YOLOv11v10v8使用教程： YOLOv11入门到入土使用教程
YOLOv11改进汇总贴：YOLOv11及自研模型更新汇总
《Focal and Efficient IOU Loss for Accurate Bounding Box Regression》
一、 模块介绍
论文链接：https://arxiv.org/abs/2101.08158
代码链接：-
论文速览：
在对象检测中，边界框回归 （BBR） 是决定对象定位性能的关键步骤。然而，我们发现大多数以前的 BBR 损失函数有两个主要缺点：（i） 基于 'n-norm 和基于 IOU 的损失函数都无法有效地描述 BBR 的目标，从而导致收敛缓慢和回归结果不准确。（ii） 大多数损失函数忽略了 BBR 中的不平衡问题，即大量与目标框重叠较小的锚框对 BBR 的优化贡献最大。为了减轻由此造成的不利影响，我们在本文中进行了深入研究以开发 BBR 损失的潜力。首先，提出了一种有效的并联交集 （EIOU） 损失，它明确度量了 BBR 中 3 个几何因子（即重叠面积、中心点和边长）的差异;之后，我们陈述了有效示例挖掘 （EEM） 问题，并提出了 focal loss 的回归版本，使回归过程集中在高质量的锚框上。最后，将上述两部分结合起来，得到一个新的损失函数，即Focal-EIOU loss。对合成数据集和真实数据集进行了广泛的实验。与其他 BBR 损失相比，在收敛速度和定位精度方面都可以获得显着优势。
总结：Focal - IoU。
⭐⭐本文二创模块仅更新于付费群中，往期免费教程可看下方链接⭐⭐
⭐⭐付费项目简介：融合上百种顶刊顶会模块的YOLO项目仅119（赠百种改进的v9），此外含自研模型与本文模块融合进行二创三创，最快1-2周完成小论文改进实验，代码每周更新（上周更新超20+二创模块），欢迎QQ：2668825911(或点击下方小卡片扫二维码)加我了解。⭐⭐
⭐⭐本项目并非简单的模块插入，平均每个文章对应4-6个二创或自研融合模块，有效果即可写论文或三创。本文项目使用ultralytics框架，兼容YOLOv3\5\6\8\9\10\world与RT-DETR。⭐⭐
已进群小伙伴可以先用下文二创及自研模块在自己的数据集上测试，有效果再进行模块结构分析或继续改进。
二、使用教程
2.1 步骤
找到ultralytics/utils/loss.py脚本第108行，取消注释改行，并将其他iou行注释,运行即可。(仅适应于群文件2024/11/30日之后更新的工程)
其中 MDPIoU参数可更换为GIoU, DIoU, EIoU, CIoU, SIoU, shapeIoU, MDPIoU, PowerfulIoU, PowerfulIoUv2，分别对应不同形式的损失函数。
2.2修改train.py文件
创建Train脚本用于训练。
from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
if __name__ == '__main__':
model = YOLO(model='ultralytics/cfg/models/xy_YOLO/xy_yolov1-ConvNeXt.yaml')
# model = YOLO(model='ultralytics/cfg/models/11/yolo11l.yaml')
model.train(data='./datasets/data.yaml', epochs=1, batch=1, device='0', imgsz=320, workers=1, cache=False,
amp=True, mosaic=False, project='run/train', name='exp',)
在train.py脚本中填入修改好的yaml路径，运行即可训练，数据集创建教程见下方链接。