224801的博客
07-27 2433
边界盒回归(Bounding box regression, BBR)广泛应用于目标检测和实例分割，是目标定位的重要步骤。然而，当预测框与groundtruth盒具有相同的纵横比，但宽度和高度值完全不同时，大多数现有的边界盒回归损失函数都无法优化。为了解决上述问题，我们充分挖掘了水平矩形的几何特征，提出了一种新的基于最小点距离的边界盒相似度比较度量MPDIoU。
YOLOv8 深度探究：MPDIoU 损失函数的威力解析
一直在水些技术小文
11-08 1698
MPDIoU 损失函数是 YOLOv8 中引入的一种新型损失函数。它结合了 MPD（Maximum Precision Distance）和 IoU（Intersection over Union）的概念，旨在提高检测框的定位精度和分类性能。这一创新的损失函数受到了许多研究人员的高度关注，因为它在多个数据集上实现了卓越的性能。
YOLOv9改进策略 | 损失函数篇 | 利用真实边界框损失之MPDIoU助力YOLOv9精度更上一层楼
Snu77的博客
03-28 4228
Hello，大家好我是Snu77，这里给大家带来的是YOLOv9系列的第一篇改进策略，本文的内容是用了YOLOv9官方集成的MPDIoU损失来给大家进行改进 | MPDIoU需要图片的真实大小，但是官方并没有传递这个参数，在训练的阶段还好因为YOLO系列是固定图片大小训练，但是在训练时的验证确是不固定的所以我们需要将图片的真实大小传递进去但是官方并没有做这个功能，但是它预留了两个参数位可以看出我们这么做是没有任何问题的。最近群里很多读者都在催更YOLOv9系列(不下于二十人)
YOLOv5边界框回归
weixin_35756130的博客
01-08 490
YOLOv5 边界框回归是一种在目标检测中使用的技术，旨在精确地定位目标在图像中的位置。在 YOLOv5 中，边界框回归是通过通过学习从边界框预测到真实边界框的转换来实现的。这些转换可以用来调整预测边界框的位置、大小和形状，使其更精确地与真实边界框匹配。 ...
yolov10损失函数改进
02-21
### YOLOv10 损失函数改进方法研究 #### 多种IoU损失函数及其变体的应用 YOLOv10引入了多种基于交并比(IoU)的损失函数以及它们的不同变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等。这些改进后的损失函数不仅提高了模型在目标检测任务中的精度，也加速了训练过程中的收敛速度[^1]。 #### “Focus”思想与新型损失函数的设计 除了传统的IoU损失外，“Focus”概念被融入到了新的损失函数设计之中。“Focus”的核心在于更加关注那些难以区分的对象边界区域，在此基础上衍生出了超过二十种不同的组合型损失函数，每一种都针对特定类型的物体识别难题进行了优化调整。 #### MPDIoU 和 InnerMPDIoU 的提出与发展 最新版本中提出了两种全新的损失函数——MPDIoU和InnerMPDIoU。特别是后者作为首次公开的技术方案，结合了最新的“Inner”理念，在大多数情况下展现出优于其他现有解决方案的表现。这两种损失函数特别强调对于细粒度特征的学习能力，有助于进一步提升YOLOv10的整体表现水平[^2]。 #### EfficiCLoss 及 EIOU_Loss 对传统 CIOU_Loss 的超越 EfficiCLoss作为一种高效的替代选项也被纳入考虑范围之内；而EIOU_Loss则是在经典CIOU_Loss基础上做出的重要革新，主要体现在对长宽比例影响因素更为精细地建模上，使得预测框与真实标签之间的匹配程度得到显著改善[^3]。 ```python def compute_loss(pred_boxes, true_boxes): """ 计算不同种类的 IoU Loss 参数: pred_boxes (Tensor): 预测框坐标张量 true_boxes (Tensor): 真实框坐标张量 返回: Tensor: 各类 IoU loss 值之和 """ iou_losses = [] # 实现 SIoU, WIoU, GIoU, DIoU, EIou, CIoU... siou_loss = calculate_siou_loss(pred_boxes, true_boxes) wiou_loss = calculate_wiou_loss(pred_boxes, true_boxes) giou_loss = calculate_giou_loss(pred_boxes, true_boxes) diou_loss = calculate_diou_loss(pred_boxes, true_boxes) eiou_loss = calculate_eiou_loss(pred_boxes, true_boxes) ciou_loss = calculate_ciou_loss(pred_boxes, true_boxes) iou_losses.extend([siou_loss, wiou_loss, giou_loss, diou_loss, eiou_loss, ciou_loss]) total_iou_loss = sum(iou_losses) return total_iou_loss ```
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
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