从零理解CIoU损失函数：原理、实现与目标检测优化实践

1次阅读

没有评论

共计 2261 个字符，预计需要花费 6 分钟才能阅读完成。

在目标检测任务中，模型不仅要预测物体的类别，还要精准定位物体的位置（用边界框表示）。传统的 IoU（Intersection over Union）虽然直观，但存在两个致命缺陷：

当预测框与真实框完全不相交时，IoU=0，无法提供梯度反馈
相同的 IoU 值可能对应完全不同的框对齐方式（如图 1 所示）

GIoU（Generalized IoU）通过引入最小闭合区域部分解决了第一个问题，但依然存在收敛速度慢、对框的长宽比不敏感等问题。而 CIoU（Complete IoU）则通过三个关键改进成为当前最优解：

重叠面积（IoU 分量）
中心点距离（Distance 分量）
长宽比一致性（Aspect ratio 分量）

The complete form:

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

Where:

$\rho$ is Euclidean distance
$c$ is diagonal length of smallest enclosing box
$v$ measures aspect ratio consistency:

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

$\alpha$ is balance coefficient:

$$ \alpha = \frac{v}{(1-IoU)+v} $$

这个设计巧妙之处在于：

中心点距离项促使预测框向目标中心快速移动
长宽比项避免产生不合理的高瘦 / 矮胖预测框
动态权重 α 自动平衡不同分量的贡献

def bbox_ciou(box1, box2, eps=1e-7):
    """
    box1: predict boxes [x1,y1,x2,y2] (N,4)
    box2: target boxes [x1,y1,x2,y2] (N,4)
    """
    # 转换为中心点 + 宽高表示
    b1_x1, b1_y1, b1_x2, b1_y2 = box1.chunk(4, -1)
    b2_x1, b2_y1, b2_x2, b2_y2 = box2.chunk(4, -1)
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1

    # IoU 计算
    inter = (torch.min(b1_x2, b2_x2) - torch.max(b1_x1, b2_x1)).clamp(0) * \
            (torch.min(b1_y2, b2_y2) - torch.max(b1_y1, b2_y1)).clamp(0)
    union = w1 * h1 + w2 * h2 - inter + eps
    iou = inter / union

    # 中心点距离项
    c_x1, c_y1 = torch.min(b1_x1, b2_x1), torch.min(b1_y1, b2_y1)
    c_x2, c_y2 = torch.max(b1_x2, b2_x2), torch.max(b1_y2, b2_y2)
    c_diag = (c_x2 - c_x1) ** 2 + (c_y2 - c_y1) ** 2 + eps  # 对角线平方
    rho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + 
            (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # 中心点距离平方

    # 长宽比项
    arctan = torch.atan2(w2, h2) - torch.atan2(w1, h1)
    v = (4 / (math.pi ** 2)) * torch.pow(arctan, 2)
    alpha = v / (v - iou + (1 + eps))

    return iou - (rho2 / c_diag + alpha * v)  # CIoU = IoU - 惩罚项

集成到 YOLOv5 的示例：

# 在 loss.py 中替换原 IoU 计算
if CIoU:  # 默认 True
    iou = bbox_ciou(pred_bbox, target_bbox)
else:
    iou = bbox_iou(pred_bbox, target_bbox, GIoU=False, DIoU=False)

我们在 YOLOv5s 模型上测试不同损失函数（相同训练配置）：