在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.

2023-2-7 更新 yolov5添加Wise-IoUB站链接

重磅！！！！！ YOLO模型改进集合指南-CSDN

yolov5中box_iou其默认用的是CIoU，其中代码还带有GIoU，DIoU，文件路径：utils/metrics.py，函数名为：bbox_iou

def bbox_iou(box1, box2, xywh=True, GIoU=False, DIoU=False, CIoU=False, eps=1e-7):# Returns Intersection over Union (IoU) of box1(1,4) to box2(n,4)# Get the coordinates of bounding boxesif 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 / 2b1_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 = box1b1_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)# Intersection areainter = (b1_x2.minimum(b2_x2) - b1_x1.maximum(b2_x1)).clamp(0) * \(b1_y2.minimum(b2_y2) - b1_y1.maximum(b2_y1)).clamp(0)# Union Areaunion = w1 * h1 + w2 * h2 - inter + eps# IoUiou = inter / unionif CIoU or DIoU or GIoU:cw = b1_x2.maximum(b2_x2) - b1_x1.minimum(b2_x1)  # convex (smallest enclosing box) widthch = b1_y2.maximum(b2_y2) - b1_y1.minimum(b2_y1)  # convex heightif CIoU or DIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1c2 = cw ** 2 + ch ** 2 + eps  # convex diagonal squaredrho2 = ((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4  # center dist ** 2if CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47v = (4 / math.pi ** 2) * (torch.atan(w2 / h2) - torch.atan(w1 / h1)).pow(2)with torch.no_grad():alpha = v / (v - iou + (1 + eps))return iou - (rho2 / c2 + v * alpha)  # CIoUreturn iou - rho2 / c2  # DIoUc_area = cw * ch + eps  # convex areareturn iou - (c_area - union) / c_area  # GIoU https://arxiv.org/pdf/1902.09630.pdfreturn iou  # IoU

我们可以看到函数顶部，有GIoU，DIoU，CIoU的bool参数可以选择，如果全部为False的时候，其会返回最普通的Iou，如果其中一个为True的时候，即返回设定为True的那个Iou。

那么重点来了，我们怎么在这个函数里面添加EIoU,SIoU,AlphaIoU,FocalEIoU呢？

我们只需要把上面提及到的这个函数替换成以下，代码出自：github链接，这个github上还有一些yolov5的改进源码和一些常用的脚本，有兴趣可以去看看，请各位也帮忙点个star支持下，谢谢！

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 boxesif 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 / 2b1_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 = box1b1_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)# Intersection areainter = (b1_x2.minimum(b2_x2) - b1_x1.maximum(b2_x1)).clamp(0) * \(b1_y2.minimum(b2_y2) - b1_y1.maximum(b2_y1)).clamp(0)# Union Areaunion = w1 * h1 + w2 * h2 - inter + eps# IoU# iou = inter / union # ori iouiou = torch.pow(inter/(union + eps), alpha) # alpha iouif CIoU or DIoU or GIoU or EIoU or SIoU:cw = b1_x2.maximum(b2_x2) - b1_x1.minimum(b2_x1)  # convex (smallest enclosing box) widthch = b1_y2.maximum(b2_y2) - b1_y1.minimum(b2_y1)  # convex heightif CIoU or DIoU or EIoU or SIoU:  # Distance or Complete IoU https://arxiv.org/abs/1911.08287v1c2 = (cw ** 2 + ch ** 2) ** alpha + eps  # convex diagonal squaredrho2 = (((b2_x1 + b2_x2 - b1_x1 - b1_x2) ** 2 + (b2_y1 + b2_y2 - b1_y1 - b1_y2) ** 2) / 4) ** alpha  # center dist ** 2if CIoU:  # https://github.com/Zzh-tju/DIoU-SSD-pytorch/blob/master/utils/box/box_utils.py#L47v = (4 / math.pi ** 2) * (torch.atan(w2 / h2) - torch.atan(w1 / h1)).pow(2)with torch.no_grad():alpha_ciou = v / (v - iou + (1 + eps))if Focal:return iou - (rho2 / c2 + torch.pow(v * alpha_ciou + eps, alpha)), torch.pow(inter/(union + eps), gamma)  # Focal_CIoUelse:return iou - (rho2 / c2 + torch.pow(v * alpha_ciou + eps, alpha))  # CIoUelif EIoU:rho_w2 = ((b2_x2 - b2_x1) - (b1_x2 - b1_x1)) ** 2rho_h2 = ((b2_y2 - b2_y1) - (b1_y2 - b1_y1)) ** 2cw2 = torch.pow(cw ** 2 + eps, alpha)ch2 = torch.pow(ch ** 2 + eps, alpha)if Focal:return iou - (rho2 / c2 + rho_w2 / cw2 + rho_h2 / ch2), torch.pow(inter/(union + eps), gamma) # Focal_EIouelse:return iou - (rho2 / c2 + rho_w2 / cw2 + rho_h2 / ch2) # EIouelif SIoU:# SIoU Loss https://arxiv.org/pdf/2205.12740.pdfs_cw = (b2_x1 + b2_x2 - b1_x1 - b1_x2) * 0.5 + epss_ch = (b2_y1 + b2_y2 - b1_y1 - b1_y2) * 0.5 + epssigma = torch.pow(s_cw ** 2 + s_ch ** 2, 0.5)sin_alpha_1 = torch.abs(s_cw) / sigmasin_alpha_2 = torch.abs(s_ch) / sigmathreshold = pow(2, 0.5) / 2sin_alpha = torch.where(sin_alpha_1 > threshold, sin_alpha_2, sin_alpha_1)angle_cost = torch.cos(torch.arcsin(sin_alpha) * 2 - math.pi / 2)rho_x = (s_cw / cw) ** 2rho_y = (s_ch / ch) ** 2gamma = angle_cost - 2distance_cost = 2 - torch.exp(gamma * rho_x) - torch.exp(gamma * rho_y)omiga_w = torch.abs(w1 - w2) / torch.max(w1, w2)omiga_h = torch.abs(h1 - h2) / torch.max(h1, h2)shape_cost = torch.pow(1 - torch.exp(-1 * omiga_w), 4) + torch.pow(1 - torch.exp(-1 * omiga_h), 4)if Focal:return iou - torch.pow(0.5 * (distance_cost + shape_cost) + eps, alpha), torch.pow(inter/(union + eps), gamma) # Focal_SIouelse:return iou - torch.pow(0.5 * (distance_cost + shape_cost) + eps, alpha) # SIouif Focal:return iou - rho2 / c2, torch.pow(inter/(union + eps), gamma)  # Focal_DIoUelse:return iou - rho2 / c2  # DIoUc_area = cw * ch + eps  # convex areaif Focal:return iou - torch.pow((c_area - union) / c_area + eps, alpha), torch.pow(inter/(union + eps), gamma)  # Focal_GIoU https://arxiv.org/pdf/1902.09630.pdfelse:return iou - torch.pow((c_area - union) / c_area + eps, alpha)  # GIoU https://arxiv.org/pdf/1902.09630.pdfif Focal:return iou, torch.pow(inter/(union + eps), gamma)  # Focal_IoUelse:return iou  # IoU

注意事项

我认为Focal_EIoU的思想是可以用作与其他IoU的变种，因此我对里面所有的IoU都支持Focal_EIoU的思想，只需要设定Focal参数为True即可，我自己测试的过程中，除了Focal_SIoU出现loss为inf之外，其他的都正常，不过这个不同的数据集可能出现不一样，具体可以自行测试下。
gamma参数是Focal_EIoU中的gamma参数，一般就是为0.5，有需要可以自行更改。
alpha参数为AlphaIoU中的alpha参数，默认为1,1的意思就是跟正常的IoU一样，如果想采用AlphaIoU的话，论文alpha默认值为3。(比如我不想使用AlphaIoU的特性，我就把alpha设置为1就可以，如果我想使用AlphaIoU的特性，我可以设置alpha为3)。
跟Focal_EIoU一样，我认为AlphaIoU的思想同样可以用在其他的IoU变种上，简单来说就是如果你设置了alpha为3，其他IoU设定的参数(GIoU，DIoU，CIoU，EIoU，SIoU)为False的时候，那就是AlphaIoU，如果你设置了alpha为3，CIoU为True的时候，那就是AlphaCIoU，效果的话就因数据集和模型而已，具体可以自行测试下。
想用那个IoU变种，就直接设置参数为True即可。
AlphaIoU理论上与Focal_EIoU没有直接的冲突，但是作者这边没有详细测试过，这两者一起用会是什么效果，有兴趣可以自行测试下。

除了以上这个函数替换，还需要在utils/loss.py中ComputeLoss Class中的call函数中修改一下：

原本的__call__函数如下：

主要对红框部分替换为以下代码：

iou = bbox_iou(pbox, tbox[i], CIoU=True)  # iou(prediction, target)
if type(iou) is tuple:lbox += (iou[1].detach().squeeze() * (1 - iou[0].squeeze())).mean()iou = iou[0].squeeze()
else:lbox += (1.0 - iou.squeeze()).mean()  # iou lossiou = iou.squeeze()

最后修改参数就在调用bbox_iou中进行修改即可，比如上面的代码就是使用了CIoU，如果你想使用Focal_EIoU那么你可以修改为下：

iou = bbox_iou(pbox, tbox[i], EIoU=True, Focal=True)

最后希望这篇文章可以帮助到大家，当然这部分对于yolov7也是适用的，因为yolov7的架构跟yolov5是比较类似的，大家可以试着修改一下。博文求点赞，github求star，谢谢啦！

YOLOV5改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU相关推荐

YOLOv5改进添加解耦头、ASFF
网上有很多添加解耦头的博客,在此记录下我使用解耦头对YOLOv5改进,若侵权删解耦头的介绍过段时间再写,先直接上添加方法(这篇文章写的很好,解释了解耦头的作用) ASFF我没有使用过,但是按照下边的 ...
YOLOv5改进--添加CBAM注意力机制
注意力机制包括CBAM.CA.ECA.SE.S2A.SimAM等,接下来介绍具体添加方式. CBAM代码,在common文件中添加以下模块: class CBAMC3(nn.Module):# CSP ...
YOLOv5改进系列（1）——添加SE注意力机制
前言从这篇开始我们进入YOLOv5改进系列.那就先从最简单的添加注意力机制开始吧!(￣︶￣)↗ [YOLOv5改进系列]前期回顾: YOLOv5改进系列(0)--重要性能指标与训练结果评价及分析目 ...
YOLOv5改进系列（8）——添加SOCA注意力机制
[YOLOv5改进系列]前期回顾: YOLOv5改进系列(0)--重要性能指标与训练结果评价及分析 YOLOv5改进系列(1)--添加SE注意力机制
yolov5 优化方法（四）修改bbox损失函数（补充EIOU,SIOU）
[参考文档]江大白的yolo解析后面会给出我的完整代码,先来分段看看! 转化格式 if x1y1x2y2: # x1, y1, x2, y2 = box1b1_x1, b1_y1, b1_x2, b ...
Yolov5如何更换EIOU / alpha IOU / SIoU？
Yolov5如何更换EIOU / alpha IOU / SIoU? 更新日志:2022-07-25日新增SIoU代码
YOLOv5改进之十七：CNN+Transformer——融合Bottleneck Transformers
前言:作为当前先进的深度学习目标检测算法YOLOv5,已经集合了大量的trick,但是还是有提高和改进的空间,针对具体应用场景下的检测难点,可以不同的改进方法.此后的系列文章,将重点对YOLOv5 ...
yolox改进--添加Coordinate Attention模块（CVPR2021）
yolox改进--添加Coordinate Attention模块 Coordinate Attention 代码建立包含CAM代码的attention.py 在yolo_pafpn.py中添加CA ...
YOLOv5改进之十三：主干网络C3替换为轻量化网络EfficientNetv2
前言:作为当前先进的深度学习目标检测算法YOLOv5,已经集合了大量的trick,但是还是有提高和改进的空间,针对具体应用场景下的检测难点,可以不同的改进方法.此后的系列文章,将重点对YOLOv ...

YOLOV5改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU

在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.

2023-2-7 更新 yolov5添加Wise-IoUB站链接

重磅！！！！！ YOLO模型改进集合指南-CSDN

那么重点来了，我们怎么在这个函数里面添加EIoU,SIoU,AlphaIoU,FocalEIoU呢？

注意事项

除了以上这个函数替换，还需要在utils/loss.py中ComputeLoss Class中的call函数中修改一下：

最后修改参数就在调用bbox_iou中进行修改即可，比如上面的代码就是使用了CIoU，如果你想使用Focal_EIoU那么你可以修改为下：

最后希望这篇文章可以帮助到大家，当然这部分对于yolov7也是适用的，因为yolov7的架构跟yolov5是比较类似的，大家可以试着修改一下。博文求点赞，github求star，谢谢啦！

YOLOV5改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU相关推荐

最新文章

热门文章

YOLOV5改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU

在YoloV5中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU.

2023-2-7 更新 yolov5添加Wise-IoUB站链接

重磅！！！！！ YOLO模型改进集合指南-CSDN

那么重点来了，我们怎么在这个函数里面添加EIoU,SIoU,AlphaIoU,FocalEIoU呢？

注意事项

除了以上这个函数替换，还需要在utils/loss.py中ComputeLoss Class中的__call__函数中修改一下：

最后修改参数就在调用bbox_iou中进行修改即可，比如上面的代码就是使用了CIoU，如果你想使用Focal_EIoU那么你可以修改为下：

最后希望这篇文章可以帮助到大家，当然这部分对于yolov7也是适用的，因为yolov7的架构跟yolov5是比较类似的，大家可以试着修改一下。博文求点赞，github求star，谢谢啦！

YOLOV5改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU相关推荐

最新文章

热门文章

除了以上这个函数替换，还需要在utils/loss.py中ComputeLoss Class中的call函数中修改一下：