YOLOv11融合[CVPR2025]HVI-CIDNet中的HV_LCA模块

最新推荐文章于 2025-05-07 10:39:57 发布

今天炼丹了吗

最新推荐文章于 2025-05-07 10:39:57 发布

阅读量1.3k

点赞数 34

分类专栏： YOLOv11与自研模型专栏文章标签：人工智能深度学习

本文链接：https://blog.csdn.net/StopAndGoyyy/article/details/146920518

版权

YOLOv11与自研模型专栏专栏收录该内容

61 篇文章

订阅专栏

YOLOv11v10v8使用教程： YOLOv11入门到入土使用教程

YOLOv11改进汇总贴：YOLOv11及自研模型更新汇总

《HVI: ANewColor Space for Low-light Image Enhancement》

一、模块介绍

论文链接：https://arxiv.org/pdf/2502.20272

代码链接：https://github.com/Fediory/HVI-CIDNet/blob/master/net/LCA.py

论文速览：

低光图像增强（LLIE）是一项重要的计算机视觉任务，旨在从损坏的低光图像中恢复详细的视觉信息。许多现有的 LLIE 方法都基于标准 RGB （sRGB）空间，由于 sRGB 中固有的高颜色敏感度，这通常会产生颜色偏差和亮度伪影。虽然使用色相、饱和度和值（HSV）色彩空间转换图像有助于解决亮度问题，但它会引入明显的红色和黑色杂色伪影。为了解决这个问题，我们为 LLIE 提出了一个新的色彩空间，即水平/垂直强度（HVI），由极化 HS 图和可学习强度定义。前者对红色坐标强制执行小距离以消除红色伪影，而后者压缩低光区域以去除黑色伪影。为了充分利用色度和强度信息，进一步引入了一种新的颜色和强度解耦网络（CIDNet），以学习 HVI 空间中不同照明条件下的准确光度映射功能。基准测试和消融实验的综合结果表明，使用 CIDNet 提出的 HVI 色彩空间在 10 个数据集上优于最先进的方法。

总结：本文介绍其中HV_LCA模块的使用方法。

⭐⭐本文二创模块仅更新于付费群中，往期免费教程可看下方链接⭐⭐

YOLOv11及自研模型更新汇总（含免费教程）文章浏览阅读366次，点赞3次，收藏4次。群文件2024/11/08日更新。,群文件2024/11/08日更新。_yolo11部署自己的数据集https://xy2668825911.blog.csdn.net/article/details/143633356

二、二创融合模块

2.1 相关二创模块及所需参数

该模块可如图加入到C2f、C3、C3K2与自研等模块中，代码见群文件，所需参数如下。

C2f-变式模块所需参数：(c1, c2, n, shortcut, g, e)

C3-变式模块所需参数：(c1, c2, n, shortcut, g, e)

C3k2-变式模块所需参数：(c1, c2, n, c3k, e, g, shortcut)

RCRep2A及变式模块所需参数：(c1, c2, shortcut, e)

2.2更改yaml文件 (以自研模型为例)

yam文件解读：YOLO系列 “.yaml“文件解读_yolo yaml文件-CSDN博客

打开更改ultralytics/cfg/models/11路径下的YOLOv11.yaml文件，替换原有模块。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# ⭐⭐Powered by https://blog.csdn.net/StopAndGoyyy,  技术指导QQ:2668825911⭐⭐

# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024] # summary: 377 layers, 2,249,525 parameters, 2,249,509 gradients, 8.7 GFLOPs/258 layers, 2,219,405 parameters, 0 gradients, 8.5 GFLOPs
  s: [0.50, 0.50, 1024] # summary: 377 layers, 8,082,389 parameters, 8,082,373 gradients, 29.8 GFLOPs/258 layers, 7,972,885 parameters, 0 gradients, 29.2 GFLOPs
  m: [0.50, 1.00, 512] # summary:  377 layers, 20,370,221 parameters, 20,370,205 gradients, 103.0 GFLOPs/258 layers, 20,153,773 parameters, 0 gradients, 101.2 GFLOPs
  l: [1.00, 1.00, 512] # summary: 521 layers, 23,648,717 parameters, 23,648,701 gradients, 124.5 GFLOPs/330 layers, 23,226,989 parameters, 0 gradients, 121.2 GFLOPs
  x: [1.00, 1.50, 512] # summary: 521 layers, 53,125,237 parameters, 53,125,221 gradients, 278.9 GFLOPs/330 layers, 52,191,589 parameters, 0 gradients, 272.1 GFLOPs

#  n: [0.33, 0.25, 1024]
#  s: [0.50, 0.50, 1024]
#  m: [0.67, 0.75, 768]
#  l: [1.00, 1.00, 512]
#  x: [1.00, 1.25, 512]
# YOLO11n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 2, RCRep2A, [128, False, 0.25]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 4, RCRep2A, [256, False, 0.25]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 4, HV_LCA, []]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 2, RCRep2A, [1024, True]]
  - [-1, 1, SPPF_WD, [1024, 7]] # 9

# YOLO11n head
head:
  - [[3, 5, 7], 1, align_3In, [256, 1]] # 10
  - [[4, 6, 9], 1, align_3In, [256, 1]] # 11

  - [[-1, -2], 1, Concat, [1]] #12  cat

  - [-1, 1, RepVGGBlocks, []] #13

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]] #14
  - [[-1, 4], 1, Concat, [1]] #15 cat

  - [-1, 1, Conv, [256, 3]] # 16
  - [13, 1, Conv, [512, 3]] #17
  - [13, 1, Conv, [1024, 3, 2]] #18

  - [[16, 17, 18], 1, Detect, [nc]] # Detect(P3, P4, P5)



# ⭐⭐Powered by https://blog.csdn.net/StopAndGoyyy,  技术指导QQ:2668825911⭐⭐

2.3 修改train.py文件

创建Train脚本用于训练。

from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'

if __name__ == '__main__':
    model = YOLO(model='ultralytics/cfg/models/xy_YOLO/xy_yolov1-ConvNeXt.yaml')
    # model = YOLO(model='ultralytics/cfg/models/11/yolo11l.yaml')
    model.train(data='./datasets/data.yaml', epochs=1, batch=1, device='0', imgsz=320, workers=1, cache=False,
                amp=True, mosaic=False, project='run/train', name='exp',)