YOLOv8的SPPF

已于 2023-12-08 10:21:48 修改
阅读量1.2k 收藏 7
点赞数 11
文章标签： YOLO
于 2023-12-06 10:24:29 首次发布
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/WFFYFLUNWEN/article/details/134825023
版权

在YOLOv8中，SPPF的作用是什么？我在网上搜的说是自适应融合不同尺度的信息。

我的理解：SPPF加到特征提取网络的最后一层，将上一层的输出作为SPPF的输入，对上一层输出的特征图进行不同大小的池化操作，然后将不同大小的池化操作进行自适应融合，再输出。也就是说，SPPF只对它上一层的输出作用，对第4层和第6层的输出不起作用是吗？

WFFYFLUNWEN
关注
  • 11
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
YOLOv5、YOLOv8改进：空间金字塔池化 SPPF改为 SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC
weixin_45303602的博客
09-23 8543
空间金字塔池化（Spatial Pyramid Pooling，SPP）是一种用于解决输入尺寸不同的图像在深度学习中常见的问题的技术。它通过将不同尺寸的感受野划分成不同的层级，并对每个层级内的特征进行池化操作，从而能够对任意大小的输入图像进行固定长度的特征表示。
特征融合篇 | YOLOv8改进之利用全局平均池化层和全局最大池化层优化SPPF
突然好想你
05-18 156
分析SPPF的问题点，我们发现SPPF模块只关注边缘信息而忽略背景信息。那么如何改进呢？我们在SPPF模块的基础上，利用全局平均池化层和全局最大池化层，加入一些全局背景信息和边缘信息，帮助网络更好的做出判断，在获取全局视角信息时并减轻不同尺度大小所带来的影响。🌈
YOLOV8改进：LSKA注意力机制改进SPPF模块
BingYelly的博客
03-22 3691
与标准的LKA设计相比，所提出的分解使得可以在注意力模块中直接使用具有大卷积核的深度卷积层，无需额外的块。这样，原始特征图中的每个元素都会根据注意力图的值进行加权，突出重要的特征，抑制不重要的特征。总的来说，LSKA注意力机制通过利用大且可分离的卷积核以及空间扩张卷积来捕捉图像的广泛上下文信息，生成注意力图，并通过这个注意力图加权原始特征，以此增强网络对于重要特征的关注度，提高模型的性能。与标准的LKA设计相比，所提出的分解使得可以在注意力模块中直接使用具有大卷积核的深度卷积层，无需额外的块。
关于yolov8的一些模块
い天然呆的博客
02-06 1875
对于yolov8的c2f模块，就是上一层的输出被split成了两部分，一部分不动，另一部分经过conbnsilu提取特征在拼回去，结构图如下：onnx的netron图如下：(1)c2f(2)bottleneck对于yolov8的SPPF模块，就是上一层的输出进行convbnsilu卷积提取特征后，一部分拿去做池化，将不同层的池化特征与另一部分经过conbnsilu提取特征在拼回去，最后再进行特征提取，结构图如下：
yolov8网络结构详解（逐行解析）
热门推荐
lzy2766的博客
08-15 3万+
yolov5使用的CSP结构分为两种，在backbone中为CSP1_X，其中的X个组件中存在残差结构，如下图：在Neck中为CSP2_X，其中的2*X个CBL模块没有残差结构；
yolov8模型结构
Priplex的博客
08-17 8842
正常的yolov8对象检测模型输出层是P3、P4、P5三个输出层，为了提升对小目标的检测能力，新版本的yolov8 已经包含了P2层（P2层做的卷积次数少，特征图的尺寸（分辨率）较大，更加利于小目标识别），有四个输出层。在常用的目标检测算法中，不同的图片长宽都不相同，因此常用的方式是将原始图片统一缩放到一个标准尺寸，再送入检测网络中。新增加的这个P6，是为了引入更多的参数量，多卷积了一层，是给xlarge那个参数量准备的，属于专门适用于高分辨图片（图片尺寸很大，有大量可挖掘的信息）的版本。
YOLOv8改进——使用LSKA注意力机制改进SPPF,增强多尺度特征提取能力
pope888的博客
01-11 4098
【代码】YOLOv8改进——使用LSKA注意力机制改进SPPF,增强多尺度特征提取能力。
以YOLOv8为例详解YOLO系列
m0_72806612的博客
09-16 2978
主要有检测、分割、分类等。这些表示所要执行的任务的类负责将组成部分写好的各个方法集成在一起完成特定的任务。负责输出的模块主要进行与编码器对接，并且进行参数的最后处理，其中主要有：接受编码器的输入；产生锚（anchor,俗一点来说就是框住物体的方框）；以及重新调整超参数的函数。好了，就到这里了，对于YOLO的解读。欢迎关注无神一起学机器学习。
YOLOv5网络结构包含SPPF结构.rar
04-15
1、资源内容：yolov5网络结构包含SPPF结构（完整版）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计和毕业设计。 4...
YOLOv8中引入AIFI（Attention-based Intrascale Feature Interaction）源码
01-22
YOLOv8-AIFI-Integration 是一套基于Python的开源代码，专门设计用于在YOLOv8对象检测框架中集成AIFI（Attention-based Intrascale Feature Interaction）模块。这个改进是在原有的YOLOv8模型基础上进行的，目的是...
yolov8详细教程.docx
06-03
yolov8介绍 YOLOv8是由Ultralytics开发的最先进的YOLO模型，它继承了YOLO系列的成功，并引入了新的功能和改进，以进一步提升...具体来说，YOLOv8的Neck部分包括一个SPPF模块、一个PAA模块和两个PAN模块。 效率与
tensorrtx 实现 yolov5 + dcnv2
03-20
[-1, 1, DCN, [256, 3, 2]], # 3-P3/8 [-1, 6, C3, [256]], [-1, 1, DCN, [512, 3, 2]], # 5-P4/16 [-1, 9, C3, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 3, C3, [1024]], [-1, 1, SPPF, [1024,...
YOLOv5网络结构完整版，Visio源文件
12-07
YOLOv5,6.0版本完整版网络结构图，包含SPPF结构
目标检测系列（二）yolov1的全面讲解
Trisyp的博客
06-26 762
yolov1的全面讲解，网络结构、检测原理、正样本制作、损失函数、前向推理等
目标检测算法之YOLO（YOLOv8）
weixin_52862386的博客
06-25 759
其中卷积模块是使用了类似于ELAN的CSPlayer_2conv，分类头采用了解耦结构并使用了anchor-free的方法，损失函数中引入了VFL损失，标签分配采取了类似于yolov6的TAL方法，训练策略是采用最后10个epoch关闭Mosaic数据增强的方式。DFL的思想是基于回归任务预测的唯一性导致模型难以精确的回归到目标值上，转而通过求概率分布的方式，使预测值在目标出取得较大的概率，从而实现一种通过类似于“模糊”定位的方式提高模型收敛的速度，同时提高检测模型的准确率。这里只分析VFL的损失值。
目标检测算法之YOLO（YOLOv7）
weixin_52862386的博客
06-25 921
从现在的角度去看yolov7，可以发现其ELAN的方法是有效的，在后续的版本中也多次被用到或者改进。而如今标签分配更多的是使用TAL策略。yolov7的热度明显不如yolov8，很多人在v7上fine-tune自己的数据集的效果甚至不如v5。不过这也是现如今新算法的一个普遍问题，许多算法过度追求SOTA从而导致模型的标签只能在某些数据集上取得较好的效果，所以对于新的算法更多的是去了解新的思想。然后在此基础上去创新或者调参，从而获得更好地模型效果。
YOLOv10（7）：YOLOv10训练（以训练VOC数据集为例）
最新发布
tecsai的博客
06-28 534
我们在YOLOv10初探第一课中，已经涉及到了一些关于如何训练自己数据集的信息，接下来本节将以VOC数据集（VOC标注形式）来更详细的带领小伙伴们走一遍训练。
基于YOLOv5的交通标志检测的设计与实现（PyQT页面+YOLOv5模型+数据集）
weixin_43415275的博客
06-22 106
本报告介绍了一种基于YOLOv5的交通标志检测系统。该系统能够对图像和视频中的交通标志进行检测，并通过PyQt5实现图形用户界面（GUI），允许用户加载图像、视频文件，或使用摄像头进行实时检测。检测结果会显示在界面上，并且可以保存检测结果。
C# Onnx Yolov8-OBB 旋转目标检测 行驶证副页条码+编号 检测，后续裁剪出图片并摆正显示
lw112190的专栏
06-25 841
C# Onnx Yolov8-OBB 旋转目标检测 行驶证副页条码+编号 检测，后续裁剪出图片并摆正显示
yolov8中sppf模块
04-28
在YOLOv4中，SPP（Spatial Pyramid Pooling）模块是一种用于提取多尺度特征的模块。SPP模块的目的是在不同尺度上对输入特征图进行池化操作，以捕捉不同尺度下的物体信息。 SPP模块的结构如下： 1. 输入特征图：SPP模块接收来自上一层的特征图作为输入。 2. 多尺度池化：SPP模块通过在不同尺度上进行池化操作来捕捉多尺度信息。具体来说，SPP模块会在输入特征图上进行不同大小的池化操作，然后将这些池化结果拼接在一起形成一个固定长度的特征向量。 3. 输出特征向量：SPP模块将拼接后的特征向量作为输出，供后续网络层使用。 SPP模块的主要优点是能够在不引入额外参数的情况下，有效地捕捉多尺度信息。通过使用SPP模块，YOLOv4可以更好地处理不同大小的物体，并提高检测性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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
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