在目标检测任务中，损失函数对检测精度和训练稳定性有重要影响。针对YOLO系列中WIoU（Wise IoU）和CIoU（Complete IoU）两种边界框损失函数的对比分析如下：

维度	CIoU	WIoU (v1/v2)
优化目标	位置+形状	位置+动态样本权重
小目标检测	一般	✅ 更优（抑制低质量样本干扰）
训练稳定性	需谨慎设置学习率	✅ 更鲁棒（自适应梯度调整）
计算复杂度	低	略高（需计算动态权重）
超参数敏感性	较高（需调 α 系数）	较低
工业部署兼容性	✅ 广泛支持	需自定义实现

WIoU v3相比v1和v2有以下优势：
1.非单调性设计，可以更好地处理不同尺度的目标;
2.通过iou * torch.exp((rho2 / c2))的计算方式，在保持IoU基本特性的同时，增加了对中心点距离的惩罚
更适合处理复杂场景下的目标检测任务。

#loss.py
class BboxLoss(nn.Module):
    """Criterion class for computing training losses during training."""

    def __init__(self, reg_max=16):
        """Initialize the BboxLoss module with regularization maximum and DFL settings."""
        super().__init__()
        self.dfl_loss = DFLoss(reg_max) if reg_max > 1 else None

    def forward(self, pred_dist, pred_bboxes, anchor_points, target_bboxes, target_scores, target_scores_sum, fg_mask):
        """IoU loss."""
        weight = target_scores.sum(-1)[fg_mask].unsqueeze(-1)
        iou = bbox_iou(pred_bboxes[fg_mask], target_bboxes[fg_mask], xywh=False, WIoU=True, scale=False)  # WIoU v3
        loss_iou = ((1.0 - iou) * weight).sum() / target_scores_sum

        # DFL loss
        if self.dfl_loss:
            target_ltrb = bbox2dist(anchor_points, target_bboxes, self.dfl_loss.reg_max - 1)
            loss_dfl = self.dfl_loss(pred_dist[fg_mask].view(-1, self.dfl_loss.reg_max), target_ltrb[fg_mask]) * weight
            loss_dfl = loss_dfl.sum() / target_scores_sum
        else:
            loss_dfl = torch.tensor(0.0).to(pred_dist.device)

        return loss_iou, loss_dfl

# metrics.py
    #……
    elif WIoU:
        if Focal:
            raise RuntimeError("WIoU do not support Focal.")
        elif scale:
            return getattr(WIoU_Scale, '_scaled_loss')(self), (1 - iou) * torch.exp(
                (rho2 / c2)), iou  # WIoU https://arxiv.org/abs/2301.10051
        else:
            return iou * torch.exp((rho2 / c2))  # WIoU v3
            #return iou, torch.exp((rho2 / c2))  # WIoU v1

结论

常规场景
若数据质量较高且目标尺寸分布均匀，CIoU仍能取得较好效果（尤其对形状敏感的任务）。

复杂场景推荐WIoU
在以下情况优先选择WIoU：
数据存在大量低质量标注（遮挡、模糊）
小目标占比高或目标尺寸差异大
追求更高mAP（WIoUv3相比CIoU约有0.5-1.2%提升）

Holden Blog

YOLO的WIoU和CIoU对比

结论