IOU在0~1之间，两个框完全重合为1，所以 为0时没有重合，即值越低 IOU效果越差
IOU loss = 1 - IOU，loss 越小，效果越好，这是 IOU loss 和 IOU 的区别
IoU的局限性
预测框和真实框之间没有重合时，IoU 值为 0， 导致优化损失函数时梯度也为 0，意味着无法优化。
当IOU=0时：https://www.zhihu.com/equation?tex=GIOU%3D-1%2B%5Cfrac%7BA%5Ccup+B%7D%7BC%7D%5C%5C+
显然， 值不变，最大化GIOU就是要最小化 ，最小化C就会促成两个框不断靠近，而不是像最小化IOU那样loss为0。
版权声明：本文为CSDN博主「往事如yan」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/txpp520/article/details/123080399
学了蛮久的目标检测了，但是有好多细节总是忘或者模棱两可，感觉有必要写博客记录一下学习笔记和一些心得，既可以加深印象又可以方便他人。博客内容集成自各大学习资源，所以图片也就不加水印了
Detectron2解读全部文章链接： Facebook计算机视觉开源框架Detectron2学习笔记 — 从demo到训练自己的模型 Detectron2 “快速开始” Detection Tutorial Colab Not
Pytorch: 目标检测-特征金字塔-FPN Copyright: Jingmin Wei, Pattern Recognition and Intelligent System, School of Artificial and Inte
官方地址:https://github.com/RangiLyu/nanodet 一、 准备训练的数据: 数据文件目录为如下,分别存放训练集和验证集的图片和xml文件(注意图片和标签一一对应) 二、建立自己yaml文件 在config文件
暂无评论