目标检测中的CIoU和WIoU损失函数：原理剖析与实战优化

1次阅读

共计 1830 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（Bounding Box）的回归质量直接影响模型性能。传统的 IoU（Intersection over Union）损失函数虽然直观，但存在两个主要缺陷：

当预测框与真实框无重叠时，IoU 值为 0 且梯度消失，导致无法优化
对长宽比变化不敏感，相同 IoU 值可能对应完全不同的几何关系

GIoU（Generalized IoU）通过引入最小闭合区域部分缓解了这些问题，但仍有改进空间。下图展示了不同损失函数对边界框回归的影响差异：

# 伪代码展示 IoU 计算缺陷
import numpy as np

def iou(box1, box2):
    # 当 box1 和 box2 不相交时
    if no_intersection(box1, box2):
        return 0  # 梯度为 0，无法更新参数

CIoU（Complete IoU）在 IoU 基础上引入三个关键优化项：

中心点距离惩罚项 ：$\frac{\rho^2(b,b^{gt})}{c^2}$
$\rho$ 表示预测框与真实框中心的欧式距离
$c$ 是最小闭合区域的对角线长度
长宽比一致性项 ：$\alpha v$
$v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}}-\arctan\frac{w}{h})^2$
$\alpha=\frac{v}{(1-IoU)+v}$
完整公式 ：
$L_{CIoU}=1-IoU+\frac{\rho^2}{c^2}+\alpha v$

WIoU（Wise IoU）的核心创新是引入动态聚焦策略：

单调聚焦 ：对高质量样本（IoU 高）给予更低权重
动态调整 ：根据统计特性自动平衡难易样本

数学表达为：
$L_{WIoU} = \frac{r_{WIoU}L_{IoU}}{\eta^{\beta}L_{IoU}^{\alpha}}$

其中 $r_{WIoU}$ 是动态调整因子，$\eta$ 为归一化系数。

import torch

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

    def forward(self, pred, target):
        # pred/target 格式：[x,y,w,h]
        # 计算交集面积
        inter = (torch.min(pred[:,2], target[:,2]) * 
                torch.min(pred[:,3], target[:,3]))

        # 计算并集面积
        union = (pred[:,2]*pred[:,3] + 
                target[:,2]*target[:,3] - inter)

        # 计算 IoU
        iou = (inter + self.eps) / (union + self.eps)

        # 中心点距离惩罚
        rho2 = ((pred[:,0] - target[:,0])**2 + 
               (pred[:,1] - target[:,1])**2)

        # 长宽比一致性项
        v = (4/np.pi**2) * torch.pow(torch.atan(target[:,2]/target[:,3]) - 
            torch.atan(pred[:,2]/pred[:,3]), 2)

        alpha = v / (1 - iou + v + self.eps)
        return 1 - iou + rho2 + alpha*v

修改 YOLOv5 的 loss.py 文件：