YOLOv11全新改进 | 最全损失函数改进篇 | SIoU 、WIoU、GIoU、DIoU、EIOU、CIoU， InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数

已于 2025-08-15 10:12:07 修改
阅读量131 收藏
点赞数 6
CC 4.0 BY-SA版权
分类专栏： YOLOv11全新有效创新改进+永久更新中 文章标签： YOLO 深度学习 人工智能 目标检测 YOLOv11 最全损失函数改进篇
于 2025-08-15 10:09:26 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45972324/article/details/150414320

一、本文介绍

本文手把手带你教你如何修改YOLOv11中的损失函数！

全新YOLOv11专栏限时订阅链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

目录

一、本文介绍

本文手把手带你教你如何修改YOLOv11中的损失函数！

第一步：准备好最全损失函数核心代码

第二步 手把手添加SIoU 、WIoU、GIoU、DIoU、EIOU、CIoU， InnerIoU等损失函数到模型中

2.1 步骤一：找到'ultralytics/utils/metrics.py'文件

替换bbox_iou前：

替换bbox_iou后：

2.2 步骤二：找到'ultralytics/utils/loss.py'文件

替换前：

替换后：

 提供完整iou代码

2.3 步骤三 ：找到''ultralytics/utils/tal.py''文件

替换前：

替换后：

 提供完整修改代码 

 损失函数修改成功：正常运行

重点：损失函数使用建议

损失函数使用方法：

了解本专栏 订阅专栏 解锁全文
YOLOv8v10改进 | 最全损失函数改进篇 | SIoU 、WIoU、GIoU、DIoU、EIOU、CIoU， InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
qq_45972324的博客
09-09 855
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，本专栏后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，本专栏会持续更新300+创新改进点，大家尽早关注有效涨点专栏，带着大家快速高效发论文！如果大家觉得本文能帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv11改进 | 损失函数改进篇 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
11-04 3925
这篇文章介绍了YOLOv11的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv11在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
YOLOv5改进 | 损失函数 | EIoU、SIoU、WIoU、DIoU、FocuSIoU等多种损失函数
kay_545
07-04 4539
yolov5，iou，损失函数，loss
YOLOv13涨点改进 | 最全损失函数改进篇 | SIoU 、WIoU、GIoU、DIoU、EIOU、CIoU， InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
最新发布
qq_45972324的博客
08-15 3
本文详细介绍了如何为YOLOv13模型添加多种IoU损失函数的教程。文章分三步指导用户修改代码：首先替换metrics.py中的bbox_iou方法，支持SIoU、WIoU、GIoU等9种损失函数；其次修改loss.py中的调用参数；最后调整tal.py中的相关代码。作者特别推荐在模型结构优化完成后再尝试损失函数改进，并提供了InnerIoU等特殊损失函数的使用建议。文章还附带了500+创新改进点的YOLOv13专栏推荐，帮助研究者提升模型性能。完整代码和详细步骤已提供，适合希望优化目标检测模型的开发者参考
YOLOv11改进 | 损失函数改进篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
Snu77的博客
11-04 3329
本文给大家带来的是YOLOv11最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成 InnerIoU、InnerSIoU、InnerWIoU、等新版本损失函数，同时还结合了Focus和AIpha思想，形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。
YOLOv8改进 | 损失函数篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数
热门推荐
Snu77的博客
11-19 1万+
本文给大家带来的是YOLOv8最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成InnerIoU、InnerSIoU、InnerWIoU、等新版本损失函数，同时还结合了Focus和AIpha思想，形成的新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。
YOLOv10改进 | EIoU、SIoU、WIoU、DIoU、FocusIoU等二十余种损失函数
Snu77的博客
07-09 2458
这篇文章介绍了YOLOv10的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高YOLOv10在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
YOLOv5改进 | 损失函数 | EIoU、SIoU、DIoU、FocusIoU等多种损失函数
kay_545
06-10 3763
yolov5改进，yolov5，损失函数
YOLOv11改进 | 损失函数篇 | YOLOv11引入引MPDIoU, GIoU,DIoU, CIoU, SIoU,EIoU, WIoU, LMPDIoU等损失函数
tsg6698的博客
10-04 3943
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~1. YOLOv11中添加MPDIoU, GIoU,DIoU, CIoU, SIoU等损失函数的方式。文件中用给出的代码替换掉。
YOLO-v2-tiny 20种物体检测模型
Alex_XT的博客
08-13 563
YOLO-v2-tiny是基于YOLO(You Only Look Once)实时目标检测算法的轻量级版本，专门为嵌入式设备和资源受限环境优化。本模型能够检测20种常见物体类别，在保持较高检测精度的同时大幅减少了计算量和模型大小。20种物体检测模型， 使用 YOLO v2 tiny 网络， 具体的20种类别看详情介绍。
【模型剪枝2】不同剪枝方法实现对 yolov5n 剪枝测试及对比
csdnn345的博客
08-12 691
本文对比测试了三种剪枝方法在 YOLOv5n6 模型上的应用效果。通过对比验证了不同剪枝方法的优劣，为进一步研究模型优化（如结合量化、蒸馏等方法）奠定了基础。
YOLO11 改进、魔改｜层次化双路径注意力机制HDPA,通过融合全局与局部特征的注意力权重，精准捕捉不同尺度的关键信息
qq_64693987的博客
08-13 684
HDPA（层次化双路径注意力机制）是一种轻量级注意力模型，旨在解决传统方法难以平衡全局语义与局部细节的问题。它通过双路径架构：全局路径捕获场景级上下文，局部路径聚焦边缘纹理等细节，经动态融合实现协同优化。在目标检测中，HDPA能提升小目标和遮挡目标的识别能力；在图像分割中可增强边缘精度。该机制计算高效，适配YOLO等模型时既能保持推理速度，又能显著提升多尺度目标检测性能。代码实现可通过GitHub获取，集成时需修改模型配置文件和任务脚本。
【YOLOV8】小目标困难场景优化
weixin_37763484的博客
08-12 355
yolov8 小目标困难场景优化
【完整源码+数据集+部署教程】砖石结构裂缝检测系统源码和数据集：改进yolo11-CloAtt
weixin_43860634的博客
08-14 855
【完整源码+数据集+部署教程】砖石结构裂缝检测系统源码和数据集：改进yolo11-CloAtt
【完整源码+数据集+部署教程】遥感土地覆盖类型识别系统源码和数据集：改进yolo11-goldyolo
weixin_43860634的博客
08-14 552
【完整源码+数据集+部署教程】遥感土地覆盖类型识别系统源码和数据集：改进yolo11-goldyolo
【论文复现】YOLOv13的使用 | 训练、验证、预测以及导出模型等
静谧、淡雅
08-11 47
■Yolov13架构 ■主要结果 ▲MS COCO Benchmark ▲可视化 ■Yolov13的使用 ▲安装依赖 ▲验证 ▲训练 ▲预测 ▲导出模型
使用Docker和Miniconda3搭建YOLOv13开发环境
qq_15060477的博客
08-14 306
本文详细介绍了使用Docker和Miniconda3搭建YOLOv13开发环境的完整流程。主要内容包括：1) 拉取Miniconda3镜像并创建带GPU支持的Docker容器；2) 配置开发环境，包括创建conda环境、安装依赖项和预训练模型；3) 测试模型时常见问题的解决方案；4) 模型训练的基本配置。文章提供了从环境搭建到模型训练的全过程指导，涵盖了Numpy版本冲突、libGL缺失等常见问题的解决方法，帮助开发者快速构建YOLOv13开发环境。
【完整源码+数据集+部署教程】柠檬质量检测系统源码和数据集：改进yolo11-DBBNCSPELAN
2301_78772942的博客
08-14 636
【完整源码+数据集+部署教程】柠檬质量检测系统源码和数据集：改进yolo11-DBBNCSPELAN
yolov11 标注 部署 训练 全流程
qq_40725313的博客
08-12 552
这是一个 YOLO 数据集格式的示例，其中单张图像包含两个对象，分别由一个 3 点分割和一个 5 点分割组成。数据标注，对于目标检测的数据标注一般用labelimg，对于图像分割的数据集的标注我一般用ISAT。可以自己去添加标签，然后点击SAM2加载模型，利用SAM2进行相对自动的标注，效率提高。ISAT有他自己的格式转换器，也可以自己写一个脚本进行格式转换。只针对目标检测的数据集，不针对图像分割的数据集。数据采集最好用实际用到的摄像头采集的数据。yolov11 分割标签的格式是。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值