- 博客(593)
- 资源 (18)
- 问答 (1)
- 收藏
- 关注
原创 YOLOv10有效涨点专栏目录 | 包含卷积、主干、检测头、注意力机制、Neck、二次创新、独家创新等上百种创新机制
Hello,各位读者们好本专栏自开设以来已经更新改进教程100余篇其中包含二次创新、独家创新多种改进方法,包含C2f、主干、检测头、注意力机制、Neck多种结构,也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv10文档并不能在CSDN上传,通过建立交流群的形式在内上传我完整的文件和视频我也会在群内不定期和大家交流回答大家问题。专栏介绍。
2024-07-15 03:57:42 8226 10
原创 YOLOv9改进策略目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Hello,各位读者们好本专栏自开设两个月以来已经更新改进教程50余篇其中包含RepNCSPELAN4、主干、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv9文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的,得到该文件之后大家可以随意组合使用),所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题,同时定期会更新一些文章的创新点(经过我融合测试后的,先到先得)。
2024-05-13 23:17:00 9020 19
原创 RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
Hello,各位读者们好Hello,各位读者,距离第一天发RT-DETR的博客已经过去了接近两个月,这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用,旨在为大家解决为什么用v8的仓库训练的时候模型不收敛,精度差的离谱的问题,我也是成功的找到了解决方案,对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
2024-01-29 03:18:18 11741 46
原创 YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Hello,各位读者们好本专栏自开设两个月以来已经更新改进教程60余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。同时本人一些讲解视频和包含我所有创新的YOLOv8文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的,得到该文件之后大家可以随意组合使用),所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题,同时定期会更新一些文章的创新点(经过我融合测试后的,先到先得)。本专栏持续更新网络上的所有前沿文章。
2024-01-07 03:41:27 19183 43
原创 YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Hello,各位读者们好,本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新,订阅本专栏以后你不仅可以收获跟专栏的阅读权限,同时可以进Qq群,里面包含集成我所有创新的YOLO最新目录,和我本人录制的视频讲解教程,如果你想要在YOLOv8系列收获一篇论文,我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
2023-12-30 22:44:58 95715 80
原创 时间序列预测专栏目录 | 深度学习、机器学习、融合模型、创新模型实战案例(附代码+数据集+原理介绍)
给大家推荐一下我的时间序列预测专栏,本专栏平均质量分98分,而且本专栏目前免费阅读,其中涉及机器学习、深度学习、融合模型、个人创新模型、数据分析等一系列有关时间序列的专栏,其中的实战的案例不仅有简单的模型类似于机器学习的ARIMA、Xgboost也有复杂的类似于深度学习的TPA-LSTM,还有个人创新的模型堆叠CNN-GRU-LSTM,同时本专栏的实战案例后期会持续的进行更新,复现各种最新的时间序列预测模型。时间序列预测的初学者、时间序列预测的工作者、数据分析的初学者。
2023-11-08 23:55:34 12092 11
原创 YOLOv11 | 一文带你深入理解ultralytics最新作品yolov11的创新 | 训练、推理、验证、导出 (附网络结构图)
ultralytics发布了最新的作品YOLOv11,这一次YOLOv11的变化相对于ultralytics公司的上一代作品YOLOv8变化还是很大的(YOLOv9、YOLOv10均不是ultralytics公司作品),其中改变的位置涉及到C2f变为C3K2,在SPPF后面加了一层类似于注意力机制的C2PSA,还有一个变化大家从yaml文件是看不出来的就是它的检测头内部替换了两个DWConv,在损失函数方面就没有变化了还是采用的CIoU作为边界框回归损失,下面带大家深入理解一下ultralytics最新作品
2024-10-01 03:38:58 877 4
原创 超详细教程YoloV11官方推荐免费数据集网站Roboflow一键导出Voc、COCO、Yolo、Csv等格式
YoloV11。YoloV11是一种高效的目标检测算法,它的训练需要高质量的数据集。然而,获取高质量的数据集是一项耗时且费力的任务。YoloV8官方推荐了一个数据集网站,就是Roboflow。Roboflow是一个数据集管理平台,提供了免费的数据集,同时也支持上传自己的数据集进行格式转换。使用Roboflow,开发者可以方便地获取所需格式的数据集,无需手动转换格式。此外,Roboflow还提供了多种数据预处理、数据增强等功能,可帮助开发者更好地优化训练数据,
2024-10-01 03:33:13 630
原创 训练YOLOv11 | Pytorch和Pycharm的安装教程适用W11系统(附详细的系统变量添加过程)
根据你之前下载的版本选择对应的选项即可,然后复制底下的绿色代码到Anaconda的命令行输入即可(这里要在你安装的python环境里进行安装,例如我的环境名字是PyTorch,那么就是activate PyTorch里进行安装)然后同之前一样会加载一会,然后会询问我们是否下载配件,我们输入Y等待即可(下载过程中我们要确保网络通常如果有波动可能会下载失败)。类似于我的电脑是Windows11选择上面红框内的选项即可点击后即下载,(注意这里下载的是zip文件)下载完成后复制下面几个文件。
2024-10-01 03:30:09 703
原创 YOLOv8改进 | Conv篇 | 利用ModulatedDeformConv优化YOLO下采样(降低参数 + 网络层数 + 计算量)
本文给大家带来的改进机制是ModulatedDeformConv来替换我们模型的下采样操作,其主要思想是通过引入可学习的空间偏移量,实现感受野的动态调整,增强卷积神经网络对图像中几何变换的适应能力。不同于其它的Conv这种可变形Conv主要就是通过学习下采样的位置来进行提高检测精度,但是这种方法可以减少计算量,网络层数,网络参数,所以这个方法还是比较推荐大家在自己数据集上尝试一下的。
2024-09-16 01:04:21 820
原创 YOLOv9改进 | Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)
本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。欢迎大家订阅我的专栏一起学习YOLO!YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏。
2024-09-14 23:26:09 355 1
原创 【RT-DETR有效改进】Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)
本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块,旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。官方论文地址点击此处即可跳转官方代码地址点击此处即可跳转。
2024-09-14 23:10:28 507
原创 YOLOv10改进 | Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)
本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块,旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。欢迎大家订阅我的专栏一起学习YOLO!目录一、本文介绍二、LAE结构介绍三、核心代码四、手把手教你添加本文机制4.1 修改一。
2024-09-14 22:43:24 482
原创 YOLOv5改进 | Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)
本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。欢迎大家订阅我的专栏一起学习YOLO!
2024-09-14 21:37:48 345 1
原创 YOLOv8改进 | Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)
本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块,旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。
2024-09-14 21:16:14 1049 1
原创 YOLOv10改进 | 检测头篇 | 尺度统一动态检测头DynamicHead优化v10Detect(动态尺度检测头)
本文给大家带来的改进机制是,这个检测头由微软提出的一种名为“动态头”的新型检测头,用于统一尺度感知、空间感知和任务感知。网络上关于该检测头我查了一些有一些魔改的版本,但是我觉得其已经改变了该检测头的本质,因为往往一些细节上才能决定好的效果,我将官方的代码移植到了YOLOv10进行实验,同时该检测头有一些使用细节需要注意,成功实现了大幅度的涨点,mAP涨了百分之三十以上!!!所以检测头对于模型的精度提升是非常大的,同时该检测头有二次创新和三次创新的机会后期我也会发布在群里大家可以关注一下。
2024-07-17 22:58:40 1966 3
原创 YOLOv9可视化热力图 | 支持自定义模型、置信度选择等功能(论文必备)
本文给大家带来的机制是的可视化热力图功能,热力图作为我们论文当中的必备一环,可以展示出我们呈现机制的有效性,本文的内容支持YOLOv9最新版本,同时支持视频讲解,本文的内容是根据检测头的输出内容,然后来绘图,产生6300张预测图片,从中选取出有效的热力图来绘图。
2024-07-17 22:13:29 1085 2
原创 YOLOv10改进 | 细节涨点篇 | DySample一种轻量的动态上采样算子(效果完爆CARAFE)
本文给大家带来的改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比,DySample采用了一种基于点采样的方法,相比于以前的基于内核的动态上采样器,DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外,DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中,性能均优于其他上采样器(截至目前最有效的上采样算子),
2024-07-16 00:00:12 5491 1
原创 YOLOv10改进 | 细节涨点篇 | UNetv2提出的一种SDI多层次特征融合模块(分割高效涨点)
本问给大家带来的改进机制是UNetv2提出的一种多层次特征融合模块(SDI)其是一种用于替换Concat操作的模块,SDI模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。该方法已在多个公开的医学图像分割数据集上进行了验证,包括皮肤病变分割和息肉分割,展示了其在这些分割任务中相比于现有方法的效果。所以其的一开始提出使用于分割,但是其也可以用于目标检测,亲测效果非常好,同时该结构主要是可以用于替换我们各种Neck中的结构形成二次创新比如之前的BiFPN,
2024-07-16 00:00:02 4585
原创 YOLOv10改进 | 细节涨点篇 | CARAFE提高精度的上采样方法(助力细节长点)
本文给大家带来的CARAFE(Content-Aware ReAssembly of FEatures)是一种用于增强卷积神经网络特征图的上采样方法。其主要旨在改进传统的上采样方法就是我们的Upsample的性能。使用输入特征本身的内容来指导上采样过程,从而实现更精准和高效的特征重建。CARAFE是一种即插即用的上采样机制其本身并没有任何的使用限制,特别是在需要精细上采样的场景中,如图像超分辨率、语义分割等。这种方法改善了上采样过程中的细节保留和重建质量,使网络能够生成更清晰、更准确的输出。
2024-07-15 23:59:53 4872
原创 YOLOv10改进 | 细节创新篇 | iAFF迭代注意力特征融合助力多目标细节涨点(二次创新C2f和C2fCIB机制)
本文给大家带来的改进机制是iAFF(迭代注意力特征融合),其主要思想是通过改善特征融合过程来提高检测精度。传统的特征融合方法如加法或串联简单,未考虑到特定对象的融合适用性。iAFF通过引入多尺度通道注意力模块(我个人觉得这个改进机制就算融合了注意力机制的求和操作)更好地整合不同尺度和语义不一致的特征。该方法属于细节上的改进,并不影响任何其它的模块,非常适合大家进行融合改进,单独使用也是有一定的涨点效果,本文内容包含二次创新C2f和C2fCIB机制均为独家创新。
2024-07-15 23:59:44 2957 1
原创 YOLOv10改进 | 检测头篇 | 给YOLOv10换个RT-DETR的检测头(重塑目标检测前沿技术)
本文给大家带来是用RT-DETR模型的检测头去替换YOLOv10中的检测头。RT-DETR号称是打败YOLO的检测模型,其作为一种基于Transformer的检测方法,相较于传统的基于卷积的检测方法,提供了更为全面和深入的特征理解,将RT-DETR检测头融入YOLOv10,我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力,打造出一个更加强大的目标检测模型。亲测这一整合不仅提高了模型在复杂场景下的表现,还显著提升了对小目标和遮挡目标的检测能力。此外,模型在多种标准数据集。
2024-07-15 06:53:58 651
原创 YOLOv10改进 | 检测头篇 | ASFF改进YOLOv10检测头(辅助尺度融合检测头)
本文给大家带来的改进机制是利用ASFF改进YOLOv10的检测头形成新的检测头,其主要创新是引入了一种自适应的空间特征融合方式,有效地过滤掉冲突信息,从而增强了尺度不变性。经过我的实验验证,修改后的检测头在所有的检测目标上均有大幅度的涨点效果,此版本为三头版本,后期我会在该检测头的基础上进行二次创新形成四头版本的Detect_ASFF助力小目标检测,本文的检测头非常推荐大家使用。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、ASFF的基本框架原理。
2024-07-15 06:46:22 618 1
原创 YOLOv10改进 | 代码逐行解析(四) | 手把手带你理解YOLOv10的一对一和一对多检测头(新手入门必读系列)
本文给大家带来的是YOLOv10中从检测头结构分析到损失函数各种计算的详解,本文将从检测头的网络结构讲起,同时分析其中的原理(包括代码和网络结构图对比),最重要的是分析检测头的输出,因为检测头的输出是需要输出给损失函数的计算不同阶段的输出不一样所以我们在讲损失函数计算的时候需要先明白检测头的输出和其中的一些参数的定义,本文内容为我独家整理和分析,手打每一行的代码分析并包含各种举例分析对于小白来说绝对有所收获,全文共1万1千字。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
2024-07-15 06:03:47 1044
原创 YOLOv10改进 | 添加注意力篇 | 结合Mamba注意力机制MLLA助力YOLOv10有效涨点含二次创新PSA(全网独家首发)
本文给大家带来的改进机制是结合号称超越Transformer架构的Mamba架构的最新注意力机制MLLA,本文将其和我们YOLOv10进行结合,的原理是通过将Mamba模型的一些核心设计融入线性注意力机制,从而提升模型的性能。具体来说,MLLA主要整合了Mamba中的“忘记门”(forget gate)和模块设计(block design)这两个关键因素,同时MLLA通过使用位置编码(RoPE)来替代忘记门,从而在保持并行计算和快速推理速度的同时,提供必要的位置信息。
2024-07-15 06:02:54 896 1
原创 YOLOv10改进 | 添加注意力篇 | 实现级联群体注意力机制CGAttention (添加注意力机制,全新改进策略)
本文给大家带来的改进机制是实现级联群体注意力机制,其主要思想为增强输入到注意力头的特征的多样性。与以前的自注意力不同,它为每个头提供不同的输入分割,并跨头级联输出特征。这种方法不仅减少了多头注意力中的计算冗余,而且通过增加网络深度来提升模型容量,亲测在我的25个类别的数据上,大部分的类别均有一定的涨点效果,仅有部分的类别保持不变,同时给该注意力机制含有二次创新的机会欢迎大家订阅我的专栏一起学习YOLO!YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍。
2024-07-15 05:53:08 510
原创 YOLOv10改进 | 添加注意力篇 | 添加MLCA混合局部通道注意力(轻量化注意力机制)
本文带来的改进机制是翻译来就是混合局部通道注意力,它结合了局部和全局特征以及通道和空间特征的信息,根据文章的内容来看他是一个轻量化的注意力机制,能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的),根据我的实验内容来看,该注意力机制确实参数量非常少,效果也算不错,而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、MLCA的基本框架原理三、MLCA的核心代码四、手把手教你添加MLCA。
2024-07-15 05:49:12 823
原创 YOLOv10可视化热力图 | 支持自定义模型、置信度选择等功能(论文必备)
本文给大家带来的机制是的可视化热力图功能,热力图作为我们论文当中的必备一环,可以展示出我们呈现机制的有效性,本文的内容支持YOLOv10最新版本,同时支持视频讲解,本文的内容是根据检测头的输出内容,然后来绘图,产生6300张预测图片,从中选取出有效的热力图来绘图。
2024-07-14 23:53:39 1446 7
原创 YOLOv10改进 | 可视化热力图 | 支持YOLOv10最新版本密度热力图,和视频热力图
本文给大家带来的机制是集成了YOLOv10最新版本的可视化热力图功能,热力图作为我们论文当中的必备一环,可以展示出我们呈现机制的有效性,本文的内容支持YOLOv10最新版本的根据密度呈现的热力图,同时支持视频检测,根据视频中的密度来绘画热力图。
2024-07-14 23:53:26 982 3
原创 YOLOv10改进 | 主干/Backbone篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv10(含MobileNetV4全部版本改进)
本文给大家带来的改进机制是,其发布时间是2024.5月。MobileNetV4是一种高度优化的神经网络架构,专为移动设备设计。它最新的改动总结主要有两点采用了通用反向瓶颈(UIB)和针对移动加速器优化的Mobile MQA注意力模块(一种全新的注意力机制)。这些创新有助于在不牺牲准确性的情况下,显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络,其实它的论文中主要是配合蒸馏技术进行改进,大家可以搭配本专栏的蒸馏进行二次创新涨点。欢迎大家订阅我的专栏一起学习YOLO!
2024-07-14 23:52:57 750 1
原创 YOLOv10改进 | 主干/Backbone篇 | 轻量化网络MobileViTv2改进YOLOv10助力轻量化模型
本文给大家带来的改进机制是MobileViT系列的V2版本,其作为MobileNet网络的挑战者,其效果自然不用多说,MobileViT模型是为移动设备设计的轻量级、通用目的视觉变换器。它融合了卷积神经网络(CNN)和视觉变换器(ViT)的优势,旨在在保持高效性能的同时减少模型参数和降低延迟。通过其创新的MobileViT Block和多尺度训练方法,MobileViT在多个视觉任务上取得了优异的结果,欢迎大家订阅本专栏,本专栏每周更新3-5篇最新机制,更有包含我所有改进的文件和交流群提供给大家。
2024-07-14 23:51:28 740
原创 YOLOv10改进 | 主干/Backbone篇 | 轻量化网络MobileViTv1改进YOLOv10助力轻量化模型
本文给大家带来的改进机制是MobileViT系列的V1版本,其作为MobileNet网络的挑战者,其效果自然不用多说,MobileViT模型是为移动设备设计的轻量级、通用目的视觉变换器。它融合了卷积神经网络(CNN)和视觉变换器(ViT)的优势,旨在在保持高效性能的同时减少模型参数和降低延迟。通过其创新的MobileViT Block和多尺度训练方法,MobileViT在多个视觉任务上取得了优异的结果,欢迎大家订阅本专栏,本专栏每周更新3-5篇最新机制,更有包含我所有改进的文件和交流群提供给大家。
2024-07-14 23:48:17 854
原创 YOLOv10改进 | 主干/Backbone篇 | 反向残差块网络EMO一种轻量级的CNN架构(附完整代码 + 修改教程)
本文给大家带来的改进机制是反向残差块网络EMO,其的构成块iRMB在之前我已经发过了,同时进行了二次创新,本文的网络就是由iRMB组成的网络EMO,所以我们二次创新之后的iEMA也可以用于这个网络中,再次形成二次创新,同时本文的主干网络为一种轻量级的CNN架构,在开始之前给大家推荐一下我的专栏,本专栏每周更新3-10篇最新前沿机制 | 包括二次创新全网无重复,以及融合改进,更有包含我所有的YOLOv10仓库集成文件(文件内集成我所有的改进机制全部注册完毕可以直接运行)和交流群和视频讲解提供给大家。
2024-07-14 23:42:14 853
原创 YOLOv10改进 | 主干/Backbone篇 | EfficientViT高效的特征提取网络完爆MobileNet系列(轻量化网络结构)
本文给大家带来的改进机制是主干网络,一个名字的特征提取网络(和之前发布的只是同名但不是同一个)其基本原理是提升视觉变换器在高效处理高分辨率视觉任务的能力。它采用了创新的建筑模块设计包括三明治布局和级联群组注意力模块。其是一种高效率的特征提取网络训练速度非常快,推理速度也要比基础版本的要快,其效果完爆之前的MobileNetV3等轻量化网络模型。欢迎大家订阅本专栏,本专栏每周更新3-5篇最新机制,更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO!
2024-07-14 23:40:03 601
原创 YOLOv10改进 | 主干/Backbone篇 | UniRepLknet特征提取网络(附对比试验效果图)
本文给大家带来的改进机制是特征提取网络,该网络结构的重点在于使用Dilated Reparam Block和大核心指导原则,强调了高效的结构进行通道间通讯和空间聚合,以及使用带扩张的小核心进行重新参数化,该网络结构就是在LKNet基础上的一个升级版本,LKNet我们之前已经出过教程了。在各种视觉任务中,包括图像分类、目标检测和语义分割,都显示出优异的性能。欢迎大家订阅我的专栏一起学习YOLO!YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍。
2024-07-14 23:37:24 1122 2
原创 YOLOv10改进 | 主干/Backbone篇 | 华为移动端模型Ghostnetv2改进特征提取网络
本文给大家带来的改进机制是华为移动端模型Ghostnetv2,华为GhostNetV2是为移动应用设计的轻量级卷积神经网络(CNN),旨在提供更快的推理速度,其引入了一种硬件友好的注意力机制,称为DFC注意力。这个注意力机制是基于全连接层构建的,它的设计目的是在通用硬件上快速执行,并且能够捕捉像素之间的长距离依赖关系,本文将通过首先介绍其主要原理,然后手把手教大家如何使用该网络结构改进我们的特征提取网络。欢迎大家订阅本专栏,本专栏每周更新3-5篇最新机制,更有包含我所有改进的文件和交流群提供给大家。
2024-07-14 23:32:45 686
原创 YOLOv10改进 | 主干/Backbone篇 | 华为移动端模型Ghostnetv1改进特征提取网络
本文给大家带来的改进机制是华为移动端模型Ghostnetv1,华为的GhostNet是一种轻量级卷积神经网络,旨在在计算资源有限的嵌入式设备上实现高性能的图像分类。GhostNet的关键思想在于通过引入Ghost模块,以较低的计算成本增加了特征图的数量,从而提高了模型的性能。这种方法在计算资源有限的情况下,尤其适用于图像分类任务,并在一些基准测试中表现出了很好的性能。本文将通过首先介绍其主要原理,然后手把手教大家如何使用该网络结构改进我们的特征提取网络。
2024-07-14 23:31:15 763
原创 YOLOv10改进 | 主干/Backboen篇 | 12月份最新成果TransNeXt特征提取网络(全网首发)
本文给大家带来的改进机制是TransNeXt特征提取网络将其应用在我们的特征提取网络来提取特征,同时本文给大家解决其自带的一个报错,通过结合聚合的像素聚焦注意力和卷积GLU,模拟生物视觉系统,特别是对于中心凹的视觉感知。这种方法使得每个像素都能实现全局感知,并强化了模型的信息混合和自然视觉感知能力。TransNeXt在各种视觉任务中,包括图像分类、目标检测和语义分割,都显示出优异的性能(该模型的训练时间很长这是需要大家注意的)。欢迎大家订阅我的专栏一起学习YOLO!
2024-07-14 23:26:10 665
原创 YOLOv10改进 | SPPF篇 | FocalModulation替换SPPF(精度更高的空间金字塔池化)
本文给大家带来的改进是用FocalModulation技术来替换了原有的SPPF(快速空间金字塔池化)模块。FocalModulation是今年新提出的特征增强方法,它利用注意力机制来聚焦于图像中的关键区域,从而提高模型对这些区域的识别能力。与SPPF相比,FocalModulation不仅能够处理不同尺寸的输入图像,还能更精确地识别和定位图像中的对象。这一技术特别适用于处理那些难以检测的小对象或在复杂背景中的对象(更多的检测效果请看第二章)。我进行了简单的实验,这个FocalModulation能够提升一
2024-07-14 23:21:02 884
原创 YOLOv10改进 | 如何在网络结构中添加注意力机制、C2f、卷积、Neck、检测头
本篇文章的内容是在大家得到一个改进版本的C2f一个新的注意力机制、或者一个新的卷积模块、或者是检测头的时候如何替换我们YOLOv10模型中的原有的模块,从而用你的模块去进行训练模型或者检测。因为最近开了一个专栏里面涉及到挺多改进的地方,不能每篇文章都去讲解一遍如何修改,就想着在这里单独出一期文章进行一个总结性教程,大家可以从我的其它文章中拿到修改后的代码,从这篇文章学会如何去添加到你的模型结构中去。本文目前的改进教程包括:注意力机制、C2f(改进后的)、卷积(主干上的)、Neck、检测头、损失函数。
2024-07-14 23:10:14 804
全新的SOTA模型YOLOv9
2024-02-22
全新的SOTA模型YOLOv9原文 + 论文阅读笔记
2024-02-22
时间序列预测实战(十九)魔改Informer模型进行滚动长期预测(科研版本,结果可视化)
2023-12-20
【Google2023】利用TiDE进行长期预测实战(时间序列密集编码器)
2023-12-04
Transformer模型实现长期预测并可视化结果(附代码+数据集+原理介绍)
2023-11-12
FNet模型实现滚动长期预测并可视化结果,定制化数据集进行预测
2023-11-11
DLinear模型实现滚动长期预测并可视化预测结果
2023-11-11
SCINet时间序列预测实战(附代码+数据集+原理介绍)
2023-11-11
Informer模型实战案例(代码+数据集+参数讲解)
2023-11-10
TPA-LSTM时间序列预测实战案例
2023-11-05
修改了DSCN动态蛇形卷积的ultralytics文件
2023-11-03
BiFormer: Vision Transformer with Bi-Level Routing Attention论文
2023-11-02
动态蛇形卷积(Dynamic Snake Convolution)
2023-10-31
时间序列预测模型实战案例深度学习华为MTS-Mixers模型
2023-10-27
机器学习ARIMA时间序列预测模型实战案例
2023-10-27
时间序列预测模型实战案例基于双向LSTM横向搭配合单向LSTM进行回归问题的解决
2023-09-27
时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类,点击即可运行!
2023-09-25
大家一天学习多少个小时?
2024-01-08
TA创建的收藏夹 TA关注的收藏夹
TA关注的人