目标检测优化实战：用CIoU损失函数替换WIoU v3损失函数的性能对比与实践

1次阅读

共计 1994 个字符，预计需要花费 5 分钟才能阅读完成。

最近在做一个无人机航拍的目标检测项目时，发现 WIoU v3 在复杂场景表现不稳定。具体问题包括：

小目标检测时，宽高比极端的目标框回归不准确
遮挡情况下，预测框容易 ” 粘 ” 在遮挡物边缘
训练后期出现损失值震荡现象

经过分析发现，WIoU v3 虽然引入了动态聚焦机制，但其对中心点距离的惩罚项设计在复杂场景可能过于激进。这让我开始寻找更稳定的替代方案。

特性	WIoU v3	CIoU
中心点惩罚	动态权重（可能过度惩罚）	固定形式 $\rho^2(b,b^{gt})/c^2$
宽高比考虑	仅通过 IoU 隐含体现	显式项 $\alpha v$
梯度行为	存在突变点	平滑变化
计算复杂度	较高（需要维护动态参数）	较低

关键差异在于 CIoU 的完备性公式：

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

其中 $v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}}-\arctan\frac{w}{h})^2$，$\alpha=\frac{v}{(1-IoU)+v}$

import torch
import math

class CIoULoss:
    def __init__(self, eps=1e-7):
        self.eps = eps

    def __call__(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]
        target_xy = (target[:, :2] + target[:, 2:]) / 2
        target_wh = target[:, 2:] - target[:, :2]

        # 计算 IoU
        inter = torch.prod(torch.minimum(pred_wh, target_wh), dim=1)
        union = torch.prod(pred_wh, dim=1) + torch.prod(target_wh, dim=1) - inter
        iou = inter / (union + self.eps)

        # 中心点距离惩罚
        center_distance = torch.sum(torch.pow(pred_xy - target_xy, 2), dim=1)
        enclosing_diagonal = torch.sum(torch.pow(torch.maximum(pred_xy, target_xy) - torch.minimum(pred_xy, target_xy), 2), dim=1)
        center_penalty = center_distance / (enclosing_diagonal + self.eps)

        # 宽高比惩罚
        arctan = torch.atan2(target_wh[:,0], target_wh[:,1]) - torch.atan2(pred_wh[:,0], pred_wh[:,1])
        v = 4 * torch.pow(arctan / math.pi, 2)
        alpha = v / (1 - iou + v + self.eps)

        return 1 - iou + center_penalty + alpha * v

实现要点：