yolov8结合nwd与shapeiou

### YOLOv8中集成NWD和ShapeIoU的方法 #### NWD (Normalizing Wheel Detachment 或其他自定义术语) 在YOLOv8框架内引入NWD机制能够有效增强模型对于特定类别物体（如轮子脱离情况下的车辆）的识别能力[^1]。具体实现方式如下： - **数据预处理阶段**：针对训练集中的样本图像，通过人工标注或自动化算法标记出存在Wheel Detachment现象的目标框位置及其属性信息。 ```python import numpy as np def preprocess_with_nwd(image, annotations): nwd_annotated_boxes = [] for anno in annotations: if 'wheel_detached' in anno['attributes']: # 对于有轮子脱落特性的对象做特殊处理 adjusted_box = adjust_bounding_box_based_on_wheel_status(anno) nwd_annotated_boxes.append(adjusted_box) return image, nwd_annotated_boxes ``` - **损失函数调整**：修改原有YOLO架构下用于计算边界框回归误差的部分，在此基础上加入关于Wheel Detachment状态预测分支对应的监督信号。 #### ShapeIoU的应用 ShapeIoU作为一种衡量两个形状相似度的新指标被应用于评估并优化YOLOv8所生成候选区域的质量。其主要作用体现在以下几个方面： - **改进非极大值抑制(NMS)**：传统基于面积重叠率(IoU)的选择策略可能无法很好地捕捉到复杂形态间的差异；而采用ShapeIoU可以更精准地区分不同姿态的对象实例。 - **辅助网络学习更好的特征表示**：通过对正负样例之间ShapeIoU得分差别的强化反馈，促使卷积层提取更具区分力的空间结构特性。 ```python def shape_iou(box_a, box_b): """Calculate the Shape IoU between two bounding boxes.""" mask_a = generate_mask_from_bbox(box_a) mask_b = generate_mask_from_bbox(box_b) intersection = np.sum(np.logical_and(mask_a, mask_b)) union = np.sum(np.logical_or(mask_a, mask_b)) return float(intersection / max(union, 1e-6)) def improved_non_max_suppression(detections, iou_threshold=0.5): scores = detections[:, 4] sorted_indices = np.argsort(-scores) keep = [] while len(sorted_indices) > 0: best_index = sorted_indices[0] keep.append(best_index) remaining_indices = [ idx for idx in range(1, len(sorted_indices)) if shape_iou(detections[best_index], detections[idx]) < iou_threshold] sorted_indices = sorted_indices[remaining_indices] return detections[keep] ```