142、EIoU 在 YOLOv11 中的完整实现：分离纵横比惩罚为宽高独立惩罚的代码与理论
从一次调参翻车说起
去年秋天帮朋友调一个工业质检项目，YOLOv11s在钢材表面缺陷数据集上跑了200轮，mAP@0.5:0.95卡在0.723死活上不去。翻看验证集预测结果，发现模型对细长划痕的定位框总是偏大一圈，尤其是纵横比超过3:1的缺陷，CIoU的惩罚项几乎失效。当时盯着loss曲线，CIoU的纵横比惩罚项v在训练后期震荡得像心电图——这就是CIoU的经典问题：当预测框和真实框的宽高比相同但实际尺寸不同时，v=0，惩罚完全消失。后来换成EIoU，同样的超参数，mAP直接跳到0.761，定位误差下降了37%。
这个案例让我意识到，CIoU的纵横比惩罚设计存在根本性缺陷。今天我们就从代码层面彻底拆解EIoU在YOLOv11中的实现，把那个“v=0但框不对”的坑填平。
CIoU的纵横比惩罚为什么是伪命题
先看CIoU的惩罚项公式：
v = (4/π²) * (arctan(w_gt/h_gt) - arctan(w_pred/h_pred))²这个v只惩罚宽高比的差异，不惩罚宽高各自的绝对值差异。举个例子：真实框是(10, 20)，预测框是(20, 40)，宽高比都是0.5，v=0，但实际尺寸差了一倍。CIoU的梯度回传时，对w和h的梯度方向完全相反——增大w的同时减小h，导致收敛路径扭曲。
EIoU的核心改进就是把v拆成两个独立项：
