从YOLOv5到YOLOv8：损失函数CIoU+DFL+VFL的演进与PyTorch代码对比

YOLOv8损失函数目标检测PyTorch

于 2026-05-29 11:38:54 修改

·本内容遵循CC 4.0 BY-SA版权协议

从YOLOv5到YOLOv8：目标检测损失函数的深度演进与技术实现

在计算机视觉领域，目标检测算法的性能提升往往依赖于损失函数的精妙设计。YOLO系列作为实时目标检测的标杆，从v5到v8版本的迭代中，损失函数模块经历了三次关键变革：边界框回归从GIoU/DIoU升级为CIoU+DFL组合，分类损失从标准交叉熵进化为VFL（Varifocal Loss）。这些改进不是简单的参数调整，而是针对目标检测任务特性的系统性优化。

1. 边界框回归损失的演进之路

边界框回归是目标检测的核心任务，其损失函数的设计直接影响模型定位精度。YOLOv5采用DIoU Loss作为默认配置，而YOLOv8则创新性地结合了CIoU和DFL两种损失机制。

1.1 从IoU到CIoU的几何考量

传统IoU Loss只考虑预测框与真实框的重叠面积，存在梯度消失问题。YOLOv5使用的DIoU在此基础上添加了中心点距离惩罚项：

PYTHON

# YOLOv5 DIoU实现核心代码

def bbox_iou(box1, box2, x1y1x2y2=True, DIoU=False, eps=1e-7):

# 计算交集面积

inter = (torch.min(box1[..., 2:], box2[..., 2:]) -

torch.max(box1[..., :2], box2[..., :2])).clamp(0).prod(-1)

# 计算并集面积

union = (box1[..., 2] - box1[..., 0]) * (box1[..., 3] - box1[..., 1]) +

(box2[..., 2] - box2[..., 0]) * (box2[..., 3] - box2[..., 1]) - inter + eps

iou = inter / union

if DIoU:

# 计算中心点距离

c_dist = ((box2[..., 0] + box2[..., 2] - box1[..., 0] - box1[..., 2]) ** 2 +

(box2[..

最低 0.47元/天开通会员,解锁全文

成为会员后, 你将解锁

下载资源随意下

优质VIP博文免费学

优质文库回答免费看

付费资源9折优惠