yolov8损失函数详解CIOU

YOLOv8中的CIoU损失函数详解
在目标检测领域，YOLO系列模型不断演进，在不同版本中引入了多种改进措施来提升性能。尽管提及的是YOLOv9的设计理念[^1]，对于YOLOv8而言，同样采用了先进的损失计算方法以提高边界框预测精度。
CIoU损失函数的概念
CIoU (Complete Intersection over Union) 是一种用于评估两个矩形框重叠程度的方法，并作为优化过程的一部分被用来指导网络学习更精确的目标位置。相较于IoU和GIoU，CIoU不仅考虑了交并比还加入了中心点距离以及宽高比例因子的影响，从而使得回归更加鲁棒有效。
公式表示如下：
[ \text{CIoU} = IoU - \frac{\rho^2(b,b_{gt})}{c^2} - \alpha v ]
其中，

( b ) 和 ( b_{gt} ) 分别代表预测框与真实框；
( c ) 表示覆盖两框最小闭包区域的对角线长度；
( \rho() ) 定义为欧几里得距离；
( v ) 描述了纵横比失真度；而
( \alpha ) 则是一个权重系数确保当IoU较大时该惩罚项不会过大影响收敛速度。

通过这种方式，CIoU能够更好地捕捉到物体形状特征差异带来的误差，进而促进更快更好的训练效果。
def ciou_loss(pred_boxes, target_boxes):
"""Compute the CIoU loss between predictions and targets."""

# 计算IOU部分...
ious = compute_ious(pred_boxes, target_boxes)

# 中心点距离平方除以最短封闭区域对角线平方...
rho_squared_over_c_squared = ...

# 纵横比一致性项...
alpha_v = ...

# 组合三者得到最终ciou值
ciou = ious - rho_squared_over_c_squared - alpha_v

return torch.mean(1 - ciou)
登录后复制