CIoU损失函数图解：从数学原理到PyTorch实战

1次阅读

共计 1997 个字符，预计需要花费 5 分钟才能阅读完成。

在目标检测任务中，边界框回归的精度直接影响模型的性能。传统的 IoU（Intersection over Union）虽然简单直观，但存在梯度消失的问题——当预测框与真实框没有重叠时，IoU 为 0，无法提供有效的梯度信息。后续提出的 GIoU 和 DIoU 虽然部分解决了这个问题，但在长宽比一致性上仍有不足。

图 1：CIoU 相比 IoU/GIoU/DIoU 的核心改进点（中心点距离 + 长宽比惩罚）

CIoU 的完整公式如下：

$$
L_{CIoU}=1-IoU+\frac{\rho^2(b,b^{gt})}{c^2}+\alpha v
$$

其中最关键的是长宽比惩罚项：

$$
v=\left(\frac{4}{\pi^2}\right)\left(\arctan\frac{w^{gt}}{h^{gt}}-\arctan\frac{w}{h}\right)^2
$$

$\rho$ 表示预测框中心点与真实框中心点的欧式距离
$c$ 是最小外接矩形的对角线长度
$\alpha$ 是权重系数，控制长宽比惩罚的强度
$v$ 项通过 arctan 变换将宽高比差异转化为角度差，再用平方惩罚

import torch
import math

def bbox_ciou(box1, box2):
    """
    计算两组边界框之间的 CIoU 损失
    box 格式: [x1,y1,x2,y2]或[cx,cy,w,h]
    """
    # 转换为中心点 + 宽高表示
    if box1.size(-1) == 4:
        b1_cx = (box1[..., 0] + box1[..., 2]) / 2
        b1_cy = (box1[..., 1] + box1[..., 3]) / 2
        b1_w = box1[..., 2] - box1[..., 0]
        b1_h = box1[..., 3] - box1[..., 1]
        b2_cx = (box2[..., 0] + box2[..., 2]) / 2
        b2_cy = (box2[..., 1] + box2[..., 3]) / 2
        b2_w = box2[..., 2] - box2[..., 0]
        b2_h = box2[..., 3] - box2[..., 1]
    else:
        b1_cx, b1_cy, b1_w, b1_h = box1[..., 0], box1[..., 1], box1[..., 2], box1[..., 3]
        b2_cx, b2_cy, b2_w, b2_h = box2[..., 0], box2[..., 1], box2[..., 2], box2[..., 3]

    # 计算 IoU
    inter = (torch.min(b1_w, b2_w) * torch.min(b1_h, b2_h)).clamp(0)
    union = b1_w * b1_h + b2_w * b2_h - inter + 1e-7
    iou = inter / union

    # 计算中心点距离惩罚
    center_distance = (b1_cx - b2_cx)**2 + (b1_cy - b2_cy)**2
    c = (torch.max(b1_w, b2_w)**2 + torch.max(b1_h, b2_h)**2).clamp(1e-7)
    rho = center_distance / c

    # 计算长宽比一致性项
    v = (4 / (math.pi ** 2)) * torch.pow(torch.atan(b2_w / b2_h) - torch.atan(b1_w / b1_h), 2)
    alpha = v / ((1 - iou) + v + 1e-7)

    # 组合成 CIoU
    ciou = 1 - iou + rho + alpha * v
    return ciou.mean()

在 YOLOv5 中替换损失函数的方法（以 v6.0 版本为例）：