针对这一问题，本文在CIoU的基础上将高宽比拆开，提出了EIoULoss，并且引

PyTorch1.1Conv2d1.2dataset，dataloader1.3训练pipeline1.4梯度归零1.5torch保存模型种类及区别2.目标检测2.1yolo3,4,5,7区别2.2yolo使用的loss(ciou

写在前面一、IoU（IntersectionoverUnion）1.1IoU的优点1.2作为损失函数会出现的问题(缺点)二、GIoU（Generalized）三、DIoU四、CIoU总结写在前面沉寂一段时间

GIoU、DIoU、CIoU详解GIoU、DIoU、CIoUGIoU优势核心实现公式CodeDIoU(Distance-IoU)MotivationContributionsDetailResultDiscussionGIoU

1GIOU论文：https://arxiv.org/abs/1902.09630代码：https://github.com/generalized-iou/g-darknet1.1摘要IOU是目标检测中的度量标准，但进行目标位置回归时一般使用的是L1L_1L1或L2L_2L2损失，作者证明了最小化这些损失并不等同于可以最大化IOU。因此，作者认为应该将最终的优化目标作为损失函数。但是普通的IOU在

MorePowerfulLearningforBoundingBoxRegression》参考博客：https://blog.csdn.net/qq_56749449/article/details/1257539922、原理有关IoU损失函数，像GIoU、DIoU、CIoU

Prediction：Yolov3Head二、Yolov4的训练改进策略1、数据增强：2、CmBN3、改进SAM4、改进PAN5、Dropblock6、其他7、其他IOU7.1、GIOU7.2、DIOU7.3、CIOU

题记：最近偶然间看到了Iou_Ioss，其作为CIoU_Loss的精进版本，带给了我新的想法，又因B站上无人对此讲解，为了弥补这一空白遂花时间制作PPT,近期会将录制的视频传至B站，欢迎大家前去观看。

1.在general.py文件中加入NMS方法defNMS(boxes,scores,iou_thres,class_nms='CIoU'):#class_nms=class_nmsGIoU=CIoU=

IOU_LossIOUGIOUDIOUCIOUyolov5的trick总结输入端的Mosaic数据增强、自适应锚框计算、自适应图片缩放操作、Focus结构(之后6.0就不用了)、CSP结构、SPP结构、FPN+PAN结构、CIOU_Loss

IOU的背景本文试图让您明白IOU和一些扩展复现出来加深您的理解IOU的发展史:L1Loss/L2Loss->SmoothL1Loss->IoULoss->GIoULoss->CIoU/DIoULossSmoothL1

注意这里的obj指的是网络预测的目标边界框与GTBox的CIoU。3、Locationloss，定位损失，采用CI

IOU损失函数目前主要应用于目标检测的领域，其演变的过程如下：IOU-->GIOU-->DIOU-->CIOU损失函数，每一种损失函数都较上一种损失函数有所提升。下面来具体介绍这几种损失函数。

yolox\models\losses.pyclassIOUloss(nn.Module):def__init__(self,reduction="none",loss_type="iou"):super(IOUloss,self).__init__()self.reduction=reductionself.loss_type=loss_typedefforward(self,pred,targ

深度学习常见问题——IOUIOU介绍公式优点缺点实现代码GIOU介绍公式优点实现代码DIOU介绍公式优点实现代码CIOU介绍公式IOU介绍交并比(IntersectionoverUnion)，表示两个bbox

YOLOV3YOLOV4CenterNet笔记本thikpad960max()X11650ti台式机1050ti1：YOLOV3和YOLOV4对比:onnx的输入sizetrt的输入size必须一样thindpadGTX940maxint8yolov431msyolov320msfp16yolov452msyolov347msfp32yolov453msyolov320ms1650ti(fp32)

前言CIOU-lossyolo3是该论文《Distance-IoULoss:FasterandBetterLearningforBoundingBoxRegression》提出来的。

FeaturePyramidNetworks）1.2上采样upsample二.yolov42.1yolov4框架2.2PAN三、Prediction创新之路3.1lou_loss3.2GIou_loss3.3DIou_loss3.4CIOU_los3.5

IoU,GIoU,DIoU,CIoU,SIoU损失函数实现论文地址：IoU:UnitBox:AnAdvancedObjectDetectionNetworkGIoU：GeneralizedIntersectionoverUnion

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：极市平台目标检测任务的损失函数由ClassificitionLoss和BoundingBoxRegeressionLoss两部分构成。本文介绍目标检测任务中近几年来BoundingBoxRegressionLossFunction的演进过程，其演进路线是SmoothL1LossIoULossGIoULossDIoULoss

点击上方“码农的后花园”，选择“星标”公众号精选文章，第一时间送达目标检测分为：目标分类+目标定位两个任务。目标分类就是要对该目标进行分类以确定该目标属于什么类别以及其属于该类别的置信度。目标定位是要在图像中确定目标的位置，输出其在图像中的坐标信息。目标定位依赖一个边界框回归模块去定位目标。边界框回归是指使用矩形边界框去预测目标对象在图像中的位置，然后不断细化预测边界框的位置。不断细化预测的边界框

目录IOUGIOUDIOUCIOUIOU、GIOU、DIOU、CIOU损失函数对比EIOU计算和损失函数总结目标检测分为：目标分类+目标定位两个任务。

CIOU就是在DIOU的基础上增加了检测框尺度的loss，增加了长和宽

IOU什么是IOU改进的IOUGIOUDIOUCIOU各种IOU代码如下IOU代码及结果展示如下GIOU代码及结果展示如下DIOU代码及结果展示如下CIOU代码及结果展示如下什么是IOUIOU是目标检测等任务当中

目录一、简介二、IoU（IntersectionoverUnion）三、GIoU（GeneralizedIoU）四、DIoU（Distance-IoU）五、CIoU(Complete-IoU)六、EIoU

传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。

最新的目标检测损失函数Siouloss+yolov5Sioulossmindspore下yolov5+siou/ciou实验对比Siouloss损失函数对一个目标检测算法是尤为重要的，iou存在对尺度不敏感的问题

传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。

边框回归损失函数1.SIoU1.1原理1.2代码实现1.SIoU1.1原理有关IoU损失函数，如(GIoU,DIoU,CIoU)没有考虑到真实框与预测框框之间的方向，导致收敛速度较慢，对此SIoU引入真实框和预测框之间的向量角度

（相对Yolo3，把其中定位损失部分，替换为CIOU-loss公式）介绍一些损失函数发展历史：定位损失：SmoothL1（FastR

接下来，总结一下，在工作中经常用到的损失函数：图像分类：交叉熵目标检测：Focalloss，L1/L2损失函数，IOULoss，GIOU，DIOU，CIOU图像识别：TripletLoss，CenterLoss

在YOLOv5源码中，原作者使用的是普通的nms，还有附加可开启的加权nms（merge-NMS），我们可以将nms替换为ciou_nms等其他的变种nms。

YOLOv4版本最大的改进就是性能较优1.mosaic数据增强将四张图像拼接到一张进行训练，间接增加了batchsize，提高效率2.CIOU损失函数3.SOFTNMS极大值抑制的策略从直接剔除改为降低分数

defbbox_iou(box1,box2,x1y1x2y2=True,GIoU=False,DIoU=False,CIoU=False):#ReturnstheIoUofbox1tobox2.box1is4

  目标检测任务的损失函数一般由ClassificitionLoss（分类损失函数）和BoundingBoxRegeressionLoss（回归损失函数）两部分构成。  BoundingBox回归损失函数近些年的发展过程是：SmoothL1Loss-->IoULoss（2016）–>GIoULoss（2019）–>DIoULoss（2020）–>CIoULoss（2020）–>EIoULoss(2

42716570/article/details/116759811yolov5中一共存在三种损失函数：分类损失cls_loss：计算锚框与对应的标定分类是否正确定位损失box_loss：预测框与标定框之间的误差（CIoU

要先判断目标检测的准确率标准，标准就是IOU（目标图片和预测图片的交并比）IOUyolov4用了CIOU_loss和DIOU_LOSS简单说一下，有个具体了解，都是从左到右发展来的IOUGIOUDIOUCIOU

backbone中，Focus结构能对特征图进行切片操作（如：4x4x3>>2x2x12)Prediction中，计算损失函数变为GIOU-LOSS,不同于yolov4中的CIOU-LOSS(个人认为是不

一、IOUdefiou(box,boxes):#box:[x1,y1,x2,y2]左上角和右下角坐标#boxes:[[x1,y1,x2,y2],[x1,y1,x2,y2],[x1,y1,x2,y2]....]包含很多个框box_area=(box[2]-box[0])*(box[3]-box[1])boxes_area=(boxes[:,2]-boxes[:,0])*(boxes[:,3]-box

YOLOv4_CIOU函数该文章仅记录自己学习历程,若有问题还请指正.yolov4中使用的是CIOU计算loss,若对于IOU的各种方法不明白的还请看下这个视频:IOU计算CIOU的公式表述如下:各部分表述如下

传统的目标检测损失函数依赖于边界框回归指标的聚合，例如预测框和真实框（即GIoU、CIoU、ICIoU等）的距离、重叠区域和纵横比。然而，

目标检测—CIOU原理及代码实现最近刚写完一篇YOLOV4-tiny的blog，其中Tensorflow2.0—YOLOV4-tiny网络原理及代码解析（三）-损失函数的构建涉及到了CIOU。

本文以Bubbliiing的YoloX代码进行注意力机制的增加，原博文参考以下。https://blog.csdn.net/weixin_44791964/article/details/120476949?spm=1001.2014.3001.5502在此感谢b导的视频，以及对我学习过程中的帮助。在darknet中引入注意力机制在darknet.py文件中加入以下代码。'''注意力模块'''cl

本篇博客介绍用于计算损失函数的CIOU_LOSS算法继上篇介绍yolov4——Mosaicdataargumentaion后，接着介绍yolov4中用到的tricks。

注意这里的obj指的是网络预测的目标边界框与GTBox的CIoU。Locationloss，定位损失，采用CIoUloss，只计算正样本的定位损失。针对三个预测特征层（P3

一、Mosaic图像增强：实际就是多张图片拼接，送入网络训练的过程1）增加了数据多样性2）增加了目标个数3）BN能一次性统计多张图片的参数。（Batchsize本应设大一点，统计的均值方差参数才更接近总体的，但由于显存大小等因素，Batchsize通常比较小）二、SPP（spatialpyramidpooling）模块：实现了不同尺度的特征融合网络结构上YOLO-V3-SPP和YOLO-V3的差别

一、IOULoss旷视在2016文章《UnitBox:AnAdvancedObjectDetectionNetwork》中提出了IOULoss将4个点构成的box看成一个整体做回归。文章链接：https://arxiv.org/pdf/1608.01471.pdf1.函数特性IOULoss的定义是先求出预测框和真实框之间的交集和并集之比，再求负对数，但是在实际使用中我们常常将IOULoss写成1-

来源丨https://zhuanlan.zhihu.com/p/359982543编辑丨极市平台导读IOU损失函数目前主要应用于目标检测的领域，其演变的过程如下：IOU-->GIOU-->DIOU-->CIOU

IoU就是我们所说的交并比作为损失函数会出现的问题(缺点)如果两个框没有相交，根据定义，IoU=0，不能反映两者的距离大小（重合度）。同时因为loss=0，没有梯度回传，无法进行学习训练。IoU无法精确的反映两者的重合度大小。如下图所示，三种情况IoU都相等，但看得出来他们的重合度是不一样的，左边的图回归的效果最好，右边的最差。GIoU:先计算两个框的最小闭包区域面积(通俗理解：同时包含了预测框和

文章目录1引言2问题分析3作者思考4DIoULoss计算过程5CIoULoss计算过程6IoU/GIoU/DIoU/CIoU代码实现可视化7感谢链接1引言目标检测任务的损失函数由ClassificitionLoss