改良YOLO系列：引入SIoU / EIoU / WIoU / Focal_xIoU学习策略

最新推荐文章于 2025-08-28 20:48:34 发布

编码实践

最新推荐文章于 2025-08-28 20:48:34 发布

阅读量1.3k

点赞数 1

CC 4.0 BY-SA版权

文章标签： YOLO 计算机视觉深度学习

本文链接：https://blog.youkuaiyun.com/wellcoder/article/details/130935073

计算机视觉同时被 2 个专栏收录

90 篇文章 ¥99.90 ¥299.90

订阅专栏

计算机视觉进阶

90 篇文章 ¥99.90 ¥299.90

订阅专栏

针对YOLOv5在检测小目标时的精度问题，文章提出了SIoU、EIoU、WIoU和Focal_xIoU四种学习策略。这四种方法通过优化交并比和引入权重，提升了小目标检测的准确性。例如，SIoU采用softmax转换IOU，EIoU考虑边界框不对称，WIoU对小目标加权，Focal_xIoU结合Focal Loss加强正样本权重。

改良YOLO系列：引入SIoU / EIoU / WIoU / Focal_xIoU学习策略

在计算机视觉中，目标检测一直是一个具有挑战性的任务。特别是对于较小的目标，传统的检测方法通常会存在精度不足的问题。

为了解决这一问题，近年来发展了一种基于深度学习的目标检测算法，即YOLO（You Only Look Once），其设计简单、实时性好、准确率高，已经成为目前领域内最为流行的解决方案。

然而，YOLO算法也有其缺陷。例如，它倾向于把较小的目标检测成背景，从而降低了检测精度。针对此问题，本文提出了四种改进学习策略：SIoU、EIoU、WIoU和Focal_xIoU。

SIoU

SIoU（Soft Intersection Over Union）是一种集成了softmax的交并比方法。它将两个边界框之间的IOU值转化为一组加权的概率分布，以更好地捕捉较小目标的特征。

代码示例：

def compute_sIoU(pred_box, gt_box):
    dim_pred

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

编码实践

关注关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

强化YOLOv5训练策略：SIoU、EIoU、WIoU和Focal_xIoU详解

一直在水些技术小文

11-09

621

YOLOv5是一种端到端的目标检测框架，以其快速的推理速度和卓越的性能而闻名。它的核心思想是将目标检测问题视为回归问题，直接预测目标的边界框坐标和类别。YOLOv5使用骨干网络、特征金字塔、预测头和损失函数等组件来实现目标检测任务。# 添加YOLOv5的各个组件# ...# YOLOv5前向传播# ...return xYOLOv5的优势在于其端到端设计，高效的特征金字塔和快速的推理速度。

YOLOv13|损失函数优化篇：WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码

FJN110的博客

08-27

1704

YOLOv13 WIoU（Wise IoU）是目标检测领域提出的新型边界框回归YOLOv13损失函数，通过动态非单调聚焦机制优化YOLOv13训练过程。针对现有YOLOv13 IoU变体在训练样本质量不均衡、梯度分配不合理等方面的局限，WIoU创新性地引入质量感知损失设计，根据样本回归质量动态调整损失权重。其核心算法包含异常度量子β和质量度量子α的计算，结合动态聚焦参数δ和γ形成非单调聚焦模式，在训练不同阶段智能分配注意力：早期关注中等质量样本，后期专注高质量样本，同时抑制低质量样本干扰YOLOv13YOL

参与评论您还未登录，请先登录后发表或查看评论

YOLOv8|损失函数优化篇：Focal WIOU 考虑几何相似性，更关注如何在训练过程中合理分配注意力-包源码

最新发布

FJN110的博客

08-28

1813

WIoU（Wise IoU）是目标检测领域最新提出的边界框回归损失函数，通过动态非单调聚焦机制解决了现有IoU变体的关键局限性。传统方法在处理样本质量不均衡时存在梯度分配不合理问题，而WIoU创新性地引入异常度量子β和质量度量子α，结合动态聚焦参数δ和γ，构建了自适应权重调节机制。该损失函数能根据样本回归质量智能分配注意力：在训练早期关注中等质量样本，后期聚焦高质量样本，同时抑制低质量样本的负面影响。WIoU的数学形式为L_WIoU = r * L_IoU，其中动态权重r = β^δ * α^γ，实现了对训

YOLOv7改进Wiou损失函数：结合最新的Wise-IoU损失函数，提升目标检测性能

QvisCs的博客

09-16

1593

总结起来，本文介绍了一种改进的Wiou损失函数，通过结合最新的Wise-IoU损失函数和YOLOv7模型，可以显著提升目标检测的性能。通过引入Wise-IoU损失函数，可以有效地解决传统IoU损失函数存在的问题，并提高对小目标和高度压缩边界框的检测能力。为了进一步提升YOLOv7模型的性能，研究人员引入了一种新的损失函数——Wise-IoU，并与YOLOv7相结合，取得了显著的性能提升。这样的改进可以提高模型对小目标和高度压缩的边界框的检测能力，从而在目标检测任务中取得更好的性能。

Yolov5改进_IoU篇

QuasimodoD的博客

10-24

770

CIoU/SIoU/EIoU/a-IoU/Focal-IoU/WIoU

YOLOv5改进WIoU损失函数：基于最新研究的WIoU损失函数及动态聚焦机制的边界框回归损失

KtMacos的博客

09-21

856

本文提出了一种改进的WIoU损失函数，结合了最新的研究成果，并引入了具有动态聚焦机制的边界框回归损失，以提升计算机视觉中目标检测算法的性能。本文还提供了相应的源代码以供参考。本文针对目标检测算法中的损失函数进行了改进，引入了最新的WIoU损失函数和动态聚焦机制的边界框回归损失。本文提出了一种改进的WIoU损失函数，结合了最新的研究成果，并引入了动态聚焦机制的边界框回归损失。通过实验验证，我们的方法在多个标准数据集上超越了传统的CIoU和SIoU指标，提高了计算机视觉中目标检测算法的性能。

【yolo系列：yolov7改进wise-iou】

weixin_47869094的博客

10-07

2444

确定好训练配置后，即可进行性能对比分析，找出哪个版本在实验中取得了明显的提升。

YOLOV5改进-Focal-EIoU

qq_69854365的博客

08-09

3029

回归通过确定(梯度信号)损失函数减小的方向，梯度是损失函数关于参数的导数，它表示了损失函数在参数空间中的变化率。损失函数是描述模型预测结果与真实标签（ground truth）之间的关系。通过计算损失函数对参数的梯度，我们可以确定梯度的方向，并沿着负梯度方向更新参数，使得损失函数逐步减小。回归loss主要有两种loss函数，ln-norm函数和IoU-based函数IoU-based函数中的四个loss。

“改进YOLO系列 | YOLOv7 更优训练策略：SIoU / EIoU / WIoU / Focal_xIoU 最全解析“

IpyVariable的博客

09-18

888

目前，目标检测是计算机视觉领域的一个热门研究方向。YOLO（You Only Look Once）系列是目标检测领域中最流行的检测器之一。YOLOv7是YOLO系列的最新版本，在YOLOv7中新引入了四种训练策略，即SIoU、EIoU、WIoU和Focal_xIoU。本文将详细介绍这四种训练策略，并提供相应的源代码实现。

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

weixin_39818775的博客

09-11

914

YOLOv7通过引入新的损失函数，如SIoU、EIoU、WIoU等，显著提升了目标检测的性能。这些损失函数通过考虑目标框的形状、大小、中心点距离等几何信息，更好地衡量预测框与真实框之间的差异。

改进YOLO系列——全面汇总SIoU、EIoU、WIoU、Focal_xIoU和MPDIoU的训练策略

IpyVariable的博客

09-19

1010

随着计算机视觉领域的不断发展，研究者们提出了一系列改进版本，进一步提高了YOLO算法的性能。本文将介绍YOLO系列的改进之一，即SIoU、EIoU、WIoU、Focal_xIoU和MPDIoU的训练策略，并提供相应的源代码。我们定义了SIoULoss作为损失函数，并在训练循环中使用该损失函数计算模型的损失，并进行反向传播和优化。类似地，你可以根据相应的训练策略，自行实现EIoU、WIoU、Focal_xIoU和MPDIoU的训练策略，并将其应用于YOLO系列的目标检测算法中。其中，w表示位置权重系数。

【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.60】损失函数改进为wiou

m0_70388905的博客

03-16

8142

损失函数更新

改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

weixin_39818775的博客

08-11

1131

本文将深入探讨YOLOv5目标检测模型中常用的IoU损失函数的改进，包括SIoU、EIoU、WIoU、Focal-xIoU以及新兴的MPDIoU。这些改进旨在更准确地衡量预测框与真实框之间的差异，从而提升模型的定位精度。不同的IoU损失函数在不同的场景下具有不同的优势。选择合适的损失函数可以显著提升YOLOv5模型的定位精度。

目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现

qq_40716944的博客

12-28

8115

IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。1.2 IoU计算公式通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。

YOLOv 损失函数探究：SIoU、EIoU、WIoU和Focal_xIoU的全面总结

IdfdFsharp的博客

09-18

1979

在YOLOv中，常用的损失函数包括SIoU（Structured Intersection over Union）、EIoU（Enhanced Intersection over Union）、WIoU（Weighted Intersection over Union）和Focal_xIoU（Focal Intersection over Union）。请注意，本文提供的源代码仅用于说明损失函数的计算过程，实际应用中需要根据具体的框架和任务进行相应的调整和集成。

损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU超详细精讲及Pytorch实现

热门推荐

路人贾的博客

06-20

4万+

一文带你了解IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU。超级详细的解读，包含代码实现，适合小白！

YOLOX改进之损失函数修改（下）

weixin_45679938的博客

01-06

1万+

文章内容：如何在YOLOX官网代码中修改定位损失环境：pytorch1.8 修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss （2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解YOLOX及上述损失函数原理参考链接： YOLOX官网链接：https://github.com/Megvii-BaseDetection/YOLOX YOLOX原理解析（Bubbliiiing大佬版）：https:

深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现

源的博客

02-09

3万+

文章目录IOU-lossGIOU-lossDIOU-lossCIOU-lossEIOU-loss总对比 IOU-loss GIOU-loss DIOU-loss CIOU-loss EIOU-loss CIOU Loss虽然考虑了边界框回归的重叠面积、中心点距离、纵横比。但是通过其公式中的v反映的纵横比的差异，而不是宽高分别与其置信度的真实差异，所以有时会阻碍模型有效的优化相似性。针对这一问题，有学者在CIOU的基础上将纵横比拆开，提出了EIOU Loss，并且加入Focal聚焦优质的锚框，该方法出自于20

损失函数篇 | YOLOv8更换损失函数之CIoU / DIoU / EIoU / GIoU / SIoU / WIoU

01-21

### 更改YOLOv8中的损失函数在YOLOv8中更改默认的损失函数为CIoU、DIoU、EIoU、GIoU、SIoU或WIoU涉及修改模型训练配置文件以及可能调整部分源码。具体操作如下： #### 修改配置文件通常情况下，YOLO框架允许用户通过编辑配置文件指定使用的损失函数类型。对于YOLOv8而言，在`cfg/training/hyp.scratch-low.yaml`或其他自定义超参数设置文件内找到对应于边界框回归项的部分。例如，要切换到CIoU作为新的损失度量标准，则需定位至该文件内的相应字段，并将其值设为所需的选项之一[^2]。 ```yaml box: 0.05 # 原始 IoU loss 权重, 需改为 ciou_loss 或其他形式 ``` 应更新为此类格式以启用特定类型的IoU变体: ```yaml ciou: True # 启用 CIoU 损失计算方式 diou: False # 关闭 DIoU (可根据需求调整) eiou: False # ... giou: False # siou: False # wiou: False # ``` 请注意不同版本间可能存在细微差异；上述方法适用于大多数场景下的常规实践指导。 #### 编辑源代码如果仅靠修改配置无法满足需求，那么就需要深入研究官方提供的API文档和现有实现细节，进而对手动编码做出适当改动。这一步骤主要集中在负责处理位置预测逻辑的相关模块上。假设已经决定采用某种改进型IoU（比如EIoU），则可以在项目根目录下查找名为`loss.py`之类的脚本文件，其中包含了各类损失组件的具体定义。在此基础上增加新功能或将已有算法替换成目标方案即可完成定制化改造工作[^1]。 ```python def compute_iou(pred_boxes, target_boxes): """ 计算两个矩形框间的交并比 """ def eiou_loss(): # 实现 EIoU 的核心运算过程... pass if config['use_eiou']: return eiou_loss() else: # 默认行为保持不变... pass ``` 以上就是关于如何在YOLOv8里边引入新型态IoU损失机制的大致思路概述。