💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡
在目标检测领域内，尽管YOLO系列的算法傲视群雄，但在某些方面仍然存在改进的空间。在YOLOv5的损失函数中，默认是使用的CIoU，但是CIoU仍然存在一定的问题。例如CIOU的计算方式相对复杂，需要对边界框的坐标进行更多的处理和计算。本文给大家带来的教程是将原来的CIoU替换为EIoU、SIoU、WIoU、DIoU、FocusIoU。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。
专栏地址： YOLOv5改进+入门——持续更新各种有效涨点方法——点击即可跳转
1. ✒️CIoU
1.1 CIoU原理
论⽂考虑到bbox回归三要素中的⻓宽⽐还没被考虑到计算中，为此，进⼀步在DIoU的基础上提出了CIoU，同时考虑两个矩形的长宽比，也就是形状的相似性。所以CIOU在DIOU的基础上添加了长宽比的惩罚项。
其中， 是权重函数， 而用来度量长宽比的相似性。计算公式为:
☀️优点
更准确的相似性度量：CIOU考虑了边界框的中心点距离和对角线距离，因此可以更准确地衡量两个边界框之间的相似性，尤其是在目标形状和大小不规则的情况下。 鲁棒性更强：相比传统的IoU，CIOU对于目标形状和大小的变化更具有鲁棒性，能够更好地适应各种尺寸和形状的目标检测任务。
⚡️缺点
计算复杂度增加：CIOU引入了额外的中心点距离和对角线距离的计算，因此相比传统的IoU，计算复杂度有所增加，可能会增加一定的计算成本。 实现难度较高：CIOU的计算方式相对复杂，需要对边界框的坐标进行更多的处理和计算，因此在实现上可能会相对困难一些，需要更多的技术和经验支持。
1.3 📌CIoU代码实现
import numpy as np
import IoU
import DIoU
# box : [左上角x坐标，左上角y坐标，右下角x坐标，右下角y坐标]
box1 = [0, 0, 6, 8]
box2 = [3, 2, 9, 10]
# CIoU
def CIoU(box1, box2):
x1, y1, x2, y2 = box1
x3, y3, x4, y4 = box2
# box1的宽：box1_w，box1的高：box1_h，
box1_w = x2 - x1
box1_h = y2 - y1
# box2的宽：box2_w，box2的高：box2_h，
box2_w = x4 - x3
box2_h = y4 - y3
iou = IoU(box1, box2)
diou = DIoU(box1, box2)
# v用来度量长宽比的相似性
v = (4 / (np.pi) ** 2) * (np.arctan(int(box2_w / box2_h)) - np.arctan(int(box1_w / box1_h)))
# α是权重函数
a = v / ((1 + iou) + v)
ciou = diou - a * v
return ciou
print(CIoU(box1, box2))
输出结果：0.1589460263493413
2. ✒️EIOU（Efficient-IoU）
2.1 EIoU原理
EIOU是在 CIOU 的惩罚项基础上将预测框和真实框的纵横比的影响因子拆开，分别计算预测框和真实框的长和宽，并且加入Focal聚焦优质的锚框，来解决 CIOU 存在的问题。先前基于iou的损失，例如CIOU和GIOU，不能有效地测量目标盒和锚点之间的差异，这导致BBR(边界框回归)模型优化的收敛速度慢，定位不准确。
针对上述问题，对CIOU损失进行了修正，提出了一种更有效的IOU损失，即EIOU损失，定义如下:
其中和是覆盖两个盒子的最小围框的宽度和高度。也就是说，我们将损失函数分为三个部分:IOU损失LIOU，距离损失和方向损失。这样，我们可以保留CIOU损失的有效特点。同时，EIOU损失直接使目标盒与锚盒宽度和高度的差值最小化，从而使收敛速度更快，定位效果更好。
优点：
更稳定的训练过程：通过引入中心点距离和宽高比的惩罚项，即使在IoU为0的情况下，EIou也能提供有效的梯度信息，确保模型能够继续学习。
提高定位精度：通过综合考虑位置和尺寸的匹配，EIou可以显著提升目标检测模型的定位精度，尤其在目标物体大小和形状变化较大时表现更优。
2.2 代码实现
import numpy as np
def calculate_eiou(box1, box2):
# 计算嵌入向量（这里简化为使用中心点坐标作为嵌入向量）
center1 = np.array([(box1[0] + box1[2]) / 2, (box1[1] + box1[3]) / 2])
center2 = np.array([(box2[0] + box2[2]) / 2, (box2[1] + box2[3]) / 2])
# 计算嵌入向量之间的欧式距离
euclidean_distance = np.linalg.norm(center1 - center2)
# 计算目标框的面积
area_box1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
area_box2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
# 计算交集和并集的面积
intersection = max(0, min(box1[2], box2[2]) - max(box1[0], box2[0])) * \
max(0, min(box1[3], box2[3]) - max(box1[1], box2[1]))
union = area_box1 + area_box2 - intersection
# 计算EIOU
eiou = 1 - intersection / union + euclidean_distance
return eiou
box1 = [0, 0, 6, 8]
box2 = [3, 2, 9, 10]
print(calculate_eiou(box1, box2))
输出结果:4.374782044694758
3. 将EIoU、SIoU、WIoU、DIoU、FocusIoU添加到YOLOv5中
3.1 添加代码
关键步骤一： 在utils/metrics.py中，找到bbox_iou函数，可以把原有的注释掉，换成下面的代码：
def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, SIoU=False, EIoU=False, Focal=False, alpha=1, gamma=0.5, eps=1e-7):
# Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)
# Get the coordinates of bounding boxes
if xywh: # transform from xywh to xyxy
(x1, y1, w1, h1), (x2, y2, w2, h2) = box1.chunk(4, -1), box2.chunk(4, -1)
w1_, h1_, w2_, h2_ = w1 / 2, h1 / 2, w2 / 2, h2 / 2
b1_x1, b1_x2, b1_y1, b1_y2 = x1 - w1_, x1 + w1_, y1 - h1_, y1 + h1_
b2_x1, b2_x2, b2_y1, b2_y2 = x2 - w2_, x2 + w2_, y2 - h2_, y2 + h2_
else: # x1, y1, x2, y2 = box1
b1_x1, b1_y1, b1_x2, b1_y2 = box1.chunk(4, -1)
b2_x1, b2_y1, b2_x2, b2_y2 = box2.chunk(4, -1)
w1, h1 = b1_x2 - b1_x1, (b1_y2 - b1_y1).clamp(eps)
w2, h2 = b2_x2 - b2_x1, (b2_y2 - b2_y1).clamp(eps)
