YOLOv8v10涨点改进 | 损失函数改进篇 | 引入NWDLoss损失函数，提高小目标检测精度，小目标检测任务专属改进，详细使用步骤

YOLOv8v10引入NWDLoss提升小目标检测
于 2025-11-17 23:49:10 发布
阅读量29 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv8v10有效涨点创新改进+永久更新中 文章标签： YOLO 目标检测 YOLOv8创新改进 YOLOv10创新改进
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_45972324/article/details/154962608

一、本文介绍

本文给大家介绍引入NWDLoss损失函数优化YOLOv8v10模型！一种新的Normalized Wasserstein Distance (NWD) 度量，它将边界框建模为二维高斯分布，并利用Wasserstein距离计算其相似性，使其对目标尺度和位置偏差不敏感，可显著提升微小目标检测性能。具体怎么使用请看全文。

YOLOv8v10专栏限时订阅链接：YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文、发论文

YOLOv8v10专栏改进目录：

了解本专栏 订阅专栏 解锁全文
YOLOv13涨点改进 | 损失函数改进篇 | 引入NWDLoss损失函数，提高小目标检测精度，小目标检测任务专属改进，详细使用步骤
Ai缝合怪、助力小伙伴高效发论文
08-26 586
本文提出了一种基于NWD（Normalized Wasserstein Distance）损失函数优化YOLOv13模型的方法，用于提升微小目标检测性能。该方法将边界框建模为二维高斯分布，利用Wasserstein距离计算相似性，相比传统IoU指标对目标尺度和位置偏差更不敏感。文章详细介绍了NWDLoss的原理、敏感度分析及核心代码实现，并提供了在YOLOv13中添加该损失函数的完整步骤，包括代码修改和参数配置。实验表明该方法能显著提高微小目标检测精度，在AI-TOD数据集上AP提升达6.7点。
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 1594
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。
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 1954
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。
YOLOv11全新改进 | 最全损失函数改进篇 | SIoU 、WIoU、GIoU、DIoU、EIOU、CIoU， InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
最新发布
Ai缝合怪、助力小伙伴高效发论文
08-15 608
本文详细介绍了如何在YOLOv11模型中修改损失函数，提供了完整的代码实现步骤。主要内容包括：1）准备多种IoU损失函数的核心代码；2）分步骤替换metrics.py、loss.py和tal.py三个关键文件中的相关代码；3）提供了SIoU、WIoU、GIoU等多种损失函数的实现方法；4）给出了损失函数使用建议，建议优先改进模型结构，最后再考虑损失函数优化。文章还包含了详细的代码对比和参数说明，帮助开发者快速实现YOLOv11损失函数的自定义修改。
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 6064
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
YOLOv8v10改进 | Conv篇 | YOLOv10引入SPDConv卷积特征无损下采样模块（助力小目标任务高效涨点）
Ai缝合怪、助力小伙伴高效发论文
09-08 865
摘要：卷积神经网络 （CNN） 在许多计算机视觉任务（如图像分类和对象检测）中取得了巨大成功。但是，在图像分辨率低或物体较小的更艰巨任务中，它们的性能会迅速下降。在本文中，我们指出，这源于现有 CNN 架构中一个有缺陷但常见的设计，即使用跨步卷积和/或池化层，这会导致细粒度信息的丢失和学习效果较差的特征表示。为此，我们提出了一个名为 SPD-Conv 的新 CNN 构建块来代替每个跨步卷积层和每个池化层（从而完全消除了它们）。
YOLOv8v10改进 | Neck改进篇 | YOLOv10引入SDI多尺度融合模块助力于小目标检测和图像分割涨点
Ai缝合怪、助力小伙伴高效发论文
09-08 605
摘要：在本文中，我们介绍了 U-Net v2，这是一种用于医学图像分割的新型强大且高效的 U-Net 变体。它旨在增强语义信息对低级特征的注入，同时用更精细的细节来提炼高级特征。对于输入图像，我们首先使用深度神经网络编码器提取多级特征。接下来，我们通过注入来自更高级别特征的语义信息并通过 Hadamard 产品集成来自较低级别特征的更精细细节来增强每个级别的特征图。我们新颖的跳过连接为所有级别的功能提供了丰富的语义特征和复杂的细节。改进的功能随后传输到解码器，以进行进一步处理和分割。
芒果YOLOv10改进26：损失函数IoU篇之NWDLoss：即插即用｜YOLOv10小目标检测高效涨点2%，改进用于小目标检测的归一化高斯Wasserstein Distance Loss提升小目标
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-09 486
YOLOv10改进：损失函数IoU篇之NWDLoss：即插即用｜YOLOv8小目标检测高效涨点2%，改进用于小目标检测的归一化高斯Wasserstein Distance Loss，提升小目标
芒果YOLOv10改进组合120：动态标签分配ATSS + 损失函数NWDLoss组合改进，共同助力VisDrone小目标检测高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-30 355
YOLOv10改进组合：动态标签分配ATSS + 损失函数NWDLoss组合改进，共同助力VisDrone小目标检测高效涨点
YOLOv8v10有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
09-10 1558
YOLOv8v10新改进有效涨点专栏！本专栏会持续更新500+创新改进点，大家尽早关注有效涨点专栏，带着大家快速高效发论文！如果大家觉得本文能帮助到你了，订阅本专栏，关注后续更多的更新~同时有交流群方便大家有不懂的可以随时进行沟通交流及答疑。
RT-DETR 更换损失函数之 SIoU / EIoU / WIoU / Focal_xIoU
YOLOv8项目贡献者
11-26 2328
RT-DETR 更换IoU损失指南。
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 1280
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 2977
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！！！
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
热门推荐
qq_36070656的博客
10-18 1万+
NWD损失函数助力小目标检测
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
03-27 683
Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU
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 7034
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。
YOLOv5对于损失函数的改进
QT-Smile
03-09 3189
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） ...
目标检测 YOLOv5 - 损失函数的改进
q1552211的博客
05-05 1843
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
【YOLOv11改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv11更优秀
静谧、淡雅
10-19 1873
【YOLOv11改进[损失函数]】使用结合InnerIoU和Focaler的各种损失函数助力YOLOv11更优秀
YOLOv10人行道-斑马线目标检测模型发布及万级数据集分享
资源摘要信息:"yolov10人行道-斑马线目标检测模型以及1万+数据集" yolov10人行道-斑马线目标检测模型是一个专门针对人行道和斑马线场景进行目标检测的深度学习模型。这种模型通常基于YOLO（You Only Look Once）...
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