目录
1.介绍
1.1 IOU
在机器学习领域，损失函数（Loss Function）是衡量模型预测值和真实值之间差异的函数。在训练期间，模型会尝试最小化损失函数的值，从而提高模型的准确性。
通常来说，损失函数的定义方式取决于你要解决的问题类型。例如，在分类问题中，常见的损失函数包括交叉熵损失函数和负对数似然损失函数等；在回归问题中，通常使用均方误差（MSE）损失函数和平均绝对误差（MAE）损失函数等。
以分类问题为例，交叉熵损失函数是一种常用的损失函数，通常用来度量模型在分类问题上的性能。交叉熵损失函数的定义如下：
其中，y表示真实标签的向量（标签被编码为一组0或1），而p表示模型预测标签的向量，代表模型对每个类别属于正例的概率。n是类别总数。
交叉熵损失函数通常用于多分类问题中，它的主要特点是能够惩罚模型在错误分类的情况下的置信度预测。
在训练过程中，在每个训练样本上，损失函数都会计算当前模型的预测标签与真实标签之间的距离（或差异），并根据其结果调整模型权重，以尽量减小损失函数值。因此，选择合适的损失函数非常重要，并且可以对模型性能产生重大影响。
1.2 SIOU
SIOU（Smoothed Intersection over Union，平滑交并比）是一种用于目标检测中的评