1. 前言
前面介绍训练时通过设置 plots=True参数， 在训练后不仅有数值指标，还能有可视化的结果，方便：
- 快速定位数据集问题（
labels.jpg、train_batch*.jpg） - 分析模型性能（
results.png、confusion_matrix.png） - 直观查看预测效果（
val_batch*_pred.jpg）
生成的文件如下：
kerry@wuchenruideMacBook-Pro train % ls
args.yaml confusion_matrix_normalized.png train_batch0.jpg train_batch2.jpg
BoxF1_curve.png confusion_matrix.png train_batch1.jpg val_batch0_labels.jpg
BoxP_curve.png labels.jpg train_batch180.jpg val_batch0_pred.jpg
BoxPR_curve.png results.csv train_batch181.jpg weights
BoxR_curve.png results.png train_batch182.jpg| 文件名 | 作用 | 是否关键 |
|---|---|---|
| args.yaml | 记录本次训练的所有参数（数据集路径、模型结构、训练轮数、batch size 等），用于复现训练。 | ✅ 非常重要 |
| results.png | 汇总训练和验证过程的损失曲线（box_loss、cls_loss、dfl_loss）和指标曲线（mAP、Precision、Recall）。 | ✅ 非常重要 |
| results.csv | 与 results.png 同源的数值版，每一行是一个 epoch 的指标和损失。方便用 Excel 或 Pandas 分析。 | ✅ 重要 |
| weights/ | 存放训练得到的模型权重：best.pt（验证集表现最佳）、last.pt（最后一个 epoch）。 | ✅ 必须保留 |
| confusion_matrix.png | 混淆矩阵，显示每个类别的预测情况（正确、误检、漏检）。 | ✅ 分类任务非常重要 |
| confusion_matrix_normalized.png | 归一化后的混淆矩阵，更直观地看类别间混淆比例。 | ✅ 分类任务非常重要 |
| labels.jpg | 数据集中所有标注框的分布可视化（位置、大小、长宽比）。用于检查数据集标注质量。 | ✅ 数据集分析重要 |
| BoxP_curve.png | Box Precision 曲线：定位框预测的准确率随 IoU 阈值变化的趋势。 | 🔍 辅助分析 |
| BoxR_curve.png | Box Recall 曲线：定位框召回率随 IoU 阈值变化的趋势。 | 🔍 辅助分析 |
| BoxF1_curve.png | Box F1 Score 曲线：Precision 和 Recall 的综合指标随 IoU 阈值变化的趋势。 | 🔍 辅助分析 |
| BoxPR_curve.png | Box Precision-Recall 曲线：显示不同置信度下 Precision 与 Recall 的关系。 | 🔍 辅助分析 |
| train_batch0.jpg / train_batch1.jpg / train_batch2.jpg | 训练集样本的可视化（带标注框），用于检查数据增强和标注是否正常。 | 🔍 可选 |
| train_batch180.jpg / train_batch181.jpg / train_batch182.jpg | 后期训练批次的可视化（可能是最后几个 batch），方便观察增强效果和样本多样性。 | 🔍 可选 |
| val_batch0_labels.jpg | 验证集样本的标注框可视化（真实标签）。 | 🔍 可选 |
| val_batch0_pred.jpg | 验证集样本的预测框可视化（模型输出）。 | 🔍 可选 |
2. 核心文件介绍
2.1. results.png
作用
记录训练过程的损失曲线和评估指标曲线，是判断模型收敛情况的核心图表。
内容
通常包含以下曲线（每条曲线都是按 epoch 绘制的）：
- train/box_loss：训练集边界框回归损失，衡量预测框与真实框的差异。
- train/cls_loss：训练集分类损失，衡量预测类别与真实类别的差异。
- train/dfl_loss：分布焦点损失（YOLOv8 特有，用于精细化回归边界框）。
- val/box_loss、val/cls_loss、val/dfl_loss：验证集上的同类损失。
- metrics/precision：精确率，预测为正的样本中有多少是真的正。
- metrics/recall：召回率，真实正样本中有多少被正确预测。
- metrics/mAP50：IoU=0.5 时的 mAP。
- metrics/mAP50-95：IoU=0.5~0.95 平均的 mAP。
例子解读
假设你的 results.png 曲线是：
- 前 10 个 epoch，训练损失下降很快，验证损失也下降。
- 20 个 epoch 后，验证损失开始上升，训练损失继续下降 → 可能过拟合。
- mAP50 从 0.3 提升到 0.75，说明模型检测效果提升明显。
2.2. confusion_matrix.png
作用
展示多分类检测任务中，各类别的预测准确性和混淆情况。
内容
- 横轴：预测的类别
- 纵轴：真实的类别
- 格子颜色/数值：该真实类别被预测为某类别的次数（归一化为比例）。
例子解读
假设你检测三类：cat、dog、person
- 混淆矩阵显示真实
dog有 20% 被预测成cat→ 说明模型对猫狗区分不够好，可能需要更多区分性数据。 - 如果某类对角线上的数值明显低于其他类，说明该类召回率较低。
2.3. labels.jpg
作用
分析训练集标签的分布情况。
内容
通常包含两部分：
- 左图：每个类别的标注框数量柱状图。
- 右图：所有标注框的宽高分布（归一化到 [0,1]，表示相对于图片尺寸的比例）。
例子解读
- 左图：如果某类别的数量只有其他类别的 1/10，说明类别不均衡，可能需要数据增补或加权训练。
- 右图：如果大部分框的宽高很小（如 <0.05），说明物体很小，可能需要调整模型输入尺寸或使用更适合小目标的结构。
2.4. val_batch0_pred.jpg
作用
展示模型在验证集某个 batch 上的预测结果。
内容
- 每张图片会显示预测框、类别标签、置信度分数。
- 框颜色区分不同类别。
例子解读
- 如果预测框位置偏差大，说明回归效果差。
- 如果置信度普遍很低（如 0.3~0.5），可能说明模型还未收敛或训练数据不足。
- 如果某些物体完全漏检，说明召回率有问题。
2.5. train_batch0.jpg
作用
展示训练集某个 batch 的原始图片和标注框，可用于检查数据增强和标签是否正确。
内容
- 框颜色区分不同类别。
- 框旁会标出类别名。
例子解读
- 如果标注框与物体不匹配，说明数据集标注有问题。
- 如果数据增强导致图片过度变形、物体被裁掉，可能需要调整数据增强策略。
2.6. opt.yaml
作用
保存训练配置参数（模型路径、数据集路径、超参数等），方便复现训练。
例子内容：
model: yolov8n.pt
data: data.yaml
epochs: 50
batch: 16
imgsz: 640
plots: True可以用它来快速复现：
yolo train opt.yaml2.7. hyp.yaml
作用
保存训练时使用的超参数（学习率、数据增强比例等）。
例子内容：
lr0: 0.01
momentum: 0.937
weight_decay: 0.0005
hsv_h: 0.015
hsv_s: 0.7
hsv_v: 0.4
degrees: 0.0
translate: 0.1
scale: 0.52.8. train.log
作用
记录训练过程中的日志（每个 epoch 的损失和指标），方便在没有图片的情况下分析训练过程。
例子内容：
Epoch GPU_mem box_loss cls_loss dfl_loss P R mAP50 mAP50-95
1/50 2.34G 0.050 0.020 0.015 0.65 0.70 0.72 0.65
...3. 训练效果-指标
上述文件中，核心关注 results.png，是对各类指标的总览。
3.1. 损失类参数（Loss）
3.1.1. train/box_loss
定义
- 衡量预测框与真实框的空间位置差异。
YOLOv8 默认使用 CIoU（Complete IoU） 或 GIoU（Generalized IoU） 损失。相比普通 IoU，它会考虑：
- 框的重叠面积
- 框中心点的距离
- 框宽高比例匹配程度
与相似参数对比
- train/dfl_loss 也与定位有关，但它是用离散分布来回归坐标，更精细；
box_loss是整体位置误差。 box_loss下降速度通常比dfl_loss慢，因为位置调整需要更多迭代。
异常现象
- 训练集下降，验证集不下降：可能过拟合，模型记住了训练集位置，但泛化差。
- 下降很慢：可能是数据集标注不准，或者物体尺度差异大。
数据集调整建议
- 检查标注质量（框是否紧贴物体边缘）。
- 对小物体，可以增加输入分辨率（如从 640 提到 960）。
- 对大物体，可以减少图片缩放比例，避免框失真。
3.1.2. train/cls_loss
定义
- 衡量预测类别与真实类别的差异。
- YOLOv8 使用 BCE Loss 或 Focal Loss（后者更适合类别不均衡）。
与相似参数对比
- Precision 和 Recall 也反映分类效果，但它们是基于检测结果的最终指标；
cls_loss是训练过程中的损失。 cls_loss高可能导致 Precision、Recall 都低。
异常现象
- 训练集低，验证集高：模型过拟合分类特征。
- 下降很慢：类别差异不明显，特征提取困难。
数据集调整建议
- 增加类别样本数量，尤其是样本少的类别。
- 使用数据增强（颜色、亮度变化）增加类别特征多样性。
- 对容易混淆的类别（如猫 vs 狗），增加区分性特征（不同背景、不同姿态）。
3.1.3. train/dfl_loss
定义
- DFL（Distribution Focal Loss） 用于精细化预测框坐标。
- 不是直接预测坐标，而是预测一个概率分布，然后取期望值作为坐标。
与相似参数对比
- 与
box_loss一起决定定位精度，但dfl_loss在小物体检测中作用更明显。 - 如果
box_loss已很低但dfl_loss仍高，说明框位置粗略正确但精度不足。
异常现象
- 下降缓慢：可能是图像分辨率太低，小物体特征不足。
- 训练集低，验证集高：泛化差，小物体定位不稳定。
数据集调整建议
- 增加小物体样本比例。
- 提高输入分辨率。
- 减少数据增强中的裁剪比例，避免小物体被截掉。
3.2. 验证集损失（val/...）
这些参数的作用主要是对比训练集损失，判断模型泛化能力。
7.2.4. val/box_loss
与
train/box_loss对比：- 差距小 → 泛化好。
- 差距大 → 过拟合或验证集分布与训练集差异大。
调整建议：
- 保证训练集和验证集分布一致（相同拍摄条件、分辨率）。
- 增加数据集多样性（不同背景、光照）。
3.2.5. val/cls_loss
与
train/cls_loss对比：- 差距大 → 说明模型分类在新数据上表现差。
调整建议：
- 增加验证集中样本少的类别在训练集的比例。
- 检查类别标签是否一致（避免标签错位）。
3.2.6. val/dfl_loss
与
train/dfl_loss对比：- 差距大 → 小物体定位在验证集上表现差。
调整建议：
- 增加小物体在训练集中的比例。
- 调整锚框（Anchor）或输入分辨率。
3.3. 评估指标（metrics/...）
3.3.7. metrics/precision
定义
$$ Precision = \frac{TP}{TP + FP} $$
- 高 Precision → 模型误检少。
与 Recall 对比
- Precision 高但 Recall 低 → 模型很保守，只预测非常确定的目标。
- Precision 低但 Recall 高 → 模型大胆预测，误检多。
异常现象
- Precision 高但 Recall 低 → 数据集正负样本差异大，模型容易漏检。
- Precision 低但 Recall 高 → 背景复杂，模型容易把背景当成目标。
数据集调整建议
- Precision 高 Recall 低 → 增加难例（模糊、遮挡）的正样本。
- Precision 低 Recall 高 → 增加背景样本，让模型学会区分目标与背景。
3.3.8. metrics/recall
定义
$$ Recall = \frac{TP}{TP + FN} $$
- 高 Recall → 模型漏检少。
与 Precision 对比
- 高 Recall + 低 Precision → 误检多。
- 高 Precision + 高 Recall → 模型理想状态。
异常现象
- Recall 低 → 小物体漏检、长尾类别漏检。
- Recall 高 Precision 低 → 预测阈值太低。
数据集调整建议
- Recall 低 → 增加漏检类别样本数量。
- Recall 高 Precision 低 → 提高推理置信度阈值，或减少背景干扰样本。
3.3.9. metrics/mAP50
- IoU=0.5 时的平均精度，容错高。
- 高 mAP50 但低 mAP50-95 → 框位置粗略正确，但精度不足。
调整建议
- 提高分辨率，改善定位精度。
- 优化
dfl_loss，增加小物体样本。
3.3.10. metrics/mAP50-95
- 更严格的定位指标。
- 高 mAP50-95 → 模型定位非常精确。
- 低 mAP50-95 → 框位置偏差大。
调整建议
- 提高分辨率。
- 减少数据增强中大幅度的平移、缩放。
3.4. 综合分析方法
当你看到 results.png 时，可以按以下流程分析：
- 损失曲线：训练集与验证集差距大 → 检查过拟合。
Precision & Recall：
- 高 Precision + 低 Recall → 增加难例正样本。
- 低 Precision + 高 Recall → 增加背景样本。
mAP50 vs mAP50-95：
- 高 mAP50 低 mAP50-95 → 定位精度不足，优化分辨率和小物体数据。
4. dfl_loss/box_loss
dfl_loss 和 box_loss 都跟预测框有关，它们到底有什么区别？为什么 YOLO 要同时用两个损失？
4.1. 核心区别
| 损失类型 | 作用位置 | 预测方式 | 主要目标 | 精度层级 |
|---|---|---|---|---|
| box_loss | 框整体定位 | 直接预测中心点坐标 + 宽高（回归值） | 让预测框与真实框的 整体位置 尽量重合 | 粗定位 |
| dfl_loss | 框坐标细化 | 预测每个坐标的离散概率分布 | 让预测框的 边界坐标 精确到像素级 | 精定位 |
- box_loss：整体位置对齐，粗定位。
- dfl_loss：边界坐标精细化，精定位。
- 两者配合：先粗后精，保证快速收敛和最终精度。
优化方向：
- 提高分辨率 → 改善 dfl_loss。
- 改善标注质量 → 同时改善两者。
- 合理数据增强 → 避免位置漂移影响 box_loss。
4.2. 计算方式上的差异
4.2.1 box_loss
- 计算对象：预测框的四个坐标（中心点 x,y，宽 w，高 h）。
计算方法：使用 IoU-based loss（如 CIoU、GIoU、DIoU）：
- 考虑框的重叠面积
- 考虑中心点距离
- 考虑宽高比例
特点：
- 粗粒度：一次性对整个框位置进行评估。
- 容忍小的坐标误差，只要整体 IoU 高就可以。
4.2.2 dfl_loss（Distribution Focal Loss）
- 计算对象：预测框的每个边界坐标（左、右、上、下）。
计算方法：
- 将每个坐标离散化成多个位置（例如 0 ~ 640 像素，分成 N 个格子）。
- 模型对每个位置输出一个概率分布（哪个位置最可能是边界）。
- 取概率分布的加权平均作为最终坐标。
- 用 Focal Loss 或 Cross Entropy 来让概率分布集中在真实位置附近。
特点：
- 精粒度：像素级精确定位。
- 对小物体特别有用，因为小物体的坐标误差对 IoU 影响很大。
4.3. 为什么用两个损失？
- box_loss：保证整体框位置是对的，快速收敛到合理位置。
- dfl_loss：在位置大致正确的基础上，进一步微调到更精确的坐标。
💡 类比：
box_loss就像你用地图导航到某个小区门口（大致位置对了）。dfl_loss就像你在小区里精确找到具体的楼栋和门牌号（精确定位）。
4.4. 对训练曲线的影响
训练初期：
box_loss下降快，因为先学会粗定位。dfl_loss下降慢，因为精定位需要框已经接近目标。
训练中后期：
box_loss下降趋缓，dfl_loss开始明显下降。- mAP50 主要受
box_loss影响，mAP50-95 主要受dfl_loss影响。
4.5. 举例说明
假设你检测一个猫的脸：
- 只有 box_loss：框能圈到猫的脸，但可能稍微偏大或偏小，边缘不够贴合。
- 加上 dfl_loss：框不仅圈到猫的脸，而且四个边精确贴到耳朵和下巴的位置，IoU 更高。
粗定位（box_loss） 精定位（dfl_loss）
┌──────────────────────┐ ┌──────────────────────┐
│ ┌──────────┐ │ │ ┌──────────┐ │
│ │ │ │ │ │ 精确框 │ │
│ │ 猫脸 │ │ │ └──────────┘ │
│ │ │ │ │ │
│ └──────────┘ │ │ │
│ │ │ │
└──────────────────────┘ └──────────────────────┘解释
左图（box_loss）
框的位置大致正确，圈住了猫的脸，但边缘与真实物体不完全贴合。- 这种情况下 IoU 可能已经不低（比如 0.7），但还有优化空间。
- 主要通过 IoU-based loss（如 CIoU、GIoU）调整整体位置。
右图（dfl_loss）
在左图的基础上，边界坐标进一步微调，精确贴合物体边缘。- IoU 从 0.7 提升到 0.85+。
- 通过预测每个坐标的概率分布，像素级优化边界。
4.6. 怎么调整数据集？
4.6.1 dfl_loss 高、box_loss 低
- 现象：框位置粗略正确，但边界不精确。
原因：
- 数据集分辨率低，小物体边界模糊。
- 标注框不够精确（边界没贴物体）。
调整方法：
- 提高输入分辨率（如 640 → 960）。
- 检查标注质量，确保框边贴近物体边缘。
- 增加小物体样本比例。
4.6.2 box_loss 高、dfl_loss 低
- 现象：框边界很精确，但整体位置不对（可能框偏移）。
原因：
- 数据增强过度（平移、裁剪导致位置漂移）。
- 训练集分布与验证集差异大（背景变化大）。
调整方法：
- 减少过度平移、裁剪的数据增强。
- 保证训练集和验证集的背景、拍摄角度一致。
4.6.3 两者都高
原因：
- 数据集标注差（位置和边界都不准）。
- 数据集噪声大（背景复杂、遮挡多）。
调整方法：
- 重新标注或清洗数据。
- 增加干净的样本。
- 先用较少增强训练收敛，再加增强微调。
5.IoU
IoU（Intersection over Union），是目标检测领域的一个核心概念，几乎所有 YOLO 系列模型的定位指标、损失函数、评估标准都离不开它。很多人第一次接触时只是知道它是个“重叠比例”，但其实它有很多细节、变种，以及在训练和评估中的不同作用。
5.1. IoU 的定义
IoU = 预测框 和 真实框 的重叠程度。
数学定义：
$$ IoU = \frac{\text{重叠区域面积}}{\text{并集区域面积}} $$
- 重叠区域面积（Intersection）：预测框和真实框交集的面积。
- 并集区域面积（Union）：预测框面积 + 真实框面积 − 重叠区域面积。
直观理解
假设：
- 预测框：圈到一只猫的头部
- 真实框：圈到猫的头部
- 两个框完全重合 → IoU = 1.0
- 两个框完全不重叠 → IoU = 0.0
- 部分重叠 → IoU 在 0 ~ 1 之间
5.2. 计算过程示例
假设：
- 预测框面积 = 40
- 真实框面积 = 50
- 重叠面积 = 30
并集面积 = 40 + 50 − 30 = 60
$$ IoU = \frac{30}{60} = 0.5 $$
→ 说明预测框和真实框的重叠程度是 50%。
5.3. IoU 在目标检测中的作用
评估指标
- mAP（平均精度）计算时会用到 IoU 作为匹配条件。
- 例如：mAP@0.5 表示 IoU ≥ 0.5 就算预测正确；mAP@0.5:0.95 会计算多个 IoU 阈值的平均。
训练损失
- YOLO 的
box_loss基于 IoU 变种（GIoU、DIoU、CIoU）来优化预测框的位置和大小。
- YOLO 的
非极大值抑制（NMS）
- 在推理时，IoU 用来判断两个框是否是同一个目标，如果 IoU 高于某个阈值，就会删除重复框。
5.4. 几个常见变种
因为普通 IoU 在某些情况下不够敏感，所以衍生了很多改进版本：
| 变种 | 公式变化 | 改进点 | 适用场景 |
|---|---|---|---|
| GIoU（Generalized IoU） | IoU − 空间惩罚项 | 考虑预测框和真实框的最小包围框面积 | 框不重叠时也能优化 |
| DIoU（Distance IoU） | IoU − 中心点距离惩罚项 | 考虑框中心点之间的距离 | 提高定位速度 |
| CIoU（Complete IoU） | IoU − 距离惩罚 − 长宽比惩罚 | 同时优化位置、尺度、长宽比 | YOLOv5/YOLOv8 默认 |
| EIoU（Efficient IoU） | IoU − 宽高差惩罚 | 更快收敛 | 大目标检测 |
为什么要用 CIoU 而不是普通 IoU？
普通 IoU 在预测框和真实框没有重叠时，梯度为 0，模型无法学习。而 CIoU 会在这种情况下仍提供优化信号（通过中心点距离和长宽比差异），让框逐渐靠近目标。
5.5. 在 YOLO 中的具体应用
训练阶段
train/box_loss基于 CIoU（或 GIoU）计算，优化框的位置。- IoU 越高，说明框位置越接近真实框，损失越低。
验证阶段
mAP50：IoU ≥ 0.5 就算预测正确。mAP50-95：在 IoU 阈值 0.5 ~ 0.95 之间的平均结果，更严格。
推理阶段
- NMS 使用 IoU 阈值（如 0.6）来去除重复预测框。
5.6. 数据集优化与 IoU 的关系
| IoU 异常表现 | 可能原因 | 数据集优化方法 |
|---|---|---|
| IoU 长期低 | 标注框不准；分辨率低；小物体特征不足 | 检查标注质量；提高分辨率；增加小物体样本 |
| IoU 高但 mAP50-95 低 | 框位置对但边界不精确 | 优化 dfl_loss；精确标注边界；提高分辨率 |
| IoU 波动大 | 数据集分布差异大；数据增强过度 | 保证训练/验证集分布一致；减少过度平移裁剪 |
5.7. 直观图解
真实框：████████
预测框： ████████
重叠部分： ████
IoU = 重叠面积 / 并集面积- IoU 越接近 1 → 定位越精准
- IoU 越接近 0 → 定位越差
6. IoU变种对比
6.1. 图形总览
下面的示意图中：
- 🟩 绿色框 = 真实框 (Ground Truth)
- 🟥 红色框 = 预测框 (Predicted Box)
- 🟦 蓝色区域 = IoU 重叠部分
- 🔲 黑色虚线框 = 两个框的最小包围框 (GIoU 用到)
- 📏 中心点虚线 = 两个框中心距离 (DIoU / CIoU 用到)
场景 1：两个框部分重叠
IoU: 只计算蓝色重叠区域 / 并集
GIoU: IoU - (最小包围框面积 - 并集面积) / 最小包围框面积
DIoU: IoU - (中心点距离 / 最小包围框对角线长度)
CIoU: DIoU - 长宽比差异惩罚 ┌───────────────┐
│ 🟩真实框 │
│ ┌───────┐ │
│ │🟥预测框│ │
│ └───────┘ │
└───────────────┘- IoU：只关心重叠部分比例
- GIoU：即使重叠不多，也考虑两框的最小包围框面积，让优化方向更明确
- DIoU：考虑中心点距离，框会更快移到正确位置
- CIoU：同时优化位置、尺度和长宽比
场景 2：两个框完全不重叠
IoU: = 0（无法提供梯度，模型难以优化）
GIoU: < 0（根据最小包围框面积惩罚）
DIoU: 惩罚中心点距离
CIoU: 惩罚距离 + 长宽比差异🟩真实框 🟥预测框
┌───────┐ ┌───────┐
│ │ │ │
└───────┘ └───────┘- IoU：梯度为 0 → 无法学习
- GIoU：通过最小包围框面积差让框逐渐靠近
- DIoU：通过中心点距离让框快速移动到目标附近
- CIoU：还会修正长宽比，让框形状更接近目标
场景 3：位置接近但长宽比差异大
IoU: 重叠区域可能还可以，但形状差异大
GIoU: 类似 IoU，额外考虑空白区域
DIoU: 中心点已对齐，惩罚减少
CIoU: 强烈惩罚长宽比差异┌─────────────┐
│ 🟩真实框 │
│ ┌─────────┐ │
│ │ 🟥预测框 │ │
│ └─────────┘ │
└─────────────┘- IoU：不关心长宽比，只看重叠比例
- CIoU：在这个场景下会继续优化框形状，直到和真实框匹配
6.2. 对比总结表
| 场景 | IoU | GIoU | DIoU | CIoU |
|---|---|---|---|---|
| 部分重叠 | 只看重叠比例 | 额外考虑空白区域 | 考虑中心点距离 | 考虑距离+长宽比 |
| 不重叠 | 梯度为 0 | 惩罚空白区域 | 惩罚中心点距离 | 距离+长宽比双惩罚 |
| 长宽比差 | 不关心形状 | 不关心形状 | 不关心形状 | 优化形状匹配 |
6.3. 为什么 YOLO 默认用 CIoU
- IoU 在不重叠时无法提供优化信号 → 模型学不动
- GIoU 能在不重叠时优化，但不考虑距离和形状 → 收敛慢
- DIoU 加了距离项 → 框更快到位
- CIoU 同时优化位置、距离、长宽比 → 定位更精确，收敛更快
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。