一、IOU
IOU：也就是交并比，比较简单，不多说。
缺点：
上面三种情况IOU值是一样的，但是重叠情况不一样。当两个框没有交集的时候，IOU = 0，导致梯度消失，没办法进行反向传播。
二、GIOU
上述公式中：
C表示两个框的最小外接矩形
gt：groundtrueth
B：boudingbox
BUB^(gt)：两个框的并集
优点：在不重叠的情况下，就算两个框没有交集，也不至于导致梯度消失，还能继续训练下去，这是相对于IOU的改进；
缺点：在重叠的情况下，如上图三图，GIOU的缺点就暴露出来了，依然不能很好区分上述情况。
三、DIOU
四、CIOU
YOLOV4中使用的便是CIOU，CIOU公式定义前三项其实就是GIOU，后面又加了一项，因为作者认为，该损失函数必须将框的长宽比考虑进去。
如下公式中的v变量，表示：预测框和标注框间的长宽比差异，如果一致，v=0，如果差距越大，表示v越大，v的系数a表示权重。
reference：
https://blog.csdn.net/bu_fo/article/details/110428980?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.baidujs&dist_request_id=88f29364-2056-44fe-b8de-7b602ca1d47a&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.baidujs