YOLO实践系列
文章平均质量分 92
YOLO(You Only Look Once)是一种用于计算机视觉任务的对象检测系统,它将对象检测视为一个回归问题,通过单个网络直接预测边界框和类别概率。YOLO的主要优点在于其速度快,能够实现实时对象检测,同时保持较高的准确率。这是因为YOLO在处理对象检测时,只需要对图像进行一次前向传播
鱼弦
【gzh:红尘灯塔,CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者
、51CTO(Top红人+专家博主)
】
展开
-
YOLOv8 应用轻量级通用上采样算子CARAFE
CARAFE (Content-Aware Reassembly Feature Enhancement) 是一种轻量级的通用上采样算子,旨在解决特征融合中的信息损失和语义扭曲问题。与传统的双线性插值和转置卷积等上采样方法相比,CARAFE 能够更好地保留特征内容和空间结构,同时保持较低的计算复杂度和参数量。原创 2024-05-23 07:00:00 · 792 阅读 · 0 评论 -
YOLOv8 引入 RepVGG 重参数化模块
RepVGG(Rethinking Parameterization for VGG-Style ConvNets)是一种轻量级高效的卷积神经网络架构,旨在改进 VGG 风格网络的性能。它通过重参数化 VGG 网络中的卷积层来实现,而无需改变网络结构。RepVGG 在 ImageNet 等多个图像识别基准数据集上取得了出色的结果,证明了其有效性和实用性。RepVGG 是一种轻量级高效的卷积神经网络架构,在 ImageNet 等多个图像识别基准数据集上取得了出色的结果。原创 2024-05-21 02:15:00 · 916 阅读 · 0 评论 -
YOLOv8 更换NMS:DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS详解
非最大值抑制(Non-Maximum Suppression,NMS)是目标检测算法中常用的后处理操作,用于消除预测框中的冗余和重叠,只保留最具代表性的预测框。传统的NMS算法基于IoU(Intersection over Union)度量进行计算,但IoU存在一些局限性,例如对尺度和形状敏感,难以区分正负样本等。为了克服IoU的局限性,研究人员提出了多种改进型NMS算法,例如DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS等。原创 2024-05-20 02:15:00 · 507 阅读 · 0 评论 -
YOLOv8 损失函数详解:SIoU、EIoU、WIoU和Focal_xIoU全面解析
YOLOv8作为目前最流行的目标检测算法之一,其卓越的性能离不开精心设计的损失函数。除了传统的IoU(Intersection over Union)损失之外,YOLOv8还支持多种改进型损失函数,例如SIoU(Structure-based Intersection over Union)、EIoU(Enhanced Intersection over Union)、WIoU(Weighted Intersection over Union)和Focal_xIoU等。原创 2024-05-19 03:45:00 · 697 阅读 · 0 评论 -
YOLO | 全维动态卷积 (ODConv)
全维动态卷积 (ODConv) 是一种新颖的卷积神经网络 (CNN) 架构,引入动态注意力机制来增强特征表示并提高目标检测性能。它将动态卷积的概念扩展到多个维度,从而实现更灵活、更自适应的特征提取。ODConv 是一种新颖的动态卷积神经网络架构,通过引入动态注意力机制来增强特征表示并提高目标检测性能。它将动态卷积的概念扩展到多个维度,从而实现更灵活、更自适应的特征提取。ODConv 在各种目标检测任务中表现出显着的有效性,尤其是在具有复杂背景或小对象的场景中。原创 2024-05-17 21:32:45 · 440 阅读 · 0 评论 -
即插即用篇 | 用于低分辨率图像和小物体的新 CNN 模块 SPD-Conv
SPD-Conv(Space-to-Depth Convolution)是一种新的 CNN 模块,旨在提高低分辨率图像和小物体目标检测的性能。它通过将特征图的空间维度转换为深度维度来增强特征表示,从而弥补低分辨率图像信息不足的问题。SPD-Conv 是一种简单有效的 CNN 模块,可以显著提高低分辨率图像和小物体目标检测的性能。它易于实现且易于集成到现有的 CNN 架构中。原创 2024-05-15 02:00:00 · 557 阅读 · 0 评论 -
YOLOv8 应用 BiFPN 结构
BiFPN 是一种用于特征融合的有效架构,可提高物体检测性能。EfficientDet 是一个可扩展且高效的物体检测架构系列,可用于各种应用。原创 2024-05-13 22:39:30 · 717 阅读 · 0 评论 -
YOLOv8 添加大目标检测头、小目标检测头、4头BiFPN
YOLOv8是目前最快的目标检测算法之一,它在速度和精度上都取得了很大的突破。为了进一步提高 YOLOv8 的性能,研究人员提出了各种改进方案,其中之一是添加大目标检测头、小目标检测头和 4 头 BiFPN。大目标检测头旨在提高对大目标的检测精度。它通常使用更大的卷积核和更多的通道来提取大目标的特征。小目标检测头旨在提高对小目标的检测精度。它通常使用较小的卷积核和更少的通道来提取小目标的特征。4 头 BiFPN是一种改进的特征融合网络,它可以更好地融合不同尺度的特征,从而提高检测精度。原创 2024-05-11 14:07:23 · 639 阅读 · 0 评论 -
YOLOv5/v6/v7/v8/RT-DETR 对比试验
YOLOv5、YOLOv6、YOLOv7、YOLOv8和RT-DETR都是目标检测领域常用的算法,各有优缺点。本文将对这五种算法进行对比试验,从原理、性能、应用场景等方面进行详细分析。YOLOv5/v6/v7/v8/RT-DETR都是目标检测领域常用的算法,各有优缺点。YOLOv5: 速度快、精度高,适用于实时目标检测场景。YOLOv6: 速度更快、精度更高,适用于对速度和精度要求较高的场景。YOLOv7: 速度更快、精度更高,适用于对速度和精度要求更高的场景。YOLOv8。原创 2024-05-11 03:00:00 · 795 阅读 · 0 评论