YOLO26改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数
一、背景
- 现有问题：大多数现有工作假设训练数据中的样本都是高质量的，专注于增强边界框回归损失的拟合能力。然而，在低质量样本上盲目增强边界框回归会损害定位性能。
- 解决思路：本文使用
Wise-IoU，其动态非单调FM使用异常值程度而非IoU来评估锚框的质量，并提供一种有效的梯度增益分配策略。减少高质量锚框的竞争力，同时降低低质量样本产生的有害梯度，使WIoU能够专注于普通质量的锚框，从而提高检测器的整体性能。
文章目录
- 一、背景
- 二、原理
-
- 2.1 原理
- 2.2 优势
- 三、添加步骤
-
- 3.1 ultralytics/utils/metrics.py
- 3.2 修改ultralytics/utils/loss.py
- 3.3 修改ultralytics/utils/tal.py
- 四、成功运行截图
二、原理
Wise-IoU是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。
2.1 原理
- 动态非单调FM原理 — WIoU v3
- 定义异常值程度 β = L I o U L I o U ‾ eta= rac{L_{IoU}}{overline{L_{IoU}}} β=
