yolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_iou将下面代码放到metrics.py文件里面，原来的

、IOU（一）为什么提出IOU（二）IOU的计算公式（三）IOULoss（四）IOU的优缺点二、GIOU（一）为什么提出GIOU（二）GIOU的计算公式（三）GIOULoss（四）GIOU的优缺点三、DIOU

本篇内容：RT-DETR算法改进：超全集成超多种Loss损失函数，包括WIoU、SIoU、XIoU、EfficiLoss、EIoU、DIoU、CIoU、α-IoU多种损失函数本博客改进源代码改进适用于RT-DETR

一、首先会对这几种损失进行介绍：1、背景由于EIOU是在CIOU的基础上改进的，为方便理解，此处贴出CIOU的计算公式，其他GIOU、DIOU不作介绍。

同时IoU有着比较严重的缺陷，于是出现了GIoU、DIoU、CIoU、EIoU，下面我们一起看一下这几种IoU。2.IoU（IntersectionoverUnion

DIOU，

交叉熵、Focalloss、L1，L2，smoothL1损失函数、IOULoss、GIOU、DIOU和CIOU联言命题2020-02-2321:36:3711978收藏11分类专栏：目标检测最后发布:2020

前言损失函数是用来评价模型的预测值和真实值一致程度，损失函数越小，通常模型的性能越好。不同的模型用的损失函数一般也不一样。损失函数主要是用在模型的训练阶段，如果我们想让预测值无限接近于真实值，就需要将损失值降到最低，在这个过程中就需要引入损失函数，而损失函数的选择又是十分关键。尤其是在目标检测中，损失函数直接关乎到检测效果是否准确，其中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：

1.问题是对于v1/v2版本中的tx、ty的限制2.GIoU:优化无重叠情况下的无法优化3.DIoU:考虑两个网格之间的中心坐标的距离信息4.CIoU:考虑形状信息大特征图中保留到的局部细节特征往上传，

1.研究背景与意义项目参考AAAIAssociationfortheAdvancementofArtificialIntelligence研究背景与意义：随着人工智能技术的不断发展，手势识别和游戏AI对战系统已经成为了研究的热点领域。手势识别可以应用于人机交互、虚拟现实、智能家居等领域，而游戏AI对战系统则可以提供更具挑战性和趣味性的游戏体验。然而，目前的手势识别和游戏AI对战系统还存在一些问题，

IoU（IntersectionoverUnion，交并比）、GIoU（GeneralizedIoU，广义交并比）、CIoU（CompleteIoU，完全交并比）和DIoU（DistanceIoU，距离交并比

深度学习——Loss汇总一、IOULoss二、L1Loss一、IOULoss公式：参考资料:目标检测回归损失函数——IOU、GIOU、DIOU、CIOU、EIOU二、L1Loss公式：参考资料:PyTorch

它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Alpha”思想，创造了一系列新的损失函数。

目录前言二、YOLOv1举例说明：三、YOLOv2四、YOLOv3五、YOLOv4框架原理5.4.5余弦模拟退火5.5.2DIoU-NMS六YOLOv5七、YOLOv6前言一、前言YOLO系列是one-stage

本文改进：Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU，其引入尺度因子ratio控制辅助边框的尺度大小用于计算损失。

本文独家改进：Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失，并与现有的基于IoU（GIoU,DIoU,CIoU，SIoU）损失进行有效结合推荐指数：5颗星新颖指数：5颗星Yolov5

它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。

步骤1打开utils/metrics.py,找到以下代码defbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,eps=1e-7

本篇内容：RT-DETR算法改进：更换损失函数DIoU损失函数本博客改进源代码改进适用于RT-DETR目标检测算法（ultralytics项目版本）按步骤操作运行改进后的代码即可改进RT-DETR目标检测算法专属文章目录一

IOU系列1、IOU1.1特性(优点)1.2缺点2、GIOU(GeneralizedIntersectionoverUnion)2.1介绍2.2特性2.3缺点3、DIoU(Distance-IoU)3.1

目录前言一、IOU（IntersectionoverUnion）1.1优点1.2缺点1.3实现代码二、GIOU（GeneralizedIoU）2.1优点2.2缺点2.3实现代码三、DIOU（Distance-IoU

NMS和SoftNMSNMS=NoneMaximumSuppress，非极大值抑制，简单来说就是目标检测结果里有个bbox置信度的score_threshold，还有多个bboxes重复IOU的iou_threshold。NMS和SoftNMS的区别在于：NMS里score（也就是bbox的confidencescore）最大的bbox会把其他重叠iou超过iou_threshold的bbox都给

项目地址：https://github.com/THU17cyz/3DIoUMatch-PVRCNN本篇论文的关键代码：Dataset：KittiDatasetSSLModel：PVRCNN_SSL_3DIOU

【YOLOv5改进系列】前期回顾：YOLOv5改进系列（0）——重要性能指标与训练结果评价及分析YOLOv5改进系列（1）——添加SE注意力机制YOLOv5改进系列（2

importmathimportnumpydefiou(box1,box2):x1,y1,x2,y2=box1x3,y3,x4,y4=box2area1=max(0,x2-x1+1)*max(0,y2-y1+1)area2=max(0,x4-x3+1)*max(0,y4-y3+1)xx1=max(x1,x3)yy1=max(y1,y3)xx2=min(x2,x4)yy2=min(y2,y4)w=m

前言☘️NMS（非极大值抑制）常用于目标检测任务中，用于消除重叠的边界框，保留最具代表性的边界框。NMS算法并不是一种后处理，而是一种在目标检测算法中常用的技术。在目标检测过程中，通常会生成一系列候选边界框，而NMS算法会对这些候选边界框进行筛选，去除冗余的边界框，从而提高目标检测的准确性和效率。因此，NMS可以被视为一种在目标检测后处理阶段使用的技术。目录一、添加NMS模块二、Soft-NMS代

本文将介绍几种常用的后处理技术，包括DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS，并提供相应的源代码实现。

为了提高目标检测的准确性和效率，研究人员在YOLOv7系列中引入了一些创新的改进方法，包括DIoU-NMS、SIoU-NMS、EIoU-NMS、CIoU-NMS和GIoU-NMS。

前言：Hello大家好，我是小哥谈。YOLOv5中的NMS指非极大值抑制（Non-MaximumSuppression），它是一种用于目标检测算法中的后处理技术。在检测到多个重叠的边界框时，NMS可以帮助选择最佳的边界框。NMS的工作原理是首先根据预测边界框的置信度对它们进行排序，然后从置信度最高的边界框开始遍历，将与当前边界框的重叠度（通常使用IoU，即交并比）大于某个阈值的边界框移除。这样可以

若对损失函数IOU、GIOU、DIOU等并不熟悉的同学，可移步：IOU系列：IOU、GIOU、DIOU、CIOU、SIOU、Alpha-IoU、WIOU详解YOLOv5改进损失函数系列：YOLOv5改进实战

前言：Hello大家好，我是小哥谈。损失函数（lossfunction）是机器学习中用来衡量模型预测值与真实值之间差异的函数。它用于度量模型在训练过程中的性能，以便优化模型参数。在训练过程中，损失函数会根据模型的预测结果和真实标签计算出一个标量值，代表了模型预测的错误程度。通过最小化损失函数，可以使模型的预测结果与真实值之间的差距变小，从而提升模型的性能。本节课就简单介绍一下常见的IoU损失函数并

前言：Hello大家好，我是小哥谈。使用YOLOv5训练模型阶段，需要用到损失函数。损失函数是用来衡量模型预测值和真实值不一样的程度，极大程度上决定了模型的性能。本节就给大家介绍IoU系列损失函数，希望大家学习之后能够有所收获！前期回顾：YOLOv5基础知识入门（1）—YOLO算法的发展历程

目录1.IOUloss2.GIOU3.DIOU和CIOU5.SIOU6.EIOU7.WIOU8.MPDIOU别人问目标检测有几个损失函数？我答：三个。别人笑了笑。我问：难道我说记错了？

1.nms介绍1.1nmsNMS（Non-MaximumSuppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（boundingbox），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。NMS的基本原理如下：首先，根据目标

本文改进：MPDIoU新型边界框相似度度量，优化当预测框与真实框具有相同的长宽比，但宽度和高度值完全不同时的问题，大多数（GIoU、DIoU、CIoU、EIoU）现有的边界框回归损失函数无法优化MPDIoU

一、替换Wise-IoUyolov8中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：ultralytics/yolo/utils/metrics.py，函数名为：bbox_ioudefbbox_iou

打开utils->general.py找到bbox_iou（），345行左右，将下面的与源码进行替换defbbox_iou(box1,box2,x1y1x2y2=True,GIoU=False,DIoU

文章目录1.IoU(IntersectionoverUnion)2.GIoU(GeneralizedIoU)3.DIoU(Distance-IoU)4.CIoU(Complete-IoU)5.EIoU(

yolov5-6.0使用修改test1:IOU→DIOU_nmstest2:设置网络结构为mobi

目标检测回归损失函数1、SmoothL1Loss2、IoULoss3、GIoULoss（Generalized-IoULoss）4、DIoULoss（Distance-IoULoss）5、CIoULoss（Complete-IoULoss）6、总结7、代码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

,EIoU,WIou,Focal-EIoU,alpha-IoU原始代码位于general.py的344行：defbbox_iou(box1,box2,x1y1x2y2=True,GIoU=False,DIoU

文章目录摘要Wise-IoU论文翻译摘要简介A.ln−norm损失B.交集/并集C.聚焦机制相关工作A.BBR的损失函数B.带FM的损失函数方法仿真实验B.梯度消失问题的解决方法C.提出的方法实验A.实验设置B.消融实验结论改进方法获取源码结果验证V1版本的测试结果

文章目录1、IoU2、GIoU(GeneralizedIntersectionoverUnion)3、DIoU4、CIoU1、IoUIoU为交并比，即对于pred和GroundTruth：交集/并集1、

前言：Hello大家好，我是小哥谈。使用YOLOv5训练模型阶段，需要用到损失函数。损失函数是用来衡量模型预测值和真实值不一样的程度，极大程度上决定了模型的性能。本节就给大家介绍IoU系列损失函数，希望大家学习之后能够有所收获！前期回顾：YOLOv5基础知识入门（1）—YOLO算法的发展历程YOLOv5基础知识入门（2）—YOLOv5核心基础知识讲解YOLOv5基础知识入门（3）—目标检测相关知识

目录1、原始IOU的计算方式2、GIOU（GeneralizedIOU）2、DIoU（Distance-IoU）3、CIOU（Complete-IoU）IoU即IntersectionoverUnion

一文读懂IoU，GIoU,DIoU,CIoU,Alpha-IoU(代码非常优雅)转载自：博客，仅在此进行纪录。

目标检测常用的评价指标1IoU（IntersectionoverUnion）2GIoU（GeneralizedIoU）3DIoU（Distance-IoU）4CIoU（Complete-IoU）5EIoU

前言损失函数是用来评价模型的预测值和真实值不一样的程度，损失函数越小，通常模型的性能越好。不同的模型用的损失函数一般也不一样。损失函数的使用主要是在模型的训练阶段，如果我们想让预测值无限接近于真实值，就需要将损失值降到最低，在这个过程中就需要引入损失函数。而损失函数的选择又是十分关键的。一些常见的损失函数大家可以看我的这篇文章：Pytorch学习笔记（6）：模型的权值初始化与损失函数这篇我们主要讲

文内公式均为手打，非图片，方便查看文章目录L1Loss，L2Loss，smoothL1lossL1LossL2LossSmoothL1LossIoUGIoU（CVPR2019）DIoU（AAAI2020

目标检测回归损失函数IOU、GIOU、DIOU、CIOU、EIOU、FocalEIOU、alphaIOU损失函数分析一、IOULoss2016文章《UnitBox:AnAdvancedObjectDetectionNetwork