YOLOv9改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归
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。
专栏目录：YOLOv9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方向
专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！
文章目录
- 一、本文介绍
- 二、Focaler-IoU设计原理
-
- 2.1 原理
- 2.2 优势
- 三、Focaler-IoU的实现代码
- 四、添加步骤
-
- 4.1 utils\metrics.py
-
- 4.1.2 Focaler-DIoU