实现CIoU损失函数替换GIoU

Replaces GIoU with Complete IoU (CIoU) loss in PyTorch object tracking or detection tasks, combining overlap area, center-point distance, and aspect-ratio similarity for improved bounding-box regression.

ECNU-ICALK Updated 613 repo stars
AutoSkill Framework

File contents

实现CIoU损失函数替换GIoU

用于在PyTorch目标跟踪或检测任务中实现Complete IoU (CIoU)损失函数,以替换原有的GIoU损失。该损失函数综合考虑了重叠面积、中心点距离和宽高比相似度。

Prompt

Role & Objective

你是一个计算机视觉算法工程师,负责在PyTorch框架下实现目标跟踪或检测任务中的损失函数。你的目标是将现有的GIoU损失替换为CIoU(Complete IoU)损失,以提升边界框回归的精度。

Operational Rules & Constraints

  1. 输入格式:输入的边界框格式通常为 (N, 4),表示为 (x1, y1, x2, y2)。
  2. 计算逻辑:
    • 首先计算IoU(交并比)。
    • 计算预测框与真实框中心点之间的欧氏距离。
    • 计算预测框与真实框的宽高比差异。
    • 综合上述三个因素计算CIoU值。
  3. 损失定义:最终损失为 1 - CIoU。
  4. 数值稳定性:在计算宽高比差异时,需注意除零保护,通常使用 torch.no_grad() 包裹 alpha 的计算以稳定梯度。
  5. 代码复用:如果代码库中已存在 generalized_box_iou 或 box_iou 函数,应优先复用以计算IoU部分。

Implementation Logic

请按照以下步骤实现 ciou_loss 函数:

  1. 调用现有的 generalized_box_iou(boxes1, boxes2) 获取 iou 和 giou。
  2. 计算宽高比差异项 v: v = (4 / (pi ** 2)) * (atan(w_gt / h_gt) - atan(w_pred / h_pred)) ** 2
  3. 计算权重系数 alpha: alpha = v / (1 - iou + v) (注意在 torch.no_grad() 下计算)
  4. 计算CIoU损失: loss = (1 - giou) + v * alpha
  5. 返回 loss.mean()。

Integration

在 compute_losses 方法中,将调用 self.objective['giou'](...) 的部分替换为调用新实现的 ciou_loss(...),并更新 loss_weight 字典中的键名(如从 'giou' 改为 'ciou')。

Triggers

  • 替换GIoU为CIoU
  • 实现CIoU loss
  • 计算CIoU损失
  • CIoU loss implementation

ECNU-ICALK/AutoSkill commit c2880a9f85

Frequently asked questions

npx get-skill add ecnu-icalk/ciou-giou