CIOU损失函数详解：从原理到PyTorch实战实现

1次阅读

没有评论

共计 2078 个字符，预计需要花费 6 分钟才能阅读完成。

目标检测任务中，边界框回归的精度直接影响模型性能。传统 IOU（交并比）损失虽然直观，但存在两个致命缺陷：

尺度敏感性 ：对小目标的微小偏差惩罚过大，导致模型忽视大目标优化
中心点偏移无约束 ：当预测框与真实框无重叠时，梯度消失且无法修正中心点偏差

比如在 YOLOv3 的训练日志里，我们常看到这样的现象：小目标的 AP 值明显低于大目标，这就是传统 IOU 缺陷的典型表现。

CIOU（Complete-IoU）在 DIOU 基础上引入长宽比一致性惩罚项，其完整公式为：

$$
\mathcal{L}_{CIoU} = 1 – IoU + \frac{\rho^2(b,b^{gt})}{c^2} + \alpha v
$$

其中关键改进点：

中心点距离项 ：$\frac{\rho^2}{c^2}$ 惩罚预测框与真实框中心的偏离（$\rho$ 是欧式距离，$c$ 是最小外接矩形对角线长度）
长宽比一致性项 ：
$$
v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2
$$
$$
\alpha = \frac{v}{(1-IoU)+v}
$$

这个设计使得当预测框与真实框的长宽比趋势不一致时（如真实框是竖长方形而预测框变成横长方形），会产生额外的梯度信号进行校正。

下面是符合工业级标准的实现（含数值稳定处理和向量化计算）：

import torch
import math
from torch import nn

class CIOULoss(nn.Module):
    def __init__(self, eps=1e-7):
        super().__init__()
        self.eps = eps

    def forward(self, pred, target):
        """
        pred: [N,4] (x1,y1,x2,y2)
        target: [N,4] (x1,y1,x2,y2)
        """
        # 转换为中心点 + 宽高格式
        pred_xy = (pred[..., :2] + pred[..., 2:]) / 2
        pred_wh = (pred[..., 2:] - pred[..., :2]).clamp(min=self.eps)

        target_xy = (target[..., :2] + target[..., 2:]) / 2
        target_wh = (target[..., 2:] - target[..., :2]).clamp(min=self.eps)

        # 计算 IoU
        inter = (torch.min(pred[..., 2:], target[..., 2:]) - 
                torch.max(pred[..., :2], target[..., :2])).clamp(0)
        inter_area = inter[..., 0] * inter[..., 1]

        union_area = (pred_wh[..., 0] * pred_wh[..., 1] + 
                      target_wh[..., 0] * target_wh[..., 1] - inter_area + self.eps)

        iou = inter_area / union_area

        # 中心点距离项
        center_distance = (pred_xy - target_xy).pow(2).sum(-1)
        c_hypotenuse = ((torch.max(pred[..., 2:], target[..., 2:]) - 
                         torch.min(pred[..., :2], target[..., :2])).pow(2).sum(-1) + self.eps)

        # 长宽比一致性项
        with torch.no_grad():
            arctan = torch.atan2(target_wh[..., 0], target_wh[..., 1]) - \
                     torch.atan2(pred_wh[..., 0], pred_wh[..., 1])
            v = (4 / (math.pi ** 2)) * torch.pow(arctan, 2)
            alpha = v / (1 - iou + v + self.eps)

        loss = 1 - iou + center_distance / c_hypotenuse + alpha * v
        return loss.mean()

关键实现技巧：