YOLOv8-Seg原创改进：卷积魔改 | 变形条状卷积，魔改DCNv3二次创新

于 2024-07-09 13:23:59 发布
阅读量134 收藏
点赞数
分类专栏： YOLOv8-seg创新 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CV_20231007/article/details/140293207
版权
YOLOv8-seg创新 专栏收录该内容
82 篇文章 70 订阅 ¥199.90 ¥299.90
订阅专栏

  💡💡💡本文独家改进： 变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度

 💡💡💡创新点：1）去掉DCNv3中的Mask；2）空间域上的双线性插值转改为轴上的线性插值；

 💡💡💡如何跟YOLOv8结合：1）和C2f创新性结合

 改进1结构图如下：

 🚀🚀🚀YOLOv8-seg创新专栏：

了解本专栏 订阅专栏 解锁全文
会AI的学姐
关注
专栏目录
订阅专栏
YOLOv9改进 | 一文带你了解全新的SOTA模型YOLOv9（论文阅读笔记，效果完爆YOLOv8）
Snu77的博客
02-22 1万+
YOLOv9发布时间为2024年2月21日是当前的SOTA模型，当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息。
DCNV3编译环境，包括整个yolo环境
05-11
用于运行DCNV3的环境，可在yolov5、yolov7、yolov8下直接使用
代码详解——可变形卷积（DCNv3）
zyw2002的博客
08-21 1万+
如下图，首先下载InterImage官方代码，然后在segmentation、detection、classification文件夹下均可以找到ops_dcnv3文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。modules如下图所示,modules文件夹中的dcnv3.py文件主要定义了DCNv3模块。其中是DCNv3的pytorch实现版本，DCNv3是DCNv3的C++实现版本。functions如下图所示，function文件夹中的文件定义了DCNv3的一些核心操作。
YOLOv8改进——引入可变形卷积DCNv3
热门推荐
zyw2002的博客
08-21 2万+
本文只讲解在YOLOv8的代码中添加DCNv3的操作流程, 具体的原理参见上述的链接~是pytorch实现的版本，只要基础的pytorch环境安装正确就不会出错。是C++实现版本，必须先在上一步编译成功，或者安装好了轮子，否则会报错。但是在实际的训练过程中，C++版本的运行速度更快，推荐使用C++版本。(具体怎么修改，都可以自己决定，然后通过实验看看效果如何)文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。中，下图中的列表里添加。
可变形卷积学习（RepPoints）
qq_44442727的博客
03-06 5341
近来在学习anchor-free网络，看到了可变形卷积（Deformable Convolutional Networks(DCN)）的内容，大致总结一下，便于后面回顾。 可变形卷积可从以下三篇论文去学习，它们也被称为DCNv1、DCNv2、RepPoints（DCNv3）, DCNv1:http://xxx.itp.ac.cn/pdf/1703.06211.pdf DCNv2:http://cn.arxiv.org/pdf/1811.11168v2 RepPoints（DCNv3）:http://xxx.
Yolov8-seg分割预训练模型
11-06
模型权重文件 yolov8x-seg.pt、yolov8l-seg.pt、yolov8m-seg.pt、yolov8s-seg.pt、yolov8n-seg.pt 分别代表不同规模和性能的模型版本。这些后缀表示模型的大小和计算复杂度，通常“x”代表最大模型，“l”代表大型...
yolov8s-seg.pt模型文件
03-27
yolov8s-seg.pt模型文件
yolov8-seg模型源码，实例分割，带数据集，测试可执行demo
12-25
这份资源是一份针对深度学习计算机视觉领域的实例分割源码，使用 Ultralytics YOLOv8-seg 模型和 COCO128-seg 数据集进行目标检测和实例分割任务。提供了一个亲身测试且直接可运行的实例分割解决方案。 数据集我已经...
yolov8n-seg.pt模型文件
03-27
yolov8n-seg.pt模型文件
yolov8m-seg.pt模型文件
04-28
yolov8m-seg.pt模型文件
涨点优化：基于Yolov5的红外小目标性能提升，多种网络结构组合DCNV3、CARAFE、多头检测器等
05-26 2901
通过加入DCNV3+CARAFE+smallobject 的思路提升红外小目标检测能力
可变形卷积DCNv1、DCNv2、DCNv3比较
m0_59959542的博客
12-21 7385
可变形卷积DCN
yolov5魔改——ECVblock
acanab的博客
08-24 1039
1.ECVBlock模块的作用ECVBlock模块的主要作用是将特征金字塔中的特征分配到不同的目标上，以便更好地检测不同大小的目标。它通过计算每个目标的大小、形状和位置等信息，为每个目标分配一个感兴趣区域（ROI），并将这些ROI与特征金字塔中的特征进行加权融合，以便更好地检测不同大小的目标。2.网络内特征金字塔网络内特征金字塔是YOLOv5中使用的一种特征提取方法。它将输入图像分成多个尺度的特征图，并在每个尺度上使用卷积层进行特征提取。
YOLOv9独家原创改进|加入可改变核卷积AKConv模块，效果远超DSConv！
最新发布
深度学习炼丹师，偶尔分享炼丹技术!
03-01 4772
AKConv是一种具有任意数量的参数和任意采样形状的可变卷积核，对不规则特征有更好的提取效果。AKConv是2023年11月发表的一种可变卷积核，赋予卷积核任意数量的参数和任意采样形状，以解决具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标的问题点可以为网络开销和性能之间的权衡提供更丰富的选择。AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状，能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取姝征，这在标准卷积和可变形卷积Q中并未实现。
YOLOv7改进策略：一种新颖的可扩张残差（DWR）注意力模块，增强多尺度感受野特征，助力小目标检测
11-06 1112
一种新颖的可扩张残差（DWR）注意力模块，加强不同尺度特征提取能力，创新十足，独家首发适合科研
优化改进YOLOv5算法之添加DCNv3模块，有效提升目标检测效果
qq_40716944的博客
11-05 1771
拿到文章之后先看了一眼在ImageNet1k上的结果，确实很高，超越了同等大小下的VAN、RepLKNet、ConvNext等先进的大核注意力CNN模型，同时也超过了Swin、DeiT3、CoAtNet等ViT模型。回顾自从Vision Transformer被提出之后，通过大量数据训练出的ViT大模型刷新了许多视觉任务的记录，这得益于ViT的MHSA机制能够建模长距离依赖，具有相当低的归纳偏置，从而能够在海量数据中学习到强大鲁棒的特征表达。
涨点神器：Yolov5/Yolov7引入CVPR2023 InternImage：注入新机制，扩展DCNv3，助力涨点，COCO新纪录65.4mAP！
04-17 3876
目标检测和语义分割基准的大量实验验证了InternImage-DCNV3可以获得与经过大量数据训练的精心设计的大规模视觉转换器相当或更好的性能，这表明CNN也是大规模视觉基础模型研究的一个相当大的选择。Yolov5/Yolov7引入CVPR2023 InternImage：注入新机制，扩展DCNv3，助力涨点，COCO新纪录65.4mAP！ 2）通过引入CVPR2023 DCNV3和MetaNeXtStage思想，在钢铁缺陷中取得涨点，且相比较于发表的一些论文，创新新颖程度好很多，有需要自取可以在自己数据集
YOLOv8添加DCNv2可变形卷积
weixin_70423469的博客
07-13 8335
最近比较火的可变形卷积（Deformable Convolutional Networks(DCN)）被称为目标检测改进网络结构的中涨点神器，确实在yolov8中加入DCN3可以涨3到4个点，尤其是它对小目标检测效果较好。来declare一下，否则会导入失败，至此已经差不多就ok了，现在只需要在yaml中你想要更改的网络结构的地方改一下就行，然后就可以训练了，如果不确定可以在训练的时候看一下print的网络结构即可。这三处()里都加上C2f_DCN，接着在modules文件夹下的__init__.py。
yolov8-seg改进
02-01
yolov8-seg是一种用于实时目标检测和语义分割的深度学习模型，它结合了yolov3目标检测模型和DeepLabv3+语义分割模型的优点。为了进一步改进yolov8-seg模型，可以通过以下方式进行优化。 首先，可以对yolov8-seg的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会AI的学姐

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值