改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

YOLOv7训练策略改进：SIoU、EIoU、WIoU、Focal_xIoU、MPDIoU最全汇总

引言

YOLOv7作为YOLO系列的最新版本，在目标检测领域表现出色。为了进一步提升模型的性能，研究者们不断探索新的训练策略。本文将对YOLOv7中常见的几种改进训练策略——SIoU、EIoU、WIoU、Focal_xIoU以及新提出的MPDIoU进行详细介绍，并提供相应的代码实现示例。

原理详解

• IoU (Intersection over Union)：传统的IoU计算预测框与真实框的交并比，但对形状差异不敏感。
• GIoU (Generalized IoU)：GIoU在IoU的基础上考虑了预测框和真实框的最小外接矩形，以更好地衡量定位误差。
• DIoU (Distance-IoU)：DIoU不仅考虑了重叠区域，还考虑了中心点之间的距离以及框的对齐程度。
• CIoU (Complete-IoU)：CIoU在DIoU的基础上考虑了长宽比的差异。
• EIoU (Efficient-IoU)：EIoU在CIoU的基础上引入了正则化项，以平衡分类和定位损失。
• SIoU (Similarity IoU)：SIoU考虑了边框的相似性，包括距离、长宽比和角度。
• WIoU (Weighted IoU)：WIoU为IoU的不同部分赋予不同的权重，以强调不同的方面。
• Focal_xIoU: 将Focal Loss与xIoU (CIoU或DIoU)结合，以更好地处理类别不平衡问题