性能先进的模型并不一定在整体上都是最先进的，就如在目前所公开的最强目标检测模型ppyoloe+[yolov8虽然是最新一代模型，其使用CIoU做box loss，在公开coco上的指标是不如ppyoloe+，这应该是由于object365数据集的加持]使用GIOU作为loss来进行框回归优化（[这两个模型除了iou loss外均使用了DFL来使模型快速将tlbr(边框的四个位置)回归到目标框附近]）。然而，在已知的信息中GIOU、SIOU、EIOU等最新IOU loss都比CIOU更利于边框优化。在pytorch下通常可以看到将SIOU、EIOU添加到yolov5或yolov8中的实践，并声称替换IOU loss后模型有所涨点；为此阅读了paddledetection中的源码，分析了其中iou loss的实现，发现有CIOU、GIOU、SIOU的实现方式，并没有EIOU、WIOU的实现方式。最终，参考pytorch的实现方式，将其改为paddle版本的EIOU、WIOU，并将其使用在ppyoloe+的训练中。

这里推荐大家使用最新的paddledetection（version 2.6），因为ppyoloe的代码在2.4中与2.6中实现细节不一样。

yolov8性能数据