【YOLO26创新改进】2024 | 损失函数涨点改进篇 | 使用Shape-IoU损失函数，考虑真实框自身的形状和尺度，使不同方向、不同尺寸目标获得更符合其几何特点的回归监督，用于微小目标检测
一、本文介绍
⭐本文在YOLO26模型将Shape-IoU引入YOLO26的边界框回归分支，可在保留重叠度监督的基础上，根据真实目标框的长宽比与尺度，对水平、垂直方向的中心偏移和宽高误差进行差异化加权，使模型重点约束细长目标的短边方向以及对像素偏移更敏感的小尺度目标，从而提高预测框与目标边缘的贴合程度，改善小目标、无人机航拍目标、遥感目标和长宽比差异明显目标的定位精度，减少因不同方向误差被等同处理而产生的框偏移与尺度失配。其优势在于同时具备形状感知和尺度感知能力，能够更合理地联合优化重叠、中心位置及宽高尺寸，且只需替换YOLO26原有的框回归损失，不改变主干、颈部和检测头结构，也不会增加推理阶段的参数量与计算开销。
YOLO26创新专栏目录：YOLO26涨点改进目录| 含Conv卷积、主干网络、注意力机制、Neck特征融合、检测头、知识蒸馏、模型剪枝、轻量化改进、损失函数、二次创新C2PSA/C3k2等各种顶会顶刊创新改进
YOLO26订阅专栏地址：全新YOLO26独家创新改进，适合高效发表SCI和CCF小论文、大论文写作。
本文目录
一、本文介绍
二、Shape-IoU损失函数介绍
2.1，Shape-IoU损失函数的结构图
2.2，Shape-IoU损失函数的核心思想
2.3，Shape-IoU损失函数的作用
2.4，Shape-IoU损失函数的原理
2.5 适用任务领域
三、完整实现代码
四、手把手添加步骤
4.1 修改一
4.2 修改二
4.3 修改三
五、成功运行结果演示
二、Shape-IoU损失函数介绍
摘要：作为检测器定位分支的重要组成部分，边界框回归损失在目标检测任务中发挥着关键作用。现有的边界框回归方法通常考虑真实标注框与预测框之间的几何关系，并通过利用边界框的相对位置和形状来计算损失函数，却忽略了边界框本身的形状和尺度等内在属性对边界框回归的影响。为弥补现有研究的不足，本文提出了一种专注于边界框自身形状与尺度的边界框回归方法。首先，我们分析了边界框的回归特性，发现边界框自身的形状和尺度因子会对回归结果产生影响。基于上述结论，我们提出了“Shape IoU”方法——该方法可通过聚焦于边界框自身的形状与尺度来计算损失函数，从而提升边界框回归的准确