YOLOv8改进：IoU系列篇 | Shape-IoU结合基于辅助边框的Inner-IoU损失，实现再次创新

 本文改进： Shape-IoU结合基于辅助边框的Inner-IoU损失，小目标检测实现涨点，基于辅助边框的优化前提下，更加关注边界框本身的形状和尺度来计算损失

 YOLOv8改进专栏：http://t.csdnimg.cn/hGhVK

学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研；

1.Shape-IoU原理介绍

论文：https://arxiv.org/pdf/2312.17663.pdf 

 摘要：边界盒回归损失作为检测器定位分支的重要组成部分，在目标检测任务中起着重要的作用。现有的边界盒回归方法通常考虑GT盒与预测盒之间的几何关系，利用边界盒的相对位置和形状来计算损失，而忽略了边界盒的形状和规模等固有属性对边界盒回归的影响。为了弥补已有研究的不足，本文提出了一种关注边界盒本身形状和尺度的边