目标检测中的CIoU Loss边框回归损失函数：原理详解与PyTorch实战

1次阅读

没有评论

共计 2734 个字符，预计需要花费 7 分钟才能阅读完成。

在目标检测任务中，边框回归（bounding box regression）是决定检测精度的关键环节。传统方法面临几个核心问题：

IoU 不可导 ：当预测框与真实框无重叠时，IoU 值为 0 且无法提供梯度。
长宽比敏感 ：IoU 对宽高比变化不敏感，导致不同长宽比的框可能获得相同 IoU 值。
收敛不稳定 ：L1/L2 Loss 与 IoU 指标不一致，可能出现损失下降但检测精度不提升的情况。

对比主流损失函数：

L1/L2 Loss：直接优化坐标偏移量，但与 IoU 指标存在偏差
IoU Loss：$-ln(IoU)$ 解决了指标一致性，但无法处理无重叠情况
GIoU Loss：引入最小闭包区域，但仍未考虑长宽比和中心点对齐

CIoU Loss (Complete-IoU) 通过三个组件解决上述问题：

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

其中：
1. IoU 项 ：基础重叠度量
2. 中心点距离项 ：$\frac{\rho^2}{c^2}$ 惩罚中心点偏移（$\rho$ 为欧式距离，$c$ 为最小闭包对角线）
3. 长宽比一致性项 ：$v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$

调节系数 $\alpha = \frac{v}{(1-IoU)+v}$ 动态平衡两项惩罚。

PyTorch 实现核心代码（带向量化优化）：

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)
        """
        # 计算交集面积
        inter_x1 = torch.max(pred[:,0], target[:,0])
        inter_y1 = torch.max(pred[:,1], target[:,1])
        inter_x2 = torch.min(pred[:,2], target[:,2])
        inter_y2 = torch.min(pred[:,3], target[:,3])
        inter_area = (inter_x2 - inter_x1).clamp(0) * (inter_y2 - inter_y1).clamp(0)

        # 计算并集和 IoU
        pred_area = (pred[:,2]-pred[:,0]) * (pred[:,3]-pred[:,1])
        target_area = (target[:,2]-target[:,0]) * (target[:,3]-target[:,1])
        union = pred_area + target_area - inter_area + self.eps
        iou = inter_area / union

        # 中心点距离项
        c_x1 = torch.min(pred[:,0], target[:,0])
        c_y1 = torch.min(pred[:,1], target[:,1])
        c_x2 = torch.max(pred[:,2], target[:,2])
        c_y2 = torch.max(pred[:,3], target[:,3])
        c_diag = ((c_x2 - c_x1)**2 + (c_y2 - c_y1)**2) + self.eps

        pred_ctr = torch.stack([(pred[:,0]+pred[:,2])/2, (pred[:,1]+pred[:,3])/2], dim=1)
        target_ctr = torch.stack([(target[:,0]+target[:,2])/2, (target[:,1]+target[:,3])/2], dim=1)
        center_dist = torch.sum((pred_ctr - target_ctr)**2, dim=1)

        # 长宽比项
        with torch.no_grad():
            arctan_pred = torch.atan2(pred[:,3]-pred[:,1], pred[:,2]-pred[:,0])
            arctan_target = torch.atan2(target[:,3]-target[:,1], target[:,2]-target[:,0])
            v = (4 / (math.pi**2)) * torch.pow(arctan_pred - arctan_target, 2)
            alpha = v / (1 - iou + v + self.eps)

        return 1 - iou + (center_dist / c_diag) + alpha * v

YOLOv5 调用示例：

# 替换原损失函数
from utils.loss import ComputeLoss
from ciou_loss import CIoULoss

class ComputeCustomLoss(ComputeLoss):
    def __init__(self, model, autobalance=False):
        super().__init__(model, autobalance)
        self.ciou_loss = CIoULoss()

    def __call__(self, preds, targets):
        # ... 其他处理逻辑
        lbox = self.ciou_loss(pred_bbox, target_bbox)  # 替换原 IoU 计算
        return lbox + lobj + lcls

在 COCO val2017 上的测试结果（YOLOv5s 模型）：