2025年2月20日 · CIOU 损失函数是 YOLOv4 在原有 IOU（Intersection over Union）损失函数基础上的改进版本。它考虑了目标框之间的完整交叉，并引入了修正因子，以更精准地度量目标框之间的相似性。

本文详细介绍了YOLO目标检测算法中的关键参数，包括置信度阈值(conf_thres)、交并比阈值(iou_thres)及其对检测效果的影响，并解析了精确率(Precision)、召回率(Recall)、F1值(F-Measure)的概念，同时阐述了平均精度(AP)和平均精度均值(mAP)的计算方法。

交集大于联合 （IoU）： IoU 是一种量化预测 边界框 与地面实况边界框之间重叠程度的指标。 它在评估物体定位的准确性方面发挥着重要作用。 平均精度 (AP)： AP 计算精度-召回曲线下的面积，提供一个包含模型精度和召回性能的单一值。 平均精度 （mAP）： mAP 通过计算多个对象类别的平均 精度 值，扩展了 AP 的概念。 这在多类物体检测场景中非常有用，可以全面评估模型的性能。 精确度和召回率： 精度量化了所有阳性预测中的真阳性比例，评估模型避免假阳性的能 …

2024年11月20日 · InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。

2025年3月17日 · Intersection over Union (IoU) measures the overlap between the predicted and ground truth bounding boxes. IoU values range from 0 to 1, where higher values indicate better localization accuracy. An IoU of 1.0 means perfect alignment. Typically, an IoU threshold of 0.50 is used to define true positives in metrics like mAP.

在本文中，我们通过结合预测框和目标框之间的归一化距离来提出距离-IoU (DIoU) Loss，它在训练中的收敛速度比 IoU 和 GIoU Loss快得多。 此外，本文总结了边界框回归中的三个几何因素，即. 重叠面积（overlap area）、中心点距离（central point distance）和高宽比（aspect ratio），在此基础上提出了完全 IoU (CIoU) 损失，从而促进了更快的收敛和更优的性能。 通过将 DIoU 和 CIoU 损失 结合到最先进的目标检测算法中，例如 YOLO v3、SSD 和 Faster RCNN，我们不仅 …

2024年3月25日 · 通过将PIoU v2整合到流行的目标检测器 (如YOLOv8和 DINO)中，我们在MS COCO和PASCAL VOC数据集上实现了平均精度 (AP)的提高和性能的改进，从而验证了我们提出的改进策略的有效性。 图1所示。

2022年1月31日 · If we have two bounding boxes, then, IoU is defined as. It is used for two purposes: It helps us benchmark the accuracy of our model predictions. Using it, we can figure out how well does our predicted bounding box overlap with the ground truth bounding box. The higher the IoU, the better the performance. The results can be interpreted as

You Only Look Once (YOLO) is a series of real-time object detection systems based on convolutional neural networks. ... is the predicted intersection over union (IoU) of each bounding box with its corresponding ground truth. The network architecture has 24 convolutional layers followed by 2 fully connected layers.

本文独家改进：提出了一种新的IoU损失函数，称为统一IoU(Unified-IoU, UIoU)，它更关注不同质量预测框之间的权重分配，该损失函数既考虑了预测盒与GT盒之间的几何关系，又考虑了IoU权值和置信度信息，充分利用了已知信息