yolov8算法改进添加WIoU

### 集成WIoU损失函数至YOLOv8 为了在YOLOv8中集成WIoU（加权交并比）损失函数，从而提升目标检测算法的性能，需理解WIoU的设计原理及其相对于传统IoU的优势。具体而言，WIoU不仅关注预测框与真实框之间的重叠面积，还引入了权重机制来调整不同位置误差的影响，使得模型训练过程中能更有效地学习边界框回归[^3]。 #### 实现步骤概述 1. **修改配置文件** 更新YOLOv8使用的配置文件，指定采用新的损失计算方式即WIoU作为边界框回归任务的主要度量标准。 2. **定义WIoU Loss Function** 编写Python代码片段以实现具体的WIoU损失函数逻辑： ```python import torch def wiou_loss(pred_boxes, target_boxes): """ 计算两个矩形框间的Wiou loss. 参数: pred_boxes (Tensor): 形状为[N, 4], 表示N个预测框的位置信息(xmin,ymin,xmax,ymax). target_boxes (Tensor): 同上, 对应的真实标签框. 返回值: Tensor: Wiou loss 的平均值. """ # 获取每个box的宽度和高度 w_pred = pred_boxes[:, 2:] - pred_boxes[:, :2] h_pred = pred_boxes[:, 3:] - pred_boxes[:, 1:-1] w_target = target_boxes[:, 2:] - target_boxes[:, :2] h_target = target_boxes[:, 3:] - target_boxes[:, 1:-1] area_pred = w_pred * h_pred area_target = w_target * h_target max_xy = torch.min(pred_boxes[:, 2:], target_boxes[:, 2:]) min_xy = torch.max(pred_boxes[:, :2], target_boxes[:, :2]) intersec_wh = torch.clamp((max_xy - min_xy), min=0) intersection_area = intersec_wh[..., 0] * intersec_wh[..., 1] union_area = area_pred + area_target - intersection_area ious = (intersection_area / union_area).clamp(min=1e-7) enclose_mins = torch.minimum(pred_boxes[:, :2], target_boxes[:, :2]) enclose_maxes = torch.maximum(pred_boxes[:, 2:], target_boxes[:, 2:]) enclose_wh = torch.maximum(enclose_maxes - enclose_mins, torch.zeros_like(intersection_area)) cw = enclose_wh[:, 0] ch = enclose_wh[:, 1] c2 = cw**2 + ch**2 + 1e-7 rho2 = ((pred_boxes[:, 0] - target_boxes[:, 0])**2 + (pred_boxes[:, 1] - target_boxes[:, 1])**2) / c2 v = (4 / math.pi**2) * \ torch.pow(torch.atan(w_target.sqrt()) - torch.atan(w_pred.sqrt()), 2) alpha = v / (ious + 1e-7 - ious*v) wiou = 1 - ious + rho2 + alpha*v return wiou.mean() ``` 此段代码实现了WIoU损失的具体运算过程，其中包含了对原始IoU公式的扩展——加入了距离惩罚项`rho2`以及形状差异惩罚项`alpha*v`，以此增强对于错位情况下的敏感度[^4]。 3. **更新训练流程** 确保在整个网络架构内正确调用了上述自定义的wiou_loss()函数，并将其应用于反向传播阶段以便于参数优化器可以据此调整模型权重。 完成以上操作后，在后续的数据集验证环节应当观察到由于采用了更为精细的定位准则所带来的精度改善现象。