GIOU loss

IOU

IOU在0~1之间，两个框完全重合为1，所以 为0时没有重合，即值越低 IOU效果越差

IOU loss = 1 - IOU，loss 越小，效果越好，这是 IOU loss 和 IOU 的区别

GIoU

GIoU是在2019年发表在CVPR的一篇论文，主要解决了当时普遍使用IOU loss 存在的一些问题，

作者发现使用 IoU 会有两个缺点，导致其不太适合做损失函数：

1、预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。

而 GIOU loss，通过最小闭合凸面 C的原理，

2、即使预测框和真实框之间相重合且具有相同的 IoU 值时，检测的效果也具有较大差异。

比如对于同样是IOU是一个值的 三种 IOU情况，GT框和预测框 有一条边重合，GT框和预测框 没有边重合，但是 矩形框的长边和短边平行，3，GT框和预测框没有边平行，两个框呈一定旋转角度，这三种情况，对于后面的优化来说，当然是有边重合的最好，两个框不平行是最差的，这种情况下，对于原先的IOU loss，是没区别的，而 GIOU loss，通过最小闭合凸面 C的原理，让类似于这三种情况下的IOU 也 是有loss区分的，其中 两个框越不重合，loss越大，通过这样一种方式，最终GIOU loss，最终对模型性能的提升，在作者论文里 PASCAL VOC 2007.数据集上相对于 IOU losss 有将近6.85%个点的提升。

目标检测中的IOU&升级版GIOU - 知乎

IoU的局限性

预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。

当IOU=0时：https://www.zhihu.com/equation?tex=GIOU%3D-1%2B%5Cfrac%7BA%5Ccup+B%7D%7BC%7D%5C%5C+

显然，  值不变，最大化GIOU就是要最小化  ，最小化C就会促成两个框不断靠近，而不是像最小化IOU那样loss为0。

目标检测中的IOU&升级版GIOU - 知乎