YOLO11 改进系列 | 引入2025年 BLD-IoU Loss：边界级定位偏差 bbox 回归改进，适合边界精修和高精度定位

YOLO11 改进 | BLD-IoU 边界级定位偏差 bbox Loss 配置与源码解析

• • 一、本文简介
  • 二、BLD-IoU 原理详解
  • • 2.1 为什么需要边界级定位偏差
    • 2.2 基础 CIoU similarity
    • 2.3 四边偏差计算
    • 2.4 按 GT 宽高归一化
    • 2.5 BLD-IoU 最终 similarity
    • 2.6 BLD-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 CIoU 外显式加入四边定位偏差
      • 2. 使用 GT 宽高对边界偏差归一化
      • 3. 保持 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 BLD-IoU 实现
  • 五、手把手配置步骤
  • • Step 1：确认当前仓库已注册 BLD-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 BLD-IoU 主配置
    • 6.3 BLD-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 BLD-IoU 会改变模型结构吗？
      • 7.4.2 `bld_iou`、`border_deviation`、`border_iou` 有区别吗？
      • 7.4.3 BLD-IoU 和 CIoU 有什么区别？
      • 7.4.4 YOLO11-seg 可以使用 BLD-IoU 吗？
      • 7.4.5 如果 BLD-IoU 效果不如 CIoU，应该怎么排查？
  • 八、总结