Inner-WIoUv3代码

### Inner-WIoUv3 的代码实现

对于 Inner-WIoUv3 的具体实现细节，在目标检测领域中，通常涉及到边界框回归损失函数的设计。基于提供的信息以及常见实践，Focal_CIoU 是一种改进的 IoU 类型损失函数，旨在解决不同尺度物体之间的定位精度差异问题[^2]。

下面是一个假设性的 Python 实现示例，用于展示如何可能实现 Inner-WIoUv3 或类似的 CIoU 变体：

import torch

def inner_wiou_v3(pred_boxes, target_boxes, eps=1e-7):
    """
    计算两个矩形框间的 Inner-WIoUv3 损失
    
    参数:
        pred_boxes (Tensor): 预测边框 [x_center, y_center, width, height], 形状为 N×4.
        target_boxes (Tensor): 目标真实边框 [x_center, y_center, width, height], 形状为 N×4.
        
    返回:
        Tensor: 边界框间计算得到的平均损失值
    """

    # 获取预测和实际边框中心坐标及宽高
    px, py, pw, ph = pred_boxes[:, 0], pred_boxes[:, 1], pred_boxes[:, 2], pred_boxes[:, 3]
    tx, ty, tw, th = target_boxes[:, 0], target_boxes[:, 1], target_boxes[:, 2], target_boxes[:, 3]

    # 计算交集区域左上角与右下角坐标
    inter_xmin = torch.max(px - pw / 2, tx - tw / 2)
    inter_ymin = torch.max(py - ph / 2, ty - th / 2)
    inter_xmax = torch.min(px + pw / 2, tx + tw / 2)
    inter_ymax = torch.min(py + ph / 2, ty + th / 2)

    # 计算交集面积
    inter_area = torch.clamp(inter_xmax - inter_xmin, min=0) * \
                 torch.clamp(inter_ymax - inter_ymin, min=0)

    # 计算并集面积
    union_area = pw * ph + tw * th - inter_area + eps

    iou = inter_area / union_area

    # 中心点距离平方
    center_dist_sq = ((px - tx)**2 + (py - ty)**2)

    # 外接最小水平包围盒对角线长度平方
    enclose_xmin = torch.min(px - pw/2, tx - tw/2)
    enclose_xmax = torch.max(px + pw/2, tx + tw/2)
    enclose_ymin = torch.min(py - ph/2, ty - th/2)
    enclose_ymax = torch.max(py + ph/2, ty + th/2)
    
    diagonal_dist_sq = (enclose_xmax - enclose_xmin)**2 + \
                       (enclose_ymax - enclose_ymin)**2 + eps

    # 宽度高度比例一致性惩罚项
    ratio_penalty = torch.pow((pw/tw), 2) + torch.pow((ph/th), 2)

    ciou_loss = 1 - iou + (center_dist_sq/diagonal_dist_sq) + ratio_penalty

    return ciou_loss.mean()

此段代码实现了类似于 Focal_CIoU 的功能，其中包含了三个主要部分：IoU、闭包形状因子（即两中心的距离除以外接矩形对角线）、纵横比一致性的惩罚项。这些组件共同作用来衡量预测框与真值框之间匹配程度，并作为优化过程中的指导信号。