YOLOv3损失函数优化实战：用CIoU替换WIoU的完整指南

1次阅读

共计 2128 个字符，预计需要花费 6 分钟才能阅读完成。

在 YOLOv3 的目标检测任务中，WIoU（Weighted Intersection over Union）是常用的边界框回归损失函数。但在实际使用中，我们发现它存在两个明显缺点：

对小目标检测不够敏感，容易产生定位偏差
只考虑重叠面积，忽略边界框的宽高比信息

这些问题会导致模型在复杂场景下（如密集小目标）的检测精度下降。我们来看一组实测数据：在 COCO 数据集的小目标子集上，WIoU 的 AP@0.5 指标比中大型目标低 15-20%。

WIoU = \frac{|A \cap B|}{|A \cup B|} * w

其中 w 是根据目标尺寸设置的权重系数

CIoU = IoU - \frac{\rho^2(b,b^{gt})}{c^2} - \alpha v

中心点距离惩罚项：$\frac{\rho^2}{c^2}$ 衡量预测框与真实框中心的偏离程度
宽高比一致性项：$v=\frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} – \arctan\frac{w}{h})^2$
动态权重：$\alpha = \frac{v}{(1-IoU)+v}$

关键改进在于同时考虑了重叠区域、中心点距离和长宽比一致性，这使 CIoU 对目标形状变化更敏感。

import torch
import math

def bbox_ciou(box1, box2):
    """
    计算 CIoU 损失
    Args:
        box1: 预测框 [x1,y1,x2,y2]
        box2: 真实框 [x1,y1,x2,y2]
    Returns:
        ciou: 标量损失值
    """
    # 转换坐标为 (x,y,w,h) 格式
    b1_x1, b1_y1, b1_x2, b1_y2 = box1
    b2_x1, b2_y1, b2_x2, b2_y2 = box2

    # 计算 IoU
    inter_area = (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)
    b1_area = (b1_x2 - b1_x1) * (b1_y2 - b1_y1)
    b2_area = (b2_x2 - b2_x1) * (b2_y2 - b2_y1)
    union_area = b1_area + b2_area - inter_area + 1e-16
    iou = inter_area / union_area

    # 中心点欧式距离
    c_x1, c_y1 = (b1_x1 + b1_x2)/2, (b1_y1 + b1_y2)/2
    c_x2, c_y2 = (b2_x1 + b2_x2)/2, (b2_y1 + b2_y2)/2
    rho2 = (c_x2 - c_x1)**2 + (c_y2 - c_y1)**2

    # 最小包围框对角线长度
    cw = torch.max(b1_x2, b2_x2) - torch.min(b1_x1, b2_x1)
    ch = torch.max(b1_y2, b2_y2) - torch.min(b1_y1, b2_y1)
    c2 = cw**2 + ch**2 + 1e-16

    # 宽高比惩罚项
    w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1
    w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1
    v = (4/math.pi**2) * torch.pow(torch.atan(w2/h2) - torch.atan(w1/h1), 2)

    # 动态权重
    alpha = v / (1 - iou + v + 1e-16)

    return 1 - iou + (rho2/c2) + alpha*v

我们在 COCO2017 验证集上对比了两种损失函数的效果（训练 epoch=100，输入尺寸 608×608）：