打赏

相关文章

YOLO11涨点优化:Loss魔改 | 替换为Focaler-IoU,关注困难样本回归,有效提升极端场景下的召回率

一、开篇:你被损失函数“背刺”了吗? 做目标检测的朋友一定有过这样的体验:模型在验证集上mAP还不错,但一到实际场景中,小目标漏检严重、遮挡目标定位漂移、密集场景下的框回归“拖泥带水”。排查了很久的网络结构、数据增强、训练策略,最后发现问题竟然出在最不起眼的地…

YOLO11涨点优化:损失函数优化 | 引入MPDIoU,利用边界框左上角和右下角距离,彻底解决重叠框匹配失效问题

你是否有过这样的经历:模型训练曲线一路向好,mAP却在某个值附近反复震荡;可视化预测结果一看,两个高度重叠的真值框旁边,模型的预测框却“张冠李戴”——把A框对到了B目标上。这种“重叠框匹配失效”问题,根源往往就藏在损失函数里。 一、问题缘起:为什么“重叠框”成了…

YOLO11涨点优化:Loss魔改 | NWD (Normalized Wasserstein Distance) 损失接入,专为Tiny微小目标检测量身定制

写在前面 在目标检测领域,有一类问题让无数算法工程师感到头疼——Tiny微小目标检测。当目标在图像上只占据几个像素、十几个像素时,明明肉眼能看到的东西,YOLO就是检测不出来,漏检率居高不下。很多研究者在自己的数据集上反复调参、换数据增强、改网络结构,效果依然不尽…

手机版浏览

扫一扫体验

微信公众账号

微信扫一扫加关注

返回
顶部