【深度学习实战（49）】目标检测损失函数：IoU、GIoU、DIoU、CIoU、EIoU、alpha IoU、SIoU、WIoU原理及Pytorch实现

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：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。

1 IoU（Intersection over Union）

1.1 IoU简介

UnitBox: An Advanced Object Detection Network

IoU全称Intersection over Union，交并比。IoU是一种测量在特定数据集中检测相应物体准确度的一个标准。只要是在输出中得出一个预测范围(bounding boxes)的任务都可以用IoU来进行测量。

IoU算法是使用最广泛的算法，大部分的检测算法都是使用的这个算法。在目标识别中，我们的预测框与实际框的某种比值就是IoU。
在这里插入图片描述

1.2 IoU公式

在这里插入图片描述

1.3 优点

  • IOU能够直观地反映出目标检测结果与真实情况之间的匹配程度。
  • IOU具有尺度不变性，由于IOU是基于重叠度量的，它不受目标尺度和形状变换的影响，这使得IOU适用于各种不同尺度和形状的目标检测任务。

1.4 缺点

当预测框和目标框不相交时，即IOU=0时，不能反映两个目标之间距离的远近，此时损失函数不可导，IOU Loss 无法优化。
当两个检测框大小相同，两个IOU也相同，IOU_Loss无法精确的反映两个框的重合度大小。
在这里插入图片描述

1.5 IoU代码

def IoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 = box1b2_x1, b2_y1, b2_x2, b2_y2 = box2xx1 = np.maximum(b1_x1, b2_x1)yy1 = np.maximum(b1_y1, b2_y1)xx2 = np.minimum(b1_x2, b2_x2)yy2 = np.minimum(b1_y2, b2_y2)w = np.maximum(0.0, yy2 - yy1)h = np.maximum(0.0, xx2 - xx1)inter = w * hIoU = inter/((b1_x2-b1_x1)*(b1_y2-b1_y1) + (b2_x2-b2_x1)*(b2_y2-b2_y1) - inter)print("IoU: ", IoU)if __name__ == "__main__":box1 = np.array([100, 100, 210, 210])box2 = np.array([150, 150, 230, 220])IoU(box1, box2)

2 GIoU

Generalized Intersection over Union: A Metric and A Loss for Bounding BoxRegression

2.1 GIoU简介

通过上述分析，当预测框和真实框不相交时IoU值为0，导致很大范围内损失函数没有梯度。针对这一问题，提出了GIoU作为损失函数。GIoU比IoU多了一个‘Generalized’，能在更广义的层面上计算IoU。当检测框和真实框没有出现重叠的时候IoU的loss都是一样的，因此GIoU就引入了最小封闭形状C（C可以把A，B包含在内），在不重叠情况下能让预测框尽可能朝着真实框前进，这样就可以解决检测框和真实框没有重叠的问题 。
在这里插入图片描述

2.2 GIoU公式

算法公式及其解释：其实想法也很简单（但这一步很难）：假如现在有两个box A，B，我们找到一个最小的封闭形状C，让C可以把A，B包含在内，然后再计算C中没有覆盖A和B的面积占C总面积的比值，最后用A与B的IoU减去这个比值，GIoU计算公式如下
在这里插入图片描述

2.3 优点

  • GIOU_Loss中，增加了相交尺度的衡量方式，缓解了单纯IOU_Loss时的尴尬，但是依然没有完全解决IoU存在的问题

2.4 缺点

  • 对每个预测框与真实框均要去计算最小外接矩形，计算及收敛速度受到限制
  • 状态1、2、3都是预测框在目标框内部且预测框大小一致的情况，这时预测框和目标框的差集都是相同的，因此这三种状态的GIoU值也都是相同的，这时GIoU退化成了IoU，无法区分相对位置关系。
    在这里插入图片描述

2.5 GIoU代码

def GIoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 = box1b2_x1, b2_y1, b2_x2, b2_y2 = box2# IOUxx1 = np.maximum(b1_x1, b2_x1)yy1 = np.maximum(b1_y1, b2_y1)xx2 = np.minimum(b1_x2, b2_x2)yy2 = np.minimum(b1_y2, b2_y2)inter_w = np.maximum(0.0, yy2 - yy1)inter_h = np.maximum(0.0, xx2 - xx1)inter = inter_w * inter_hUnion = (b1_x2-b1_x1)*(b1_y2-b1_y1) + (b2_x2-b2_x1)*(b2_y2-b2_y1) - inter# GIOUC_xx1 = np.minimum(b1_x1, b2_x1)C_yy1 = np.minimum(b1_y1, b2_y1)C_xx2 = np.maximum(b1_x2, b2_x2)C_yy2 = np.maximum(b1_y2, b2_y2)C_area = (C_xx2 - C_xx1) * (C_yy2 - C_yy1)IOU = inter / UnionGIOU = IOU - abs((C_area-Union)/C_area)print("GIOU:", GIOU)if __name__ == "__main__":box1 = np.array([100, 100, 210, 210])box2 = np.array([150, 150, 230, 220])GIoU(box1, box2)

3 DIoU

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

3.1 简介

好的目标框回归函数应该考虑三个重要几何因素：重叠面积、中心点距离，长宽比。针对IoU和GIoU存在的问题，作者从两个方面进行考虑

  • 一：如何最小化预测框和目标框之间的归一化距离？
  • 二：如何在预测框和目标框重叠时，回归的更准确？
    针对第一个问题，提出了DIoU_Loss（Distance_IoU_Loss），从而使收敛速度更快，性能更好。
    在这里插入图片描述

3.2 DIoU公式

在这里插入图片描述
在这里插入图片描述

3.3 优点

  • DIOU在与目标框重叠时，仍然可以为边界框提供移动方向;
  • DIOU可以直接最小化两个目标框的距离，因此比GIOU收敛快得多；
  • DIOU还可以替换普通的IOU评价策略，应用于NMS中，使得NMS得到的结果更加合理和有效。

3.4 缺点

  • DIoU考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU收敛的更快，但并没有考虑到长宽比。
  • 在这里插入图片描述

比如上面三种情况，目标框包裹预测框，本来DIOU_Loss可以起作用。但预测框的中心点的位置都是一样的，因此按照DIOU_Loss的计算公式，三者的值都是相同的。

3.5 DIoU代码

def DIoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 = box1b2_x1, b2_y1, b2_x2, b2_y2 = box2# IOUxx1 = np.maximum(b1_x1, b2_x1)yy1 = np.maximum(b1_y1, b2_y1)xx2 = np.minimum(b1_x2, b2_x2)yy2 = np.minimum(b1_y2, b2_y2)inter_w = np.maximum(0.0, xx2 - xx1)inter_h = np.maximum(0.0, yy2 - yy1)inter = inter_w * inter_hUnion = (b1_x2 - b1_x1)*(b1_y2 - b1_y1) + (b2_x2 - b2_x1)*(b2_y2 - b2_y1) - inter# DISTANCEC_xx1 = np.minimum(b1_x1, b2_x1)C_yy1 = np.minimum(b1_y1, b2_y1)C_xx2 = np.maximum(b1_x2, b2_x2)C_yy2 = np.maximum(b1_y2, b2_y2)C_area = (C_xx2 - C_xx1) * (C_yy2 - C_yy1)center_b_x = (b1_x1+b1_x2)/2center_b_y = (b1_y1+b1_y2)/2center_gtb_x = (b2_x1+b2_x2)/2center_gtb_y = (b2_y1+b2_y2)/2center_distance = (center_gtb_x-center_b_x)**2 + (center_gtb_y-center_b_y)**2c_distance = (C_xx2 - C_xx1)**2 + (C_yy2 - C_yy1)**2IOU = inter/UnionDIOU = IOU - center_distance /c_distanceprint("DIOU:", DIOU)if __name__ == "__main__":box1 = np.array([100, 100, 210, 210])box2 = np.array([150, 150, 230, 220])DIoU(box1, box2)

4 CIoU

Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression

4.1 简介

DIoU考虑了重叠面积和中心点距离，当目标框包裹预测框的时候，直接度量2个框的距离，因此DIoU收敛的更快，但并没有考虑到长宽比。针对这个问题，又提出了CIOU_Loss，不对不说，科学总是在解决问题中，不断进步！！

CIoU就是在DIoU的基础上增加了检测框尺度的loss，增加了长和宽的loss，使得目标框回归更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。

4.2 CIoU公式

在这里插入图片描述

4.3 优点

  • 形状不变性： CIOU 损失函数在设计上考虑了目标框的形状信息，通过引入修正因子，使得损失对于不同形状的目标框更具鲁棒性。这使得模型更容易捕捉目标的准确形状。
  • 对定位精度的敏感性： CIOU 损失函数对目标框的位置预测更为敏感，因为它考虑了目标框的对角线距离。这有助于提高目标检测模型在定位目标时的精度。
  • 全面性： CIOU 损失函数综合考虑了位置、形状和方向等多个因素，使得模型更全面地学习目标框的特征。这有助于提高模型在复杂场景中的性能。

4.4 缺点

  • 如果预测框和gt框的长宽比是相同的，那么长宽比的惩罚项恒为0，不合理
  • 观察CIoU中w, h相对于v的梯度，发现这两个梯度是一对相反数，也就是说，w和h不能同时增大或减小，这显然也不够合理的。

4.5 代码

def CIoU(box1, box2):b1_x1, b1_y1, b1_x2, b1_y2 = box1b2_x1, b2_y1, b2_x2, b2_y2 = box2# IOUxx1 = np.maximum(b1_x1, b2_x1)yy1 = np.maximum(b1_y1, b2_y1)xx2 = np.minimum(b1_x2, b2_x2)yy2 = np.minimum(b1_y2, b2_y2)inter_w = np.maximum(0.0, xx2 - xx1)inter_h = np.maximum(0.0, yy2 - yy1)inter = inter_w*inter_hUnion = (b1_x2-b1_x1)*(b1_y2-b1_y1) + (b2_x2-b2_x1)*(b2_y2-b2_y1) - interIOU = inter/UnionC_xx1 = np.minimum(b1_x1, b2_x1)C_yy1 = np.minimum(b1_y1, b2_y1)C_xx2 = np.maximum(b1_x2, b2_x2)C_yy2 = np.maximum(b1_y2, b2_y2)# DISTANCEcenter_b_x = (b1_x1 + b1_x2)/2center_b_y = (b1_y1 + b1_y2)/2center_gtb_x = (b2_x1 + b2_x2)/2center_gtb_y = (b2_y1 + b2_y2)/2C_area = (C_xx2-C_xx1)*(C_yy2-C_yy1)Distance = (center_gtb_x-center_b_x)**2 + (center_gtb_y-center_b_y)**2Distance_area = Distance/C_area**2# aspect ratiopred_w = b1_y2 - b1_y1pred_h = b1_x2 - b1_x1gt_w = b2_y2 - b2_y1gt_h = b2_x2 - b2_x1v = (4/(np.pi)**2)*(np.arctan(gt_w/gt_h) - np.arctan(pred_w/pred_h))**2alpha = v/((1-IOU) + v)CIOU = IOU - Distance_area - alpha*vprint("CIOU:", CIOU)if __name__ == "__main__":box1 = np.array([100, 100, 210, 210])box2 = np.array([150, 150, 230, 220])CIoU(box1, box2)

参考：https://blog.csdn.net/qq_40716944/article/details/135026393

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/388260.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

深入探讨RCE漏洞及其防御策略

深入探讨RCE漏洞及其防御策略

1. RCE漏洞 1.1. 漏洞原理 远程代码执行（RCE）漏洞允许攻击者远程注入并执行操作系统命令或代码，从而控制后台系统。 1.2. 漏洞产生条件 调用第三方组件存在代码执行漏洞。用户输入内容作为系统命令参数拼接到命令中。对用户输入的过滤不严…
阅读更多...
汽车雷达系统集成

汽车雷达系统集成

汽车雷达系统集成是实现高级驾驶辅助系统（ADAS）和自动驾驶功能的重要环节，它涉及多种硬件和软件的协同工作。以下将详细讲解汽车雷达系统集成的各个方面： 雷达传感器选择 毫米波雷达：毫米波雷达主要使用24GHz和77GHz频…
阅读更多...
【SQL Server点滴积累】SQL Server 2016数据库邮件(Database Mail)功能故障的解决方法

【SQL Server点滴积累】SQL Server 2016数据库邮件(Database Mail)功能故障的解决方法

今天和大家分享SQL Server 2016数据库邮件(Database Mail)功能故障的解决方法 故障现象： 在SQL Server 2016中配置完成数据库邮件(Database Mail)功能后，当你尝试发送测试邮件后，既收不到测试邮件，也不显示错误消息 KB3186435 -…
阅读更多...
Windows + Ubuntu双系统！小白轻松安装

Windows + Ubuntu双系统！小白轻松安装

前言 这几天有小伙伴想着装WindowsUbuntu双系统，但苦于找不到办法，就在某篇文章后台留言： 这不，今天就更新了嘛！虽然做不到有求必应，但教程帖还是可以写写的，能帮一个是一个！ 今天要…
阅读更多...
FFmpeg：多媒体处理的瑞士军刀

FFmpeg：多媒体处理的瑞士军刀

😎 作者介绍：欢迎来到我的主页👈，我是程序员行者孙，一个热爱分享技术的制能工人。计算机本硕，人工制能研究生。公众号：AI Sun（领取大厂面经等资料），欢迎加我的…
阅读更多...
docker安装phpMyAdmin

docker安装phpMyAdmin

直接安装phpMyAdmin需要有php环境，比较麻烦，总结了使用docker安装方法，并提供docker镜像。 1.docker镜像 见我上传的docker镜像：https://download.csdn.net/download/taotao_guiwang/89595177 2.安装 1).加载镜像 docker load …
阅读更多...
Portainer-CE(可视化工具)一键部署+中文版

Portainer-CE(可视化工具)一键部署+中文版

目录 Portainer 的主要功能 安装官方版2.19.5 安装中文版 2.19.5 安装中文版2.11.0 Portainer 是一个开源的图形化管理工具，用于管理 Docker 容器、Swarm 集群和 Kubernetes 集群。它提供了一个用户友好的 Web 界面，可以帮助用户更轻松地管理和监控…
阅读更多...
[数据结构] AVL树 模拟实现AVL树

[数据结构] AVL树 模拟实现AVL树

标题：[数据结构] AVL树 && 模拟实现AVL树 水墨不写bug 正文开始： 目录 （一）普通二叉搜索树的痛点 （二）AVL树简介 （1）AVL树的概念 （三）AVL树的…
阅读更多...
《程序猿入职必会（5） · CURD 页面细节规范 》

《程序猿入职必会（5） · CURD 页面细节规范 》

📢 大家好，我是 【战神刘玉栋】，有10多年的研发经验，致力于前后端技术栈的知识沉淀和传播。 💗 🌻 CSDN入驻不久，希望大家多多支持，后续会继续提升文章质量，绝不滥竽充数…
阅读更多...
为 Laravel 提供生产模式下的容器化环境：打造现代开发环境的终极指南

为 Laravel 提供生产模式下的容器化环境：打造现代开发环境的终极指南

为 Laravel 提供生产模式下的容器化环境：打造现代开发环境的终极指南 在现代开发中，容器化已经成为一种趋势。使用 Docker 可以让我们轻松地管理和部署应用程序。本文将带你一步步构建一个高效的 Laravel 容器化环境，确保你的应用程序在开发…
阅读更多...
一些Kafka面试题

一些Kafka面试题

Kafka是如何保证消息不丢失？ 1.生产者发送消息到Broker丢失： 设置异步发送：发送失败则使用回调进行记录或者重发 消息重试：参数配置，可以设置重试次数 2.消息在broker中存储丢失 发送确认机制acks acks0&#xf…
阅读更多...
谷粒商城实战笔记-MySQL踩坑记录

谷粒商城实战笔记-MySQL踩坑记录

文章目录 1， Public Key Retrieval is not allowed问题描述解决办法 2，1044 -Access denied for user root% to database解决方案 1， Public Key Retrieval is not allowed 问题描述 打开DBeaver连接MySQL提示“Public Key Retrieval is no…
阅读更多...
4款免费且安全：常用的PDF转Word在线转换工具推荐

4款免费且安全：常用的PDF转Word在线转换工具推荐

现在办公越来越离不开电脑了，PDF文件和Word文档来回转换的需求也越来越大。作为一个天天跟文件打交道的上班族，我特别明白找个好用、靠谱的PDF转Word在线转换工具有多重要。今儿个，给大家说说五个免费的转换工具，都是我试过觉得挺…
阅读更多...
多微信管理不再难：聚合聊天神器助你轻松应对！

多微信管理不再难：聚合聊天神器助你轻松应对！

在当今社交媒体高度发达的时代，很多人都在使用多个微信账号来管理个人与工作联系。面对如此众多的信息沟通，如何高效管理成了一个难题。 幸运的是，聚合聊天神器的出现，彻底改变了这一局面，让我们轻松应对多微信账号的…
阅读更多...
接口测试框架中测试用例管理模块的优化与思考！

接口测试框架中测试用例管理模块的优化与思考！

引言 在当今软件开发的快速迭代环境中，接口自动化测试不仅是确保软件质量的基石，更是推动持续集成（CI）和持续交付（CD）的核心环节。测试用例管理作为自动化测试中的重要模块，直接影响着测试的效…
阅读更多...
【Python】面向对象的程序设计

【Python】面向对象的程序设计

一、面向对象的介绍 1.对象 对象是一种抽象概念，表示客观世界存在的实物，现实世界中能够看到的、触碰到的都可以成为对象，如：人、大象、小猫等。 对象通常分为两个部分，即静态部分和动态部分。静态部分为“属性”&a…
阅读更多...
从教学到分享，2024精选录屏工具

从教学到分享，2024精选录屏工具

如果你在公司里承担会议记录的职责，那录屏这项技能你一定要学会。像录屏大师这样的工具可以帮你在远程会议中进行录屏操作，方便你后期整理会议内容。 1.福昕录屏大师 链接直达：https://www.foxitsoftware.cn/REC/ 这款录屏工具提供了多种…
阅读更多...
【Python】pandas：排序、重复值、缺省值处理、合并、分组

【Python】pandas：排序、重复值、缺省值处理、合并、分组

pandas是Python的扩展库（第三方库），为Python编程语言提供 高性能、易于使用的数据结构和数据分析工具。 pandas官方文档：User Guide — pandas 2.2.2 documentation (pydata.org) 帮助：可使用help(...)查看函数说明文…
阅读更多...
MyBatis入门如何使用操作数据库及常见错误（yml配置）

MyBatis入门如何使用操作数据库及常见错误（yml配置）

一，什么是MyBatis 是一款优秀的持久层框架，用于简化jdbc的开发 持久层：指的就是持久化操作的层，通常也就是数据访问层（dao），也就是用来操作数据库。 也就是MyBatis是让你更加简单完成程序与数…
阅读更多...
详细记录swfit微调interVL2-8B多模态大模型进行目标检测（附代码）

详细记录swfit微调interVL2-8B多模态大模型进行目标检测（附代码）

大模型相关目录 大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容 从0起步，扬帆起航。 RAGOnMedicalKG：大模型结合知识图谱的RAG实现DSPy：变革式大模…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023