YOLOv11 改进 - 损失函数 | Shape-IoU:形状感知交并比损失函数通过动态调整权重增强尺度适应性,优化不规则目标准确定位

前言

本文介绍了Shape-IoU方法,用于改进YOLOv11的边框回归损失。现有边框回归方法常忽略边框自身形状与尺度对回归的影响,为此,作者先对边框回归特性分析,发现非正方形GT框中,边框形状与尺度差异会使IoU值显著不同,小尺度边框对GT框形状更敏感。基于此提出Shape-IoU损失函数,还针对小目标检测提出相关损失函数。我们将Shape-IoU代码加入ultralytics\utils\metrics.py,在ultralytics/utils/loss.py中导入并修改相关函数,最后给出验证脚本和结果。

文章目录: YOLOv11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

介绍

image-20240130102437884

摘要

作为检测器定位分支的重要组成,边框回归损失在目标检测任务中发挥巨大作用。现有的边框回归方法,通常考虑了GT框与预测框之间的几何关系,通过使用边框间的相对位置与相对形状等计算损失,而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。为了弥补现有研究的不足,本文提出聚焦边框自身形状与尺度的边框回归方法。首先我们对边框回归特性进行分析,得出边框自身形状因素与尺度因素会对回归结果产生影响。接着基于以上结论我们,我们提出了Shape-IoU方法,其能够通过聚焦边框自身形状与自身尺度计算损失,从而使得边框回归更为精确。最后我们通过大量的对比实验来验证本文方法,实验结果表明本文方法能够有效提升检测效果且优于现有方法,在不同的检测任务中达到了sota.

文章链接

论文地址:论文地址

代码地址:代码地址

原文作者CSDN :

YOLOv11目标检测:Shape-IoU损失函数原理与实现 目标检测是计算机视觉的核心任务之一,其关键在于准确评估预测框与真实框的匹配程度。传统IoU系列指标通过交并比衡量检测质量,但存在梯度消失和形状不敏感等问题。Shape-IoU创新性地引入形状特征感知机制,通过动态重加权和多尺度融合,显著提升了检测精度。这种改进特别适用于小目标和非常规形状物体的检测场景,在COCO数据集上可实现3-5%的mAP提升。从工程实践角度看,Shape-IoU与YOLOv11框架的结合既保持了实时检测速度,又通过形状敏感特性优化了检测质量,为工业级应用提供了新的技术选择。 阅读详情

相关推荐

Shape-IoU:YOLOv11边框回归的形状感知损失增强方案

IoU类损失函数是目标检测中边框回归的核心评估指标,其本质是衡量预测框与真实框的空间重叠程度,但传统CIoU、GIoU等方法过度依赖面积匹配,忽视长宽比、方向性与尺度敏感性等几何语义。Shape-IoU通过最小外接矩形(MER)建模与PCA主成分分析,将边框升维为可计算的几何对象,引入形状差异对数度量(S_diff)和动态尺度加权(scale_factor),使损失函数真正具备‘形状感知’能力。该技术显著提升细长目标(如PCB焊锡桥、钢轨裂纹)的定位精度,在工业质检、无人机巡检等场景中实现毫米级误差收敛。本

weixin_32136203的博客 358

Shape-IoU:考虑边框形状与尺度的度量

目标检测是计算机视觉中的基本任务之一,其目标是在图像中定位和识别物体。根据是否生成锚点,目标检测可以分为基于锚点和无锚点的方法。基于锚点的算法包括Faster R-CNN [1]、YOLO系列(You Only Look Once) [2]、SSD(Single Shot MultiBox Detector) [3]和RetinaNet [4]。

m0_47867638的博客 3188

损失函数篇 | YOLOv8 引入 Shape-IoU 考虑边框形状与尺度的度量

现有的边框回归方法,通常考虑了GT框与预测框之间的几何关系,通过使用边框间的相对位置与相对形状等计算损失,而忽略了边框其自身的形状与尺度等固有属性对边框回归的影响。

Coding... 5481

YOLOv11 改进 - 损失函数 | Shape-IoU形状交并比损失函数:动态调整损失权重增强尺度适应性,优化小目标定位能力

本文介绍了聚焦边框自身形状与尺度的边框回归方法Shape-IoU,并将其集成进YOLOv11。现有边框回归方法常忽略边框自身形状与尺度对回归的影响,而该方法通过分析边框回归特性,发现形状与尺度因素会显著影响回归结果。基于此提出Shape-IoU方法,通过聚焦边框自身形状与尺度计算损失,使边框回归更精确。我们将Shape-IoU的代码集成到YOLOv11中。

魔改工程师的博客 1288

YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快,计算机视觉相关的文章也越来越多,多到一些普通,通用的改进点无法达到发表的要求。本专栏正是解决这个问题!如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 6万+

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YOLOv11【第三章:高阶应用与落地篇·第2节】一文搞懂,YOLOv11-Seg 损失函数改进:优化 Mask IoU Loss 提升边缘精度!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 1012

YOLO11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

YOLOv11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

魔改工程师的博客 4590

YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 1万+

YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-24。项目介绍在大家购买专栏后,加入学

Limiiiing的博客 1万+

YOLOv13改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 已更新种不同的改进方案,专栏内的每篇文章皆,均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏,,只为更好的满足论文发表的要求。专栏内容,专栏实时评分,全网最高,质量保证。🎫。。

Limiiiing的博客 9214

Yolov8-pose关键点检测:损失篇 | 原创自研 | 一种基于小目标改进的多尺度的动态(SD)损失

小目标检测的核心痛点是:小目标的 IoU 值本身偏低,且原 SDIoU 的惩罚项(距离 / 形状)对小目标过度惩罚,导致小目标的 IoU 得分被进一步压低

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 152

《YOLO11魔术师专栏》专栏介绍 & 专栏目录

【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】 【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1万+

从零上手HiAgent:构建能听懂指令的智能体框架实战指南

智能体(Agent)作为人工智能领域的重要范式,正从传统的预设流程自动化转向以目标驱动的自主规划与执行。其核心原理在于利用大语言模型(LLM)作为决策大脑,通过任务规划、工具调用与记忆机制,将模糊的自然语言指令转化为可执行的工作流。这一技术显著提升了人机协作的效率和自然度,其价值在自动化办公、数据分析与智能流程编排等场景中尤为突出。本文聚焦于HiAgent这一具体框架,深入解析其作为智能体开发平台的核心架构,涵盖规划器、执行器、工具集等关键组件,并提供从环境配置、自定义工具开发到复杂任务链构建的完整工程实践

weixin_29266007的博客 911

小程序选项卡以及swiper套用(跨页面)

选项卡tab和swpier之间的套用 其实我之前写过一篇选项卡的切换demo,大家阔以参考一下 小程序多个选项卡切换 那今天写这个demo呢,是因为项目需求,所以仅供参考。 我是拿到了home.wxml的数组下标, 通过url传参的方式去将这个id传到下一个页面, 下一个页面接收以后再将id赋值给对应的tabI或者currentId(swiper 的下标) 实现上一个页面进来以后直接进入对应的页...

Rechal_Mei的博客 3600

[Unity_Plastic SCM小技巧] 使用 UnityYAMLMerge 工具合并场景和预制件文件

首先YAMLMerge工具其实并不局限于PlasticSCM,git也可以,它是内置在Editor内的一个更加智能的版本控制工具,只不过正常不会启用,他的目录在C:\Program Files\Unity\Editor\Data\Tools\UnityYAMLMerge.exe(Unity Editor安装目录),MAC上:/Applications/Unity/Unity.app/Content...

unityofficial的博客 1146

华为FusionCompute之计算虚拟化

华为FusionCompute之虚拟化

jks212454的博客 2456

【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明

【MT7628】固件开发-SDK4320添加MT7612E WiFi驱动操作说明

wgl307293845的博客 2082

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: YOLOv8改进 - 注意力机制 | SCSA (Spatial and Channel Synergistic Attention) 空间通道协同注意力通过多语义空间先验与通道自注意力协同增强特征表
下一篇: YOLOv11 改进 - 损失函数 | SDloss尺度动态损失:动态平衡尺度与位置损失权重破解多尺度目标检测难题
魔改工程师
博客等级 码龄3年 2899粉丝 503原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

魔改工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址