YOLO11 改进系列 | 引入N-IoU Loss：无/低重叠 bbox 回归改进，适合小目标、密集目标和训练早期定位收敛

YOLO11 改进 | N-IoU 无/低重叠 bbox 回归 Loss 配置与源码解析

• • 一、本文简介
  • 二、N-IoU 原理详解
  • • 2.1 普通 IoU 在低重叠场景中的问题
    • 2.2 交并比计算
    • 2.3 归一化中心距离
    • 2.4 IoU 质量调制的距离惩罚
    • 2.5 N-IoU 的整体计算流程
  • 三、改进思想与创新点
  • • 3.1 背景与动机
    • 3.2 核心创新点
    • • 1. 在 IoU 外加入归一化中心距离
      • 2. 根据 IoU 质量动态调节距离惩罚
      • 3. 与 YOLO11 训练流程兼容
    • 3.3 与常见 IoU Loss 对比
    • 3.4 在 YOLO11 中的适配方式
  • 四、完整代码
  • • 4.1 `ultralytics/utils/loss.py` 中的配置分支
    • 4.2 `ultralytics/utils/metrics.py` 中的 N-IoU 实现
  • 五、手把手配置步骤
  • • Step 1：确认当前仓库已注册 N-IoU
    • Step 2：在训练配置中切换 box_loss
    • Step 3：检测任务训练示例
    • Step 4：实例分割任务训练示例
    • Step 5：命令行训练示例
  • 六、YAML 配置文件
  • • 6.1 Baseline：默认 CIoU
    • 6.2 N-IoU 主配置
    • 6.3 N-IoU 别名写法
  • 七、实验建议与常见问题
  • • 7.1 推荐消融顺序
    • 7.2 推荐观察指标
    • 7.3 不同数据集的选择建议
    • 7.4 常见问题
    • • 7.4.1 N-IoU 会改变模型结构吗？
      • 7.4.2 `niou`、`n_iou`、`normalized_iou` 有区别吗？
      • 7.4.3 N-IoU 和 DIoU 有什么区别？
      • 7.4.4 YOLO11-seg 可以使用 N-IoU 吗？
      • 7.4.5 N-IoU 和 GS-NIoU 是同一个吗？
  • 八、总结