。

它不仅包括了多种IoU损失函数的改进和变体#xff0c;如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU#xff0c;还融合了“Focus”思想#xff0c;创造了一系列新的损失函数。

这些组合形式的…一、本文介绍

这篇文章介绍了YOLOv9的重大改进特别是在损失函数方面的创新。

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。

这些组合形式的损失函数超过了二十余种每种都针对特定的目标检测挑战进行优化。

文章会详细探讨这些损失函数如何提高YOLOv9在各种检测任务中的性能包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。

本文章主要是为了发最近新出的Inner思想改进的各种EIoU的文章服务其中我经过实验在绝大多数下的效果都要比本文中提到的各种损失效果要好。

专栏地址YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏

一、本文介绍

在理解各种损失函数之前我们需要先来理解一下交集面积和并集面积在数学中我们都学习过集合的概念这里的交集和并集的概念和数学集合中的含义是一样的。

2.2

测量预测边界框和真实边界框之间的重叠度(最基本的边界框损失函数后面的都是居于其进行计算)。

2.3

适用场景适用于需要高精度边界框对齐的场景如精细的物体检测和小目标检测。

概念:

SIoU损失通过融入角度考虑和规模敏感性引入了一种更为复杂的边界框回归方法解决了以往损失函数的局限性SIoU损失函数包含四个组成部分角度损失、距离损失、形状损失和第四个未指定的组成部分。

通过整合这些方面从而实现更好的训练速度和预测准确性。

2.4

适用场景适用于需要动态调整损失焦点的情况如不均匀分布的目标或不同尺度的目标检测。

2.5

适用场景适合处理有重叠和非重叠区域的复杂场景如拥挤场景的目标检测。

概念:

适用场景适用于需要快速收敛和精确定位的任务特别是在边界框定位精度至关重要的场景。

2.7

适用场景可用于需要进一步优化边界框对齐和形状相似性的高级场景。

概念:EIoU损失函数的核心思想在于提高边界框回归的准确性和效率。

它通过以下几个方面来优化目标检测

增加中心点距离损失通过最小化预测框和真实框中心点之间的距离提高边界框的定位准确性。

考虑尺寸差异通过惩罚宽度和高度的差异EIoU确保预测框在形状上更接近真实框。

结合最小封闭框尺寸将损失函数与包含预测框和真实框的最小封闭框的尺寸相结合从而使得损失更加敏感于对象的尺寸和位置。

EIoU损失函数在传统IoU基础上增加了这些考量以期在各种尺度上都能获得更精确的目标定位尤其是在物体大小和形状变化较大的场景中。

2.8

适用场景适合需要综合考虑重叠区域、形状和中心点位置的场景如复杂背景或多目标跟踪。

2.9

适用场景适用于需要高精度边界框对齐的场景如精细的物体检测和小目标检测。

Focal

Detection》中提出旨在解决在训练过程中正负样本数量极度不平衡的问题尤其是在一些目标检测任务中背景类别的样本可能远远多于前景类别的样本。

Focal

Loss通过修改交叉熵损失增加一个调整因子这个因子降低了那些已经被正确分类的样本的损失值使得模型的训练焦点更多地放在难以分类的样本上。

这种方式特别有利于提升小目标或者在复杂背景中容易被忽视的目标的检测性能。

简而言之Focal

Loss让模型“关注”或“专注”于学习那些对提高整体性能更为关键的样本。

三、核心代码

b1_x1.maximum(b2_x1)).clamp_(0)

b1_y1.maximum(b2_y1)).clamp_(0)#

Union

https://arxiv.org/abs/1911.08287v1c2

(cw

https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47v

math.pi

https://arxiv.org/pdf/2205.12740.pdfs_cw

(b2_x1

torch.cos(torch.arcsin(sin_alpha)

math.pi

https://arxiv.org/abs/2301.10051else:return

iou,

https://arxiv.org/pdf/1902.09630.pdfelse:return

iou

https://arxiv.org/pdf/1902.09630.pdfelif

MDPIoU:d1

本文代码提到的MPDIoU需要在另一篇文章进行修改一些细节内容本文的内容以及默认大家修改了我的MPDIoU不修改会报错

损失函数篇

利用真实边界框损失之MPDIoU助力YOLOv9精度更上一层楼

4.1

第一步我们需要先找到如下的文件utils/metrics.py这里以YOLOv9的修改损失函数为例GELAN的需要修改utils/loss_tal.py修改教程一致本文以YOLOv9的为例。

4.2

步骤二我们用章节三中的核心代码完全替换上面4.1红框圈出的整个函数注意是整个函数红框仅仅是圈出了部分的代码因为代码太多不可能全部圈出来

4.3

我们上面相当于以及在项目内添加了Inner等损失函数下一部我们教的是大家如何开启Inner的损失函数

我们需要找到如下的文件utils/loss_tal_dual.py

按照图示进行修改

use_dflFalse):super().__init__()self.reg_max

reg_maxself.use_dfl

fg_mask.unsqueeze(-1).repeat([1,

4])

torch.masked_select(pred_bboxes,

bbox_mask).view(-1,

torch.masked_select(target_bboxes,

bbox_mask).view(-1,

torch.masked_select(target_scores.sum(-1),

target_scores.sum(-1)[fg_mask].unsqueeze(-1)iou

target_bboxes_pos,

对应的那个设置为True就开启那个损失函数除了Inner之外其余的都只能单独使用只有Innner可以配合其它损失函数使用#

dfl

fg_mask.unsqueeze(-1).repeat([1,

(self.reg_max

torch.masked_select(target_ltrb,

bbox_mask).view(-1,

torch.tensor(0.0).to(pred_dist.device)return

loss_iou,

对应的那个设置为True就开启那个损失函数除了Inner和Focal之外其余的都只能单独使用只有Inner可以配合其它损失函数使用到此我们就修改完成了上面步骤三以及开启了对应的损失函数机制

五、全文总结

到此本文的正式分享内容就结束了在这里给大家推荐我的YOLOv9改进有效涨点专栏本专栏目前为新开的后期我会根据各种最新的前沿顶会进行论文复现也会对一些老的改进机制进行补充如果大家觉得本文帮助到你了订阅本专栏目前免费订阅后期不迷路关注后续更多的更新~

专栏地址YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏