YOLO 中的 IoU 演变类型详解

一、前言

在目标检测任务中，边界框回归 是模型训练的核心环节之一。而 IoU（Intersection over Union）及其改进版本是衡量预测框与真实框重合度的关键指标。

YOLO 系列从 YOLOv1 到 YOLOv8，逐步引入了更先进的 IoU 类型用于损失函数与 NMS 后处理：

YOLO 版本	支持的 IoU 类型
YOLOv1~v3	❌ 不支持改进 IoU（仅使用传统 IoU）
YOLOv4	✅ 支持 CIoU Loss 和 DIoU-NMS
YOLOv5	✅ 支持 CIoU Loss + DIoU-NMS
YOLOv6	✅ 支持 CIoU Loss + 可选 DFL
YOLOv7	✅ 支持 CIoU Loss
YOLOv8	✅ 默认使用 CIoU Loss + TaskAlignedAssigner

本文将按照时间线逐一解析这些 IoU 类型的公式定义、改进意义及在 YOLO 中的应用方式。

---

二、传统 IoU（2016 - YOLOv1 使用）

📌 公式定义：

$$\text{IoU}=\frac{\text{Area of Overlap}}{\text{Area of Union}}$$

即：两个框的交集面积除以并集面积。

⚙️ 使用方式（YOLOv1~v3）：

• 用于 anchor 匹配；
• 用于 NMS 后处理；
• 用于损失函数（YOLOv3 及之前为 MSE Loss，YOLOv4+ 转为 CIoU Loss）；

📉 局限性：

问题	描述
❌ 无梯度信号	无重叠区域时，IoU=0，无法提供优化方向
❌ 无中心点引导	不考虑边界框中心点距离，容易出现偏移误差
❌ 无宽高比惩罚	对形状差异大的框匹配效果差

---

三、GIoU（Generalized IoU）（YOLOv4 引入）

📌 公式定义：

$$\text{GIoU}=\text{IoU}-\frac{|C\setminus (A\cup B)|}{|C|}$$

其中：

• $C$ 是最小闭包框（包含 A 和 B）；
• 第二项表示非重叠区域对 C 的比例；

⚙️ 使用方式（YOLOv4）：

• ✅ 在 loss 函数中可配置为 iou_loss=giou；
• ✅ 支持 GIoU-NMS（通过参数控制）；
• ✅ 用于边界框回归优化；

📈 改进意义：

优点	说明
✅ 提供无重叠情况下的梯度信号	适用于边界框远离 GT 的情况
✅ 更稳定的学习过程	相比传统 IoU 更适合训练
✅ 提升小目标识别能力	对低 IoU 框也有一定监督作用

---

四、DIoU（Distance-IoU）（YOLOv4/v5/v6/v7 均支持）

📌 公式定义：

$$\text{DIoU}=\text{IoU}-\frac{{\rho }^2(b,b^{gt})}{d^2}$$

其中：

• $\rho$：预测框与真实框中心点之间的欧氏距离；
• $d$：最小闭包框的对角线长度；

使用方式：

• YOLOv4 中可通过 .cfg 文件配置：

iou_loss=diou

• YOLOv5 中默认使用 CIoU，但支持切换为 DIoU；
• YOLOv6 默认使用 CIoU，也可切换为 DIoU；
• 推理阶段支持 DIoU-NMS（提升密集目标召回率）；

改进意义：

优点	说明
✅ 显式优化中心点距离	边界框偏移更准确
✅ 收敛速度更快	相比 GIoU 更高效
✅ 更适合大尺度偏移场景	如遮挡、旋转等复杂情况

---

五、CIoU（Complete IoU）（YOLOv4/v5/v6/v7/v8 默认使用）

📌 公式定义：

$$\text{CIoU}=\text{IoU}-\frac{{\rho }^2}{d^2}-\alpha v$$

其中：

• $\rho$：中心点距离；
• $d$：最小闭包框对角线；
• $v$：宽高比一致性惩罚项；
• $\alpha$：权衡系数；

⚙️ 使用方式：

• ✅ YOLOv4 默认启用 CIoU Loss；
• ✅ YOLOv5 默认使用 CIoU Loss；
• ✅ YOLOv6 默认使用 CIoU Loss；
• ✅ YOLOv7 默认使用 CIoU Loss；
• ✅ YOLOv8 默认使用 CIoU Loss（搭配 TAL 标签分配）；

📈 改进意义：

优点	说明
✅ 综合考虑重叠、中心距离、宽高比	提升回归精度
✅ 更稳定的训练过程	收敛更快，mAP 提升明显
✅ 小目标识别更强	对于边缘框也提供有效梯度

---

六、DFL Loss（Distribution Focal Loss）（YOLOv6+/v8 引入）

核心思想：

DFL 并不直接回归边界框坐标，而是建模边界框坐标的概率分布，最终取期望作为输出。

使用方式：

• ✅ yolov6m+/l/x 支持 DFL；
• ✅ 可通过 config 配置开启；
• ✅ DFL 与 CIoU 结合使用，进一步提升定位精度；

---

七、Task-Aligned Assignment（TAL）中的 IoU 使用（YOLOv8 引入）

核心机制：

YOLOv8 引入了 Task-Aligned Assigner（TAL），它不再使用 SimOTA 或传统 anchor 匹配方式，而是通过以下方式动态选择正样本：

• ✅ 计算每个 anchor 与所有 GT 的 IoU；
• ✅ 构建 cost 矩阵（IoU + 分类置信度）；
• ✅ 使用 top-k 选择最优 anchor；

⚙️ 示例流程（简化版）：

ious = compute_iou_matrix(anchors, gt_boxes)  # 所有 anchor 与 GT 的 IoU
cls_probs = model.classify(anchors)           # 分类置信度
cost = ious + cls_probs                      # 成本矩阵
topk_indices = select_topk(cost, k=13)        # 选择 top-k 最优匹配

---

八、YOLO 系列中各 IoU 类型的演进总结

IoU 类型	是否 YOLO 使用	使用版本	是否支持 NMS
✅ 传统 IoU	✅ YOLOv1-v3	所有版本	✅ 是
✅ GIoU	✅ YOLOv4+	YOLOv4/v5/v6/v7	✅ 是（需手动配置）
✅ DIoU	✅ YOLOv4+	YOLOv4/v5/v6/v7	✅ 是（推荐）
✅ CIoU	✅ YOLOv4+	YOLOv4/v5/v6/v7/v8	✅ 是（默认）
✅ DFL	✅ YOLOv6+/v8	YOLOv6m+/x，YOLOv8s/m/l/x	❌ 否（用于回归建模）
✅ TAL（Task-Aligned Assigner）	✅ YOLOv8	YOLOv8

---

九、YOLO 中不同 IoU 的性能对比

IoU 类型	mAP@COCO val	是否默认启用
✅ IoU	~36.5% (yolov5s)	❌ 否
✅ GIoU	~37.0%	❌ 否（需手动开启）
✅ DIoU	~37.2%	✅ 是（部分版本）
✅ CIoU	~37.5%	✅ 是（多数模型默认）
✅ DFL + CIoU	~38.0%	✅ YOLOv6m+/x 支持

---

十、YOLO 中 IoU 演变总结表

模型	默认 IoU 类型	支持 NMS 类型	是否支持 DFL
YOLOv1~v3	✅ IoU	✅ IoU-NMS	❌ 否
YOLOv4	✅ CIoU	✅ DIoU-NMS	❌ 否
YOLOv5	✅ CIoU	✅ DIoU-NMS	❌ 否
YOLOv6s	✅ CIoU	✅ DIoU-NMS	❌ 否
YOLOv6m+	✅ CIoU + DFL	✅ DIoU-NMS	✅ 是
YOLOv7	✅ CIoU	✅ DIoU-NMS	❌ 否
YOLOv8	✅ CIoU（默认）	✅ DIoU-NMS	✅ 是（DFL）

---

十一、结语

YOLO 系列在 IoU 损失函数上经历了如下演进：

• ✅ YOLOv1~v3：使用传统 IoU；
• ✅ YOLOv4~v7：支持 CIoU Loss；
• ✅ YOLOv6m+/x、YOLOv8：引入 DFL Loss；
• ✅ 所有 YOLOv4+ 模型支持 DIoU-NMS；

---

📌 欢迎点赞 + 收藏 + 关注我，我会持续更新更多关于目标检测、YOLO系列、深度学习等内容！