Distance IoU:Zheng等人定义RDIoU[17]为两个边界框中心点之间的归一化距离:\mathcal{R}_{D I o U}=\frac{\left(x-x_{g t}\right)^{2}+\left(y-y_{g t}\right)^{2}}{W_{g}^{2}+H_{g}^{2}} \tag{5} 该项不仅解决了$\mathcal{L}{IoU}$的梯度消失问题,而且作为一个几何因子。$...
二、 代码实践| YOLOv8 改进 Wise-IoU 结构 改进核心代码 在ultralytics文件夹下面,新增一个 Wise-IoU.py文件,增加以下代码 defbbox_iou(box1,box2,xywh=True,GIoU=False,DIoU=False,CIoU=False,WIoU=False,eps=1e-7):核心代码及剩下改进修改的代码部分 详细代码见以下链接: https://yoloair.blog.csdn....
FocalEIoU通过将Focal Loss与EIoU相结合,使得模型在训练过程中更加关注难分类样本和定位精度,从而提高目标检测的性能。五、Wise-IoUWise-IoU是一种考虑了目标尺寸变化的IOU计算方法。在目标检测任务中,不同大小的目标具有不同的定位难度。传统的IOU计算方法可能无法充分考虑目标尺寸的变化。Wise-IoU通过对IOU进行加权处理...
最后,Wise-IoU是一种考虑了目标长宽比的IoU计算方式。传统的IoU忽略了目标的长宽比信息,导致模型在检测不同长宽比的目标时性能不一致。Wise-IoU通过引入长宽比权重来解决这一问题,使得模型能够更好地适应各种不同形状的目标。通过将这五种改进方法融入到YOLOV8模型中,我们显著提高了模型的准确性和鲁棒性。实验结果表...
简介:YOLO涨点Trick | 超越CIOU/SIOU,Wise-IOU让Yolov7再涨1.5个点!(一) 边界框回归(BBR)的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的,并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR,这将危及本地化性能。
首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-IoU损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在...
在YoloV7中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.yolov7中box_iou其默认用的是CIoU,其中代码还带有GIoU,DIoU,AlphaIoU,文件路径:utils/general.py,函数名为:bb
融合Wise-IoU:在YOLOv8的边界框回归损失中引入Wise-IoU,利用动态非单调聚焦机制,降低低质量锚框的梯度增益,提高模型对普通质量锚框的关注度。 引入Inner-IoU策略:针对高IoU和低IoU样本,分别使用不同尺度的辅助边界框来计算损失,以加速边界框回归过程。 样本难度自适应调整:借鉴SlideLoss的思路,根据样本的难度自适应调...
方法:本文介绍了一种改进的YOLOv8模型算法,旨在提高工业生产中微型电容缺陷的检测准确性。该算法通过引入简化的注意力模块(SimAM)和双向特征金字塔网络(BiFPN)结构,显著增强了模型识别细微缺陷的能力。同时,将传统的CIoU损失函数替换为WISE-IOU损失函数,进一步提高了模型的泛化能力。
横向连接:为了融合不同层次的特征信息,FPN引入横向连接,将上一层的特征与下一层的上采样特征进行逐元素相加(Element-wise Sum)。这样可以将低级别的细节信息与高级别的语义信息相结合,产生具有多尺度特征的金字塔结构。 特征融合:为了进一步提升特征表达能力,FPN在每个金字塔层级上引入一个额外的卷积层,进行特征融合和...