一、背景：传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv9默认

YOLO目标检测创新改进与实战案例专栏专栏目录：YOLO有效改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLO基础解析+创新改进+实战案例GIoU文章链接论文地址：论文地址代码地址：代码地址基本原理广义Io

文章目录

前言：Hello大家好，我是小哥谈。YOLOv8中的NMS指非极大值抑制（Non-MaximumSuppression），它是一种用于目标检测算法中的后处理技术。在检测到多个重叠的边界框时，NMS可以帮助选择最佳的边界框。NMS的工作原理是首先根据预测边界框的置信度对它们进行排序，然后从置信度最高的边界框开

IoUGIoU等损失函数目录IoUGIoU等损失函数IoULoss交并比numpy实现torch实现优缺点GIoULossnumpy实现torch实现优缺点DIoULossnumpy实现优缺点CIoULoss图例介绍A:目标框覆盖的矩形面积（粉色区域表示，包含被C掩盖掉的区域）B:预测框覆盖的矩形面积（蓝色区域表示，包含被C掩盖

IoU,GIoU,DIoU,CloU损失函数目录IoU,GIoU,DIoU,CloU损失函数IoULoss交并比numpy实现torch实现优缺点GIoULossnumpy实现torch实现优缺点DIoULossnumpy实现优缺点CIoULoss图例介绍A:目标框覆盖的矩形面积（粉色区域表示，包含被C掩盖掉的区域）B:预测框覆盖的矩形面积（蓝色区域

目标检测任务的损失函数一般由分类损失函数和回归损失函数两部分构成回归损失函数的发展过程主要包括：最原始的SmoothL1Loss函数、2016年提出的IoULoss、2019年提出的GI

各种IoU损失变体IoU损失及其各种变体已经在密集预测任务中展现出了优异的效果。这里做一个简单的罗列与梳理。IoUIoULoss论文：​​UnitBox:AnAdvancedObjectDetection

计算机视觉研究院专栏作者：Edison_G​背景&引言文中指出DIoU要比GIou更加符合目标框回归的机制，将目标与anchor之间的距离，重叠率以及尺度都考虑进去，使得目标框回归变得更加稳

1简介IoU又名交并比，是一种计算不同图像相互重叠比例的算法，时常被用于深度学习领域的目标检测或语义分割任务中。1.1IoU在目标检测中的应用在目标检测任务中，我们时常会让模

classGIoULoss(nn.Module):def__init__(self):super().__init__()defforward(self,A,B):num_bbox=A.size(0)*A.size(2)

几种IoU的理解IoUIOU是用来衡量两个边界框的重叠程度的。 GIoU论文的地址为：https://arxiv.org/abs/1902.09630github代码地址：https://github.com/generalized-iou这