141、IoU 损失函数从零推导：IoU 到 GIoU 到 DIoU 到 CIoU 的公式演进与代码

141、IoU 损失函数从零推导：IoU 到 GIoU 到 DIoU 到 CIoU 的公式演进与代码

去年年底调一个无人机检测模型，边界框回归死活不收敛，mAP卡在0.72上不去。换了各种学习率调度器、数据增强，甚至把backbone从CSPDarknet换成RepVGG，都没用。最后排查到损失函数——用的还是最原始的Smooth L1。换成CIoU之后，同样的训练配置，mAP直接跳到0.81。这个教训让我意识到，边界框回归的损失函数设计，远比想象中重要。

从Smooth L1到IoU：为什么需要改变

Smooth L1损失函数的问题在于它把边界框的四个坐标（x, y, w, h）当作独立变量处理。但实际检测任务中，我们关心的是预测框和真实框之间的重叠程度，而不是坐标值的绝对差异。举个例子，一个预测框的x坐标偏差5个像素，如果框本身很大（比如200x200），这个偏差对IoU的影响微乎其微；但如果框很小（比如20x20），同样的偏差会导致IoU急剧下降。Smooth L1完全无法捕捉这种尺度敏感性。

IoU损失函数直接优化交并比，公式很简单：

IoU = |A ∩ B| / |A ∪ B| LIoU = 1 - IoU

这里有个坑：当预测框和真实框完全不重叠时，IoU = 0，梯度也为0，模型直接停止学习。这就是为什么纯IoU损失在实际训练中很少单独使用。

GIoU：解决零梯度问题

GIoU（Generalized