【RT-DETR实战】040、损失函数改进：SIoU， EIoU， WIoU等边框损失

从一次深夜调试说起上周调一个嵌入式端侧的目标检测模型，部署到板子上发现边界框总是“飘”。明明训练时mAP不错，实际跑起来框的位置就是差那么几个像素。排查了一晚上数据增强、后处理，最后盯着损失函数曲线看了半天——问题出在普通的IoU Loss上。传统的IoU Loss在目标框和预测框没有重叠时梯度直接归零，导致训练初期收敛慢；而像GIoU虽然解决了无重叠问题，但长宽比优化效率依然不高。这让我重新审视了这几年冒出来的各种IoU变体：SIoU、EIoU、WIoU…今天我们就来拆解这些损失函数到底在改什么，以及怎么选。IoU Loss的进化脉络最早的IoU Loss就是1-IoU，简单直接，但有个致命缺陷：两个框不相交时IoU=0，Loss恒为1，梯度为零没法优化。2019年GIoU引入最小外接矩形，解决了梯度问题，但实际调参发现，当两个框包含关系时，GIoU会退化成IoU，收敛速度还是不够理想。接着DIoU和CIoU登场。DIoU在IoU基础上加了中心点距离惩罚，让框更快对齐；CIoU又补了长宽比一致性约束。理论上CIoU已经很全面，但我们实测发现，长宽比项的那个v对梯度贡献不太稳定，有时候反而干扰训练。SIoU：引入角度惩罚SIoU这篇论文有意思，它认为框回归应该分步骤优化：先对齐角度，再对齐距离，最后调整形状。损失函数分了四个部分：角度损失：预测框和真实框中心连线与坐标轴的夹角惩罚