YOLOv5改进 | Conv篇 | 利用DCNv3卷积优化C3 | 无需编译Windows完美运行（附代码 + 修改教程）

已于 2024-03-10 20:13:43 修改
阅读量1.7k 收藏 14
点赞数 10
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 人工智能 深度学习 计算机视觉 目标检测 python pytorch
于 2024-02-07 05:33:23 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/java1314777/article/details/136064555
版权
本文详细介绍了如何在YOLOv5中使用DCNv3可变形卷积优化C3模块，无需编译即可在Windows上运行。通过修改YOLOv5的源代码，添加DCNv3_C3模块，提升模型对目标形变的建模能力，适用于不同尺度的目标检测。文中包含修改步骤、训练截图和相关代码。
摘要由CSDN通过智能技术生成

一、本文介绍

这篇文章主要给大家讲解如何在多个位置替换可变形卷积DCNv3(集成好了无需编译Pytorch版本)，通过本文你可以学会在YOLOv5中各个位置添加可变形卷积可替换的位置。DCNv3的表现可以说是非常的全面，同时该网络为新发目前存在大量使用Bug我均已修复（例如在训练阶段的适合报错half和float的精度错误）。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！

欢迎大家订阅我的专栏一起学习YOLO！ 

专栏目录：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

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

目录

一、本文介绍

二、概念介绍

三、DCNv3的核心代码 

四、手把手教你添加DCNv3_C3 

4.1 修改一

 4.1.1 修改一

4.1.2 修改二

4.1.3 修改三 

4.1.4 修改四

4.1.5 Bug修复

4.2 DCNv3_C3 的yaml文件和训练截图

了解本专栏 订阅专栏 解锁全文
Snu77
关注
专栏目录
订阅专栏
YOLOv8改进，YOLOv8添加DCNv3可变性卷积，无需编译
weixin_44779079的博客
06-25 2269
DCNv3在DCNv2版本上进行了改进，上一期我们在YOLOv8中添加了DCNv2，这一期我们将添加DCNv3，DCNv3代码详解可以参考链接:代码详解——可变形卷积（DCNv3）
YOLOv8全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
04-09 1522
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
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 2951
通过加入DCNV3+CARAFE+smallobject 的思路提升红外小目标检测能力
爆改YOLOv8|利用DCNv3改进yolov8,暴力涨点，即插即用
最新发布
weixin_43986124的博客
08-28 883
DCNv3独家改进yolo，yolov8, 发刊必备
YOLOV5改进（DCN）
eagleflying_cau的博客
06-07 1020
（False,True,True,True）可以看出其对DCN的使用和PP-YOLO类似就是后面三个卷积替换成DCN。（3）更换.yaml中backbone的C3。（四个block替换后三个block）（2）在models/yolo.py中的解析模型中增加C3_DCN。（1）将下方代码复制到models/commen.py中。（2）Cascade-RCNN中对DCN的使用。（1）PP-YOLO使用DCN的方法。可以看出只是将最后一层卷积换成DCN。（3）为什么要使用可变形卷积。
Windows上编译DCNv3的算子
weixin_43102188的博客
05-31 4412
在Windows上编译DCNv3算子
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 3918
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
YOLOv9改进策略 | Conv篇 | 利用DCNv3卷积优化RepNCSPELAN4 | 无需编译Windows完美运行（附代码 + 修改教程）
Snu77的博客
04-22 1904
这篇文章主要给大家讲解如何在多个位置替换可变形卷积DCNv3集成好了无需编译Pytorch版本)，通过本文你可以学会在YOLOv5中各个位置添加可变形卷积可替换的位置。DCNv3的表现可以说是非常的全面，同时该网络为新发目前存在大量使用Bug我均已修复（例如在训练阶段的适合报错half和float的精度错误）。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！欢迎大家订阅我的专栏一起学习YOLO！
【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-02 1757
【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子
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
热门推荐
Snu77的博客
01-07 2万+
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。
YOLOv10改进：卷积变体系列篇 | DCNv3可形变卷积基于DCNv2优化 | CVPR2023
会AI的学姐
06-12 220
DCNv3算子，基于DCNv2算子引入共享投射权重、多组机制和采样点调制，引入到YOLOv10，与C2f结合实现二次创新；
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
YOLOv9改进策略：RepNCSPELAN4优化 | DilatedReparamBlock结合RepNCSPELAN4二次创新 | CVPR2024 最新大卷积核CNN架构UniRepLKNet
03-26 2274
DilatedReparamBlock模块并结合YOLOv9RepNCSPELAN4二次创新，在多个数据集验证涨点，且效果优于原始的RepNCSPELAN4模块
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。
YOLOv9改进策略 | 细节创新篇 | 迭代注意力特征融合AFF机制创新RepNCSPELAN4
Snu77的博客
04-20 2422
本文给大家带来的改进机制是AFF（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。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。
YOLOv9 网络结构 backbone 中的 RepNCSPELAN4 和 ADown 模块
weixin_46875627的博客
03-14 7512
看了YOLOv9的论文和代码，整理了一下网络中的模块，以方便理解和日后参考使用。
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 1856
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。
YOLOv5改进 | Conv篇 | 利用YOLOv10提出的CIB模块二次创新C3（附代码 + 完整修改教程）
Snu77的博客
06-04 1688
本文给大家带来的改进机制是利用利用YOLOv10提出的UIB模块二次创新C3助力YOLOv5进行有效涨点，其中C2fUIB模块所用到的CIB模块是一种紧凑的倒置块结构，它采用廉价的深度卷积进行空间混合，并采用成本效益高的点卷积进行通道混合。本文针对该方法给出多种使用方法，大家可以根据自己的数据集来针对性的使用，同时本文附C2fUIB网络结构图！欢迎大家订阅我的专栏一起学习YOLO！YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制目录一、本文介绍。
YOLOv9改进策略 | Conv篇 | 利用YOLO-MS的MSBlock二次创新RepNCSPELAN4（全网独家创新）
Snu77的博客
04-21 1741
本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块(其其实不能算是Conv但是其应该是一整个模块)，我们将其用于RepNCSPELAN中组合出一种新的结构，来替换我们网络中的模块可以达到一种轻量化的作用，我将其用于我的数据集上实验，包括多个类别的数据集，其在轻量网络结构的同时，却能够提高一定的mAP精度，所以这是一种十分高效的模块，该网络结构非常适合那些模型精度已经无法提到，想要从轻量化模型的角度入手的读者使用，同时该机制包含二次创新的机会。
评论 4
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

Snu77

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