久久建筑网免费下载_静态网页模板免费下载的网站_做网络营销推广_今日要闻10条

一、本文介绍

本文记录的是改进YOLOv9的损失函数，将其替换成Focaler-IoU。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。Focaler-IoU能够通过关注不同的回归样本，提高检测器在不同检测任务中的性能。

实现的Focaler-IoU包括：Focaler-DIoU、Focaler-GIoU、Focaler-CIoU、Focaler-MDPIoU。

---

二、Focaler-IoU设计原理

Focaler-IoU: More Focused Intersection over Union Loss

Focaler-IoU是一种改进的交并比（IoU）损失函数，其设计的原理和优势如下：

2.1 原理

• 使用线性区间映射的方法重构IoU损失，以实现对不同回归样本的关注。
• 公式为：$Io{U}^{focaler}=\{\begin{array}{ll}0,& IoU<d\\ \frac{IoU-d}{u-d},& d\ll IoU\ll u\\ 1,& IoU>u\end{array}$，其中$Io{U}^{focaler}$是重构的Focaler - IoU，IoU是原始IoU值，$[d,u]\in [0,1]$。通过调整d和u的值，可以使$Io{U}^{focaler}$关注不同的回归样本。
• 其损失定义为：$L_{Focaler-IoU}=1-Io{U}^{focaler}$。
• 将Focaler - IoU损失应用于现有的基于IoU的边界框回归损失函数，得到$L_{Focaler-GIoU}$、$L_{Focaler-DIoU}$、$L_{Focaler-CIoU}$、$L_{Focaler-EIoU}$和$L_{Focaler-SIoU}$，具体公式如下：
  • $L_{Focaler-GIoU}=L_{GIoU}+IoU-Io{U}^{Focaler}$
  • $L_{Focaler-DIoU}=L_{DIOU}+IoU-Io{U}^{Focaler}$
  • $L_{Focaler-CIoU}=L_{CIoU}+IoU-Io{U}^{Focaler}$
  • $L_{Focaler-EIoU}=L_{EIOU}+IoU-Io{U}^{Focaler}$
  • $L_{Focaler-SIoU}=L_{SIoU}+IoU-Io{U}^{Focaler}$

2.2 优势

• 能够通过关注不同的回归样本，提高检测器在不同检测任务中的性能。
• 论文中通过对比实验证明，使用Focaler - IoU可以有效提高检测性能，弥补现有方法的不足。例如在PASCAL VOC数据集上的实验中，YOLOv8 + Focaler - SloU相比于YOLOv8 + SIoU，AP50提高了0.3，mAP50 : 95提高了0.3；在AI - TOD数据集上的实验中，YOLOv5 + Focaler - SloU相比于YOLOv5 + SIoU，AP50提高了1.9，mAP50 : 95提高了0.5。

论文：https://arxiv.org/pdf/2401.10525
源码：https://github.com/malagoutou/Focaler-IoU

---

三、Focaler-IoU的实现代码

论文链接中的Focaler-IoU的实现代码如下：

iou = ((iou - d) / (u - d)).clamp(0, 1)  #default d=0.00,u=0.95

---

四、添加步骤

4.1 utils\metrics.py

此处需要查看的文件是utils\metrics.py

metrics.py中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可。

Focaler-IoU添加后如下：

4.1.2 Focaler-DIoU

iou = bbox_iou(pred_bboxes_pos, target_bboxes_pos, xywh=False, DIoU=True)d = 0.00
u = 0.95
if torch.all(iou > u):iou = 1
elif torch.all(iou < d):iou = 0
else:iou = ((iou - d) / (u - d)).clamp(0, 1)loss_iou = 1.0 - iou

4.1.3 Focaler-GIoU

iou = bbox_iou(pred_bboxes_pos, target_bboxes_pos, xywh=False, GIoU=True)d = 0.00
u = 0.95
if torch.all(iou > u):iou = 1
elif torch.all(iou < d):iou = 0
else:iou = ((iou - d) / (u - d)).clamp(0, 1)loss_iou = 1.0 - iou

4.1.4 Focaler-CIoU

iou = bbox_iou(pred_bboxes_pos, target_bboxes_pos, xywh=False, CIoU=True)d = 0.00
u = 0.95
if torch.all(iou > u):iou = 1
elif torch.all(iou < d):iou = 0
else:iou = ((iou - d) / (u - d)).clamp(0, 1)loss_iou = 1.0 - iou

4.1.5 Focaler-MDPIoU

iou = bbox_iou(pred_bboxes_pos, target_bboxes_pos, xywh=False, MDPIoU=True)d = 0.00
u = 0.95
if torch.all(iou > u):iou = 1
elif torch.all(iou < d):iou = 0
else:iou = ((iou - d) / (u - d)).clamp(0, 1)loss_iou = 1.0 - iou