YOLOv8最新改进系列:优化CIoU为Wise-IoU,助力检测性能再提升,有效提升小目标检测精度!!!遥遥领先!!!!!

YOLOv8最新改进系列:优化CIoU为Wise-IoU

Wise-IoU的论文地址戳这,补足理论,遥遥领先

获取改进的源码见这里o

截止到发稿,B站YOLOv8最新改进系列的源码包已更新了22种网络的改进+Wise-IoU损失函数改进!

YOLOv8最新改进系列:优化CIoU为Wise-IoU,助力检测性能再提升,有效提升小目标检测精度!

  • YOLOv8最新改进系列:优化CIoU为Wise-IoU
  • 一、Wise-IoU概述
  • 二、YOLOv8最新改进系列:CIoU改为Wise-IoU方法
  • 三、最后验证是否成功即可


一、Wise-IoU概述

原文摘要:目标检测作为计算机视觉的核心问题,其检测性能依赖于损失函数的设计。边界框损失函数作为目标检测损失函数的重要组成部分,其良好的定义将为目标检测模型带来显著的性能提升。近年来的研究大多假设训练数据中的示例有较高的质量,致力于强化边界框损失的拟合能力。但我们注意到目标检测训练集中含有低质量示例,如果一味地强化边界框对低质量示例的回归,显然会危害模型检测性能的提升。Focal-EIoU v1 被提出以解决这个问题,但由于其聚焦机制是静态的,并未充分挖掘非单调聚焦机制的潜能。基于这个观点,我们提出了动态非单调的聚焦机制,设计了 Wise-IoU (WIoU)。动态非单调聚焦机制使用“离群度”替代 IoU 对锚框进行质量评估,并提供了明智的梯度增益分配策略。该策略在降低高质量锚框的竞争力的同时,也减小了低质量示例产生的有害梯度。这使得 WIoU 可以聚焦于普通质量的锚框,并提高检测器的整体性能。将WIoU应用于最先进的单级检测器 YOLOv7 时,在 MS-COCO 数据集上的 AP-75 从 53.03% 提升到 54.50%

二、YOLOv8最新改进系列:CIoU改为Wise-IoU方法

所有改进的代码均已放于博主的工房之中!
链接在这!
戳他!

三、最后验证是否成功即可

执行命令

python train.py

跑通就ok啦!

改完收工!
关注B站:AI学术叫叫兽
从此走上科研快速路
遥遥领先同行!!!!

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

你可能感兴趣的:(YOLOv8改进,YOLO,YOLO,目标检测,目标跟踪)