一、本文介绍

本文记录的是改进RT-DETR的损失函数，将其替换成Focaler-IoU。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。Focaler-IoU==能够通过关注不同的回归样本==，提高检测器在不同检测任务中的性能。

实现的Focaler-IoU包括：Focaler-DIoU、Focaler-GIoU、Focaler-CIoU

专栏目录：RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

二、Focaler-IoU设计原理

Focaler-IoU: More Focused Intersection over Union Loss

Focaler-IoU是一种改进的交并比（IoU）损失函数，其设计的原理和优势如下：

2.1 原理

• 使用线性区间映射的方法重构IoU损失，以实现对不同回归样本的关注。
• 公式为：$IoU^{focaler} = \begin{cases}0, & IoUu\end{cases}$，其中$IoU^{focaler}$是重构的Focaler - IoU，IoU是原始IoU值，$[d, u] \in [0, 1]$。通过调整d和u的值，可以使$IoU^{focaler}$关注不同的回归样本。
• 其损失定义为：$L_{Focaler - IoU} = 1 - IoU^{focaler}$。
• 将Focaler - IoU损失应用于现有的基于IoU的边界框回归损失函数，得到$L{Focaler - GIoU}$、$L{Focaler - DIoU}$、$L{Focaler - CIoU}$、$L{Focaler - EIoU}$和$L_{Focaler - SIoU}$，具体公式如下：
  • $L{Focaler - GIoU} = L{GIoU} + IoU - IoU^{Focaler}$
  • $L{Focaler - DIoU} = L{DIOU} + IoU - IoU^{Focaler}$
  • $L{Focaler - CIoU} = L{CIoU} + IoU - IoU^{Focaler}$
  • $L{Focaler - EIoU} = L{EIOU} + IoU - IoU^{Focaler}$
  • $L{Focaler - SIoU} = L{SIoU} + IoU - IoU^{Focaler}$

2.2 优势

• 能够通过关注不同的回归样本，提高检测器在不同检测任务中的性能。
• 论文中通过对比实验证明，使用Focaler - IoU可以有效提高检测性能，弥补现有方法的不足。例如在PASCAL VOC数据集上的实验中，YOLOv8 + Focaler - SloU相比于YOLOv8 + SIoU，AP50提高了0.3，mAP50 : 95提高了0.3；在AI - TOD数据集上的实验中，YOLOv5 + Focaler - SloU相比于YOLOv5 + SIoU，AP50提高了1.9，mAP50 : 95提高了0.5。

论文：https://arxiv.org/pdf/2401.10525
源码：https://github.com/malagoutou/Focaler-IoU

三、实现代码及RT-DETR修改步骤

模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：

https://blog.csdn.net/qq_42591591/article/details/143741116