论文：https://arxiv.org/pdf/2205.12740.pdf代码实现（非官方）：https://github.com/xialuxi/yolov5-car-plate/commit/aa41d1819b1fb03b4dc73e8a3e0000c46cfc370b图片源自视频教程（这个大佬视频教程yyds）：https://www.bilibili.com/video/BV1yi4

更多内容欢迎关注公众号“所向披靡的张大刀”α-IoU感谢link的文章，里面有对Alpha-IoU详细的解释；这里粘贴下作者在yolov5中的实现代码，与之前的CIOU/DIOU/GIOUloss实现的差别

文章目录IoULos（IntersectionoverUnion）GIoULoss（考虑重叠面积）GeneralizedIntersectionoverUnionDIoULoss（考虑重叠面积，中心点距离）DistanceIoUCIoULoss（考虑重叠面积，中心点距离，宽高比）CompleteIoULossCDIoULoss(ControlDistanceIoULoss)F-EIoULoss（F

IOU(IntersectionoverUnion)1.优点2.作为损失函数会出现的问题(缺点)GIOU(GeneralizedIntersectionoverUnion)1.来源2.特性3.存在的问题DIoU

1.EIoU更换方式2.alphaIoU更换方式3.IoU4.GIoU4.DIoU5.CIoU6.IoU原理1.EIoU更换方式第一步；将metrics.py文件中bbox_iou()替换为以下代码defbbox_iou

，找到bbox_iou函数，在其后面加上alpha-IOU代码，alpha-IOU代码如下：defbbox_alpha_iou(box1,box2,x1y1x2y2=False,GIoU=False,DIoU

0.引言0.1安排YOLOv1（简单理论）YOLOv2（简单理论）YOLOv3（详细理论）YOLOv3SPP（trick扩充+代码讲解）IoU、GIoU、DIoU、CIoUFocalLoss0.2学习代码的步骤搜该网络的讲解

NMS方法总结(不需要学习的NMS方法&&需要学习的NMS方法不需要训练的NMS方法：一、NMS二、Soft-NMS（ICCV2017）三、WeightedNMS（ICMEWorkshop2017）四、DIOU-NMS

DIOU：在GIOU基础上，考虑边际框中心距离信息。CIOU：在DIOU基础上，考虑长宽比的尺度信息。

各位同学好，今天和大家分享一下如何使用TensorFlow构建目标检测算法中的目标边界框定位损失函数iou、Giou、Diou、Ciou1.iou损失1.1方法介绍iou又称为交并比，是指预测框和真实框的交集和并集的比值

将YOLOv5中的锚框损失函数替换为EIOULoss，性能远优于原IOU、DIOU以及CIOU等，测试自身数据集发现涨点明显！

NMS的实现参考的yolov3，在细节上做了一些优化实现了iou，giou，diou，ciou的计算importcv2importnumpyasnpimportrandomimporttorchimportmathdefbbox_giou

文章目录1.YOLOv3_SPP2.Mosaic图像增强3.网络整体框架4.Loss部分4.1.IoUloss4.2.Giou（Generalizediou）loss4.3.Diou（Distanceiou

DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。

自适应图片缩放基准网络：使用了FOCUS结构和CSP结构Neck网络：在Backbone和最后的Head输出层之间插入FPN_PAN结构Head输出层：训练时的损失函数GIOU_Loss，预测筛选框的DIOU_nns

IOU、GIOU、DIOU、CIOU解析IOUIOU原理IOULossIOU特点GIOUGIOU原理GIOULOSSGIOU的特点DIOUDIOU实现DIOU特点CIOUEIOU首先明确IOU系列的提出原因

Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，GIOU,DIOU,CIOU）目录Pytorch机器学习（五）——目标检测中的损失函数（l2，IOU，GIOU,CIOU）目录Pytorch

NMS（Nonmaximumsuppression）是在objectdetection算法中必备的后处理步骤，目的是用来去除重复框，也就是降低误检（falsepositives）。NMS是一种速度慢的算法，其时间复杂度为O（N^2），所以NMS代码的质量直接关系到推理结果的准确性和速度，需要不断调试NMS方法。一、(Hard)NMSHardNMS就是我们最经常说的NMS，也是最原始的NMS，后面扩

背景让我们回到IoU损失和GioU损失。IoU损失可以表示为：，从IoU的角度看，回归损失是可以解决的，但它的缺点是当两个框不想相交时，IoU损失总是1，不能给出优化方向。所以乔来了。GioU可以用以下公式表示：，可以看到，GioU在IoU的基础上添加了一个项，其中[formula]表示包含两个框的最小矩形，因此可以优化两个框不相交的情况。不过，GioU还是有问题。当两个框相交时，GioU损失降低

目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1.确定目标大概位置；2.分类出目标类别；3.回归出检测框的宽高；这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。1.IOU全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好，作为调

本文主要是理解各个回归损失函数的区别和改进，其实最主要的还是这些损失函数在yolo中起到了非常大的作用，包括从最原始的yolov3中引入，到v4、v5中变成真正的官方损失函数，确实很有效。本文将逐条分析这些损失函数，并不会按照论文结构来描述。1、IOUpaper：https://arxiv.org/pdf/1608.01471.pdfiou-loss本身是是从人脸检测的paper引入进来的，由于此

一、IOULoss上一篇文章提到L1,L2及其变种只将Boundingbox的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在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.

简介在目标检测任务中，分类和检测框的回归是核心问题，损失函数的选择对模型的表现效果具有较大影响，本文介绍常用的损失函数IoU、GIoU、DIou和CIoU。

一、IOULoss上一篇文章提到L1,L2及其变种只将Boundingbox的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在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.

目标检测损失函数GIoU,DIoU,CIoUGIoU论文链接DIoU和CIoU论文链接1.GIoU1.1.问题提出1.1.1.范数损失的缺陷在GIoU之前，主要是以IoU或者lnnorml_nnormlnnorm

一、IOULoss上一篇文章提到L1,L2及其变种只将Boundingbox的四个角点分别求loss然后相加，没有引入box四个顶点之间的相关性并且模型在训练过程中更偏向于尺寸更大的物体。在此基础上旷视在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.

什么是IOU？简单来说IOU就是用来度量目标检测中预测框与真实框的重叠程度。在图像分类中，有一个明确的指标准确率来衡量模型分类模型的好坏。其公式为：acc=PtrueNN=全部样本的数量，Ptrue=预测正确的样本数量acc=\frac{P_{true}}{N}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}{\quad}N=全部样本的数量，P_{true}=预

目标检测任务中，BoundingBox的评估指标是IoU，IoU范围在(0,1)(0,1)(0,1)之间，具有尺度不变性，而且可以衡量各种形状的匹配程度。我们自然会考虑能否将IoU设计为一个损失函数。IoUloss最简单的，直接将1-IoU定义为损失，我自己在简单的目标检测项目中尝试过，基本没有办法学习，主要原因是：当预测框和目标框不相交时，IoU始终为0，损失函数不可导，无法优化。另外这种损失定

2数据标注格式数据标注使用yolo格式，也就是坐标是目标框相对于图像尺寸的归一化坐标；3模型结构分析3.1loss函数——DIoU-LossYOLOV5使用的loss函数与YOLOV4保持一致，为DIoU-Loss

目录1.早期loss计算（L1/L2/SMOOTHloss）2.IOU(IntersectionoverUnion)3.GIOU(GeneralizedIntersectionoverUnion)4.DIOU

本人在github上的YOLOv3（pytorch版本）的后处理过程中，使用DIOUNMS代替常规的NMS过程（即IOU的计算替换为DIOU），实际差别如下（数据集仅有一个类别，内河航道船舶）：NMS：

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：SmoothL1/IoU/GIoU/DIoU/CIoULoss本文按照此路线进行讲解

DIoU(Distance-IoU)CIoU(CompleteIoU)Loss论文https://arxiv.org/abs/1911.08287论文配套代码https://github.com/Zzh-tju

论文提出了IoU-based的DIoUloss和CIoUloss，以及建议使用DIoU-NMS替换经典的NMS方法，充分地利用IoU的特性进行优化。

损失函数不变第一次升级,GIOU:不相交时，两个框的距离变化，loss不变，改进为GIoUloss.第二次升级,DIOU:完全包含时，两个框的距离变化，loss不变，改进为DIoUloss.第三次升级,

IOU论文：linkGIOU论文：linkDIOU论文：linkCIOU论文：link原始的IOU存在以下问题：一般的二阶段网络边框回归IOU≥0.5，不会对框进行回归没有重叠，就始终为0，并且无法优化。不能反映两框是怎么相交的GIOU可以解决1，2这类问题，能给出梯度值，在IOU基础上加了一个惩罚项，当bbox的距离越大时，惩罚项将越大GIOU存在的问题:1.两框包含的时候，GIOU会退化成IO

1.2YOLOv4的PAN结构1.3激活函数的思考1.3.1Mish激活函数1.3.2Swish激活函数二、损失2.1L1、L2、SMOPTH_L12.2IOU_LOSS的问题2.3GIOU_Loss2.4DIOU_Loss2.5CIOU_Loss2.6DIOU_nms

公众号关注“视学算法”设为“星标”，DLCV消息即可送达！来自|知乎作者|Errorhttps://zhuanlan.zhihu.com/p/94799295仅作学术交流，如有侵权，请联系删文一、IOU(InterpoverUnion)1.特性(优点)IoU就是我们所说的交并比，是目标检测中最常用的指标，在anchor-based的方法，https://zhuanlan.zhihu.com/p/6

IoULoss对于检测框B和groundtruthG，二者的IoU如下：那么IoULoss即为1-IoU。显然IoULoss具有非负性、尺度不变性、同一性、对称性、三角不等性等特点，所以可以用于boundingbox的回归任务中。但同时，IoULoss也存在一个很致命的缺点：当B与G的IoU为0时，Loss也为0，网络无法进行训练。因此IoUloss在回归任务中的表现并不好。GIoULoss论文：

文章目录NMS详解及pytorch实现:hard-nms(diou\overlap\merge\batched),soft-nms1简介2原理3实现3.1伪代码3.2pytorch源码3.3知识点参考资料

yolov3loss函数探索（二）：diou/ciou-darknet1.简介IOU：IOU损失考虑检测框和目标框重叠面积。GIOU：GIOU损失在IOU的基础上，解决边界框不重合时的问题。

该文章于2019年11月正式发表出来，文章题目是DIOULoss，其实它提出了两个IOULoss：DIOU和CIOU。下面就对该论文进行解读。

新框架作者定义了本文提出的基于DIoU、CIoU损失函数如下：其中表示预测框和间的惩罚项。Distance-IoULoss论文提出了能减少两个box中心点间的距离的惩罚项，和分别表示和的中心点。

一.IOU1.GIOU解决没有交集的框,IOU为0,其损失函数导数为0,无法优化的问题。图1GIOU,IOU,l2范数差异a)可看出l2值一样,IOU值是不一样的,也就是l2对于尺度不具有不变性b)可看出当框有包含关系,GIOU就退化为IOU其是找到一个最小的封闭形状C，让C可以将A和B包围在里面，然后我们计算C中没有覆盖A和B的面积占C总面积的比例S.GIOU=IOU-S可看出,GIOUbbox

L1loss本方法由微软rgb大神提出，FastRCNN论文提出该方法。假设x为预测框和真实框之间的数值差异，常用的L1Loss定义为：L1=∣x∣L_1=|x|L1=∣x∣导数：L2Loss定义为：L2=x2L_2=x^2L2=x2导数：smoothL1Loss定义为：导数：从损失函数对x的导数可知：L1损失函数对x的导数为常数，在训练后期，x很小时，如果learningrate不变，损失函数会

2.1SmoothL12.1.1SmoothL1Torch实现代码2.1.2SmoothL1的缺点2.2Iou2.2.1IouTorch代码实现2.2.2Iou的缺点2.3Giou2.3.1GiouTorch实现代码2.3.2Giou缺点2.4Diou

1.L1loss、L2loss、SmoothL1loss2.IoUloss论文:UnitBox:AnAdvancedObjectDetectionNetwork.本文由旷视提出，发表于2016ACM。论文最大的贡献就是提出了一种新的目标边界框定位损失：IoUloss。2.1提出问题在目标检测领域，一般把目标边界框表示为4个变量（x,y,w,h）或（x1,y1,x2,y2）。目标边界框回归问题通常采

IOU&GIOU&DIOU介绍及其代码实现微信公众号：幼儿园的学霸个人的学习笔记，关于OpenCV,关于机器学习,…。问题或建议，请公众号留言;从IOU，到GIOU，然后到最近的DIOU、CIOU。

IoU：使用最广泛的检测框loss。GIoU：2019年CVPRGeneralizedIntersectionoverUnion:AMetricandALossforBoundingBoxRegressionDIoU和CIoU：2020年AAAIDistance-IoULoss:FasterandBetterLearningforBoundingBoxRegression下面我们直接一句话总结一下

https://raw.githubusercontent.com/2017TJM/DIoU-SSD-pytorch/master/utils/box/box_utils.pyDIoUdefbbox_overlaps_diou