YOLOv10改进 | 特殊场景检测篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）

已于 2024-07-15 04:11:27 修改
阅读量1.6k 收藏 31
点赞数 19
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 人工智能 深度学习 python 计算机视觉 YOLOv10 yolov10
于 2024-07-09 02:48:12 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/140164301
版权

一、本文介绍

本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。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！

 专栏回顾：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、PE-YOLO算法原理

2.1   PE-YOLO的基本原理

 2.2 金字塔增强网络

2.3 细节处理模块

 2.4 低频增强滤波器

三、PE-YOLO的核心代码 

四、PE-YOLO的添加方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

关闭混合精度验证！

打印计算量的问题！

五、PE-YOLO的yaml文件和运行记录

5

了解本专栏 订阅专栏 解锁全文
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV3(轻量化主干网络结构--在移动分类、检测和分割任务上的表现很好，快拿去跑实验吧)
qq_45972324的博客
09-09 562
我们提出了基于互补搜索技术以及新颖架构设计组合的下一代 MobileNets。MobileNetV3 通过硬件感知网络架构搜索 （NAS） 与 NetAdapt 算法相结合，针对手机 CPU 进行调优，然后通过新颖的架构进步进行改进。本文开始探索自动搜索算法和网络设计如何协同工作，以利用互补方法提高整体技术水平。通过此过程，我们创建了两个新的发布 MobileNet 模型：MobileNetV3-Large 和 MobileNetV3-Small，它们针对高资源和低资源用例。
YOLOv8改进 | 主干篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）
Snu77的博客
01-02 6711
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
B站 Ai学术叫叫兽的文案地
09-14 5767
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
YOLOv10改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进YOLOv10暗光检测（全网独家首发）
Snu77的博客
07-11 4万+
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv8改进 | 主干篇 | SwinTransformer替换Backbone（附代码 + 详细修改步骤 +原理介绍）
Snu77的博客
12-12 9228
本文给大家带来的改进机制是利用Swin Transformer替换YOLOv8中的骨干网络其是一个开创性的视觉变换器模型，它通过使用位移窗口来构建分层的特征图，有效地适应了计算机视觉任务。与传统的变换器模型不同，Swin Transformer的自注意力计算仅限于局部窗口内，使得计算复杂度与图像大小成线性关系，而非二次方。这种设计不仅提高了模型的效率，还保持了强大的特征提取能力。Swin Transformer的创新在于其能够在不同层次上捕捉图像的细节和全局信息，使其成为各种视觉任务的强大通用骨干网络。
YOLOv11改进 | 特殊场景检测篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型，全网独家首发改进）
Snu77的博客
11-04 912
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干
走向CTO的路上...
09-12 1185
本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。
改进YOLOv8主干的低照度检测模型 | PE-YOLO的设计与应用【附涨点保姆级代码】
一键难忘的博客
10-24 3961
提取亮度特征# 增强特征return xPE-YOLO通过引入低照度增强模块和改进的特征提取策略，显著提高了YOLOv8在低照度物体检测任务中的性能。通过实验验证，PE-YOLO在多个实际应用场景中表现优异，尤其是在智能监控、无人机巡逻和自动驾驶等领域。然而，该模型仍然面临一些挑战，如训练成本的增加和超参数调优的复杂性。未来的研究方向可以包括引入自适应照度调整机制、多尺度特征融合技术以及GAN数据增强方法，进一步提升模型的鲁棒性和泛化能力。
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
热门推荐
Snu77的博客
12-30 15万+
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。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection——论文笔记
wyj2228785069的博客
01-20 1831
PE-YOLO论文阅读
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现
mingo_敏
09-11 1114
当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题，我们提出了一个金字塔增强网络（PENet），并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说，我们提出了一个细节处理模块（DPM）来增强图像的细节，它由上下文分支和边缘分支组成。此外，我们提出了一个低频增强滤波器（LEF）来捕捉低频语义并防止高频噪声。
PE-YOLO
whaosoft143ai的博客
07-29 535
PENet通过拉普拉斯金字塔将图像分解成不同分辨率的组件。在PENet中，作者通过提出的细节处理模块（DPM）和低频增强滤波器（LEF）来增强每个尺度的组件。其中, Down表示下采样, Gaussian表示高斯滤波器,高斯核的大小为5×5。在每个高斯金字塔操作后，图像的宽度和高度减半，这意味着分辨率是原始图像的1/4。显然，高斯金字塔的下采样操作是不可逆的。为了在上采样后恢复原始的高分辨率图像，需要恢复丢失的信息，这些丢失的信息构成了拉普拉斯金字塔的组件。拉普拉斯金字塔的定义 whaosoft aiot
PENet change for yolov8
optimization_fish的博客
10-16 401
import cv2return xpyr = []return pyrreturn outact,return xreturn outx = avg(x)return x。
无惧暗光！| PE-YOLO: 夜视环境物体检测新突破（附源码实现）
专注计算机视觉全栈知识分享
08-12 2335
PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。为了解决在暗光条件下图像可见性差的问题，该方法使用拉普拉斯金字塔将图像分解为具有不同分辨率的多个组件。然后，利用新提出的详细处理模块（DPM）和低频增强滤波器（LEF）增强这些组件的详细信息和低频信息。PE-YOLO以端到端的方式进行训练，无需额外的损失函数。通过在ExDark数据集上进行的实验，PE-YOLO相较于其他的低光照增强模型和暗光物体检测器，显示出了最佳的性能。
浅析YOLO目标检测算法AI安全帽识别技术及场景应用
TSINGSEE青犀视频官方技术博客
04-12 5518
将AI安全生产摄像机与EasyCVR视频平台结合使用，通过安全帽检测，可以有效地来检测工人是否合规穿戴个人防护装备，提高视频监控应用在行业多场景下的智能分析与处理能力。
自然场景OCR检测(YOLOv3+CRNN)
fanfan的博客
03-14 3万+
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 加粗样式**...
基于yolo3 与crnn 实现中文自然场景文字检测及识别
ghw15221836342的博客
01-19 1万+
基于yolo3 与crnn 实现中文自然场景文字检测及识别 github地址：基于yolo3 与crnn 实现中文自然场景文字检测及识别 实现功能： 文字方向检测 0、90、180、270度检测（支持dnn/tensorflow）  支持(darknet/opencv dnn /keras)文字检测,暂时公布（keras版本训练）  不定长OCR训练(英文、中英文) crnn\dense...
YoloV8改进策略：Block改进|FCM，特征互补映射模块|AAAI 2025|即插即用
最新发布
m0_47867638的博客
06-09 878
FBRT-YOLO通过特征互补映射模块（FCM）与多内核感知单元（MKP）的创新设计，解决了航拍图像检测中小目标信息丢失和多尺度适应性不足的核心问题。理论层面：提出空间-语义信息互补映射机制，缓解深层网络位置信息衰减问题；工程层面：轻量化设计（参数量最高降74%）满足嵌入式设备实时需求；应用层面：在Visdrone等数据集上AP提升1.1-2.3%，为无人机安防、灾害监测提供高效解决方案。
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
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

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