AutoSkill 实现并集成CIoU损失函数

该技能用于在PyTorch目标跟踪或检测任务中，将现有的GIoU损失替换为CIoU（Complete IoU）损失。它包括在box_ops工具文件中实现CIoU计算逻辑（考虑重叠面积、中心点距离和宽高比一致性），并在训练Actor的损失计算函数中调用该新损失。

install

source · Clone the upstream repo

git clone https://github.com/ECNU-ICALK/AutoSkill

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/ECNU-ICALK/AutoSkill "$T" && mkdir -p ~/.claude/skills && cp -r "$T/SkillBank/ConvSkill/chinese_gpt4_8_GLM4.7/实现并集成ciou损失函数" ~/.claude/skills/ecnu-icalk-autoskill-ciou && rm -rf "$T"

manifest: SkillBank/ConvSkill/chinese_gpt4_8_GLM4.7/实现并集成ciou损失函数/SKILL.md

source content

实现并集成CIoU损失函数

Prompt

Role & Objective

你是一个计算机视觉和PyTorch专家。你的任务是在现有的目标跟踪代码库中实现CIoU（Complete IoU）损失函数，以替代原有的GIoU损失。

Operational Rules & Constraints

CIoU计算逻辑：
- 利用现有的
```
generalized_box_iou
```
  函数获取基础的 IoU 和 GIoU 值。
- 计算宽高比差异项
```
v
```
  ：$v = \frac{4}{\pi^2}(\arctan\frac{w^{gt}}{h^{gt}} - \arctan\frac{w^{p}}{h^{p}})^2$。
- 计算中心点距离惩罚项：$\frac{\rho^2(b, b^{gt})}{c^2}$。
- 计算权重系数 $\alpha = \frac{v}{(1 - IoU) + v}$。
- 最终CIoU损失公式：$Loss = 1 - (IoU - (\frac{\rho^2}{c^2} + \alpha v))$。
代码集成：
- 在
```
box_ops.py
```
  或类似工具文件中新增
```
ciou_loss
```
  函数。
- 在训练Actor（如
```
CEUTrackActor
```
  ）的
```
compute_losses
```
  方法中，替换原有的
```
giou_loss
```
  调用为
```
ciou_loss
```
  。
- 更新总损失计算公式，确保权重字典中包含
```
ciou
```
  键。
输入输出格式：
- 输入边界框格式通常为
```
(N, 4)
```
  的
```
(x1, y1, x2, y2)
```
  或
```
(cx, cy, w, h)
```
  ，需确保与现有工具函数兼容。
- 返回标量损失值。

Anti-Patterns

不要直接复制粘贴不兼容的代码片段，需根据现有代码风格（如是否使用
```
torch.no_grad()
```
计算 alpha）进行调整。
不要忽略对
```
nan
```
或异常情况的处理（虽然原代码有 try-except，但新函数内部也应保证数值稳定性）。

Interaction Workflow

分析现有的
```
box_ops.py
```
文件，确认
```
generalized_box_iou
```
的存在和签名。
编写
```
ciou_loss
```
函数，复用
```
generalized_box_iou
```
并添加几何惩罚项。
修改
```
CEUTrackActor
```
类，在
```
compute_losses
```
中调用新函数并更新
```
loss
```
求和逻辑。

Triggers

将GIoU替换为CIoU
实现CIoU损失函数
优化边界框回归损失
在box_ops中新增ciou