yolov7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。

### 实现 WIOU 损失函数 在 YOLOv11 中实现 WIOU（加权交并比）损失函数涉及修改现有的损失计算部分。WIOU 是一种改进的 IoU 形式的损失函数，旨在更好地处理不同大小的目标检测问题。 #### 修改配置文件 为了支持新的损失函数，在 `yolov11.yaml` 配置文件中定义新参数： ```yaml # yolov11.yaml ... loss: type: 'wiou' # 设置使用的损失类型为 wiou ``` #### 编写自定义损失函数模块 创建一个新的 Python 文件来定义 WIOU 损失函数逻辑： ```python import torch.nn.functional as F from torchvision.ops import box_iou def compute_wiou_loss(pred_boxes, target_boxes): """ 计算加权交并比(WIOU)损失 参数: pred_boxes (Tensor): 预测边界框 [N,4] target_boxes (Tensor): 真实边界框 [M,4] 返回: Tensor: 加权后的平均损失值 """ ious = box_iou(pred_boxes, target_boxes).diag() # 获取每一对预测和真实的IoU得分 areas_pred = (pred_boxes[:,2]-pred_boxes[:,0])*(pred_boxes[:,3]-pred_boxes[:,1]) areas_target = (target_boxes[:,2]-target_boxes[:,0])*(target_boxes[:,3]-target_boxes[:,1]) # 定义权重因子 weights = ((areas_pred + areas_target)/2)**(-0.5) loss = (1 - ious)*weights # 应用权重调整后的损失 return loss.mean() ``` #### 整合到训练流程 最后一步是在主训练循环里调用这个自定义的 WIOU 函数替代默认的损失计算方式: ```python for epoch in range(num_epochs): ... optimizer.zero_grad() outputs = model(images) wiou_losses = [] for output_layer in outputs['detections']: wiou_loss = compute_wiou_loss(output_layer[..., :4], targets[..., :4]) wiou_losses.append(wiou_loss.item()) total_loss = sum(wiou_losses) total_loss.backward() optimizer.step() ... ``` 通过上述方法可以在 YOLOv11 的框架内成功集成 WIOU 损失函数[^4]。