YOLOv11改进 | Conv篇 | 2024全新的SOTA轻量化下采样操作ADown（参数量下降百分之二十，附手撕结构图）

最新推荐文章于 2025-04-08 20:54:31 发布
最新推荐文章于 2025-04-08 20:54:31 发布
阅读量3.7k 收藏 30
点赞数 26
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 人工智能 深度学习 计算机视觉 python 目标检测 YOLOv11
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/142903555
版权

一、本文介绍 

本文给大家带来的改进机制是利用YOLOv9其中提出的ADown模块来改进我们的Conv模块，其中YOLOv9针对于这个模块并没有介绍，只是在其项目文件中用到了，我将其整理出来用于我们的YOLOv11的项目，经过实验我发现该卷积模块（作为下采样模块）首先可以大幅度降低参数值，其次其精度上也有很高的提升，大家可以尝试以下在自己数据集上的效果。

 欢迎大家订阅我的专栏一起学习YOLO！ 

  专栏回顾：YOLOv11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、框架图

2.1 Programmable Gradient Information​​/可编程梯度信息

2.1.1 Auxiliary Reversible Branch/辅助可逆分支

2.1.2 Multi-level Auxiliary Information/多级辅助信息

2.2 Generalized ELAN

三、 核心代码

四、手把手教你添加ADown机制

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、ADown的yaml文件和运行记录

5.1 ADown的yaml文件1

5.2 训练代码 

5.3 ADown的训练过程截图 

了解本专栏 订阅专栏 解锁全文
YOLOv10改进 | Conv篇 | 全新的SOTA轻量化下采样操作ADown（参数量下降百分之二十，附手撕结构图）
Snu77的博客
07-11 1129
本文给大家带来的改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的ADown模块来改进我们的Conv模块，其中YOLOv9针对于这个模块并没有介绍，只是在其项目文件中用到了，我将其整理出来用于我们的YOLOv10的项目，经过实验我发现该卷积模块（作为下采样模块）首先可以大幅度降低参数值（v8n大约六十万），其次其精度上也有很高的提升，同时本文的内容目前网络上并无其它人总结（也是最新发布的，可以说BUff是集满了）大家可以尝试以下在自己数据集上的效果。欢迎大家订阅我的专栏一起学习YOLO。
【YOLOv8改进】ADown：轻量化下采样操作
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。
07-22 1828
当今的深度学习方法主要集中在如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一种合适的架构，以便获取足够的信息进行预测。现有的方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据通过深度网络时的数据丢失这一重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多重目标所需的各种变化。PGI可以为目标任务提供完整的输入信息，以计算目标函数，从而获得可靠的梯度信息来更新网络权重。
YOLOv11改进 | YOLOv11引入MobileNetV4
最新发布
MR_Colorful的博客
04-08 1161
主要是对该文章进行复现，以及对一些问题进行解答。
YOLOv11改进 | 上采样篇 | YOLOv11引入DySample轻量级动态上采样器
tsg6698的博客
10-03 2481
虽然最近的基于内核的动态上采样器（如CARAFE、FADE和SAPA）的性能提升令人印象深刻，但它们引入了大量工作负载，主要是由于耗时的动态卷积和用于生成动态内核的额外子网。DySample模块的设计旨在解决现有动态上采样器的高计算开销和复杂性问题，同时提供更好的性能和效率。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv8改进 | 注意力机制 | 添加MSDA多尺度空洞注意力（全新的YOLOv8改进策略）
Snu77的博客
12-25 8925
本文给大家带来的改进机制是MSDA（多尺度空洞注意力）发表于今年的中科院一区(算是国内计算机领域的最高期刊了)，其全称是"DilateFormer: Multi-Scale Dilated Transformer for Visual Recognition"。MSDA的主要思想是通过线性投影得到特征图X的相应查询、键和值。然后，将特征图的通道分成n个不同的头部，并在不同的头部中以不同的扩张率执行多尺度SWDA来提高模型的处理效率和检测精度。
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）
Snu77的博客
09-14 2820
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。​
YOLOv11模型改进-模块-引入空间自适应特征调制模块SAFM 提升多尺度、小目标检测
qq_64693987的博客
12-24 2214
SAFM 是一种空间自适应特征调制机制，它主要应用于图像超分辨率任务中。通过对输入特征进行动态调制，SAFM 能够自适应地选择代表性的特征表示，从而更好地恢复图像的细节和清晰度。这种机制的核心在于它能够从多尺度的角度处理特征，同时考虑局部和全局的信息，使得生成的特征更加具有判别性和鲁棒性。通道分割与初步处理首先对归一化的输入特征进行通道分割操作，产生四个部分组件。其中一个部分用深度卷积进行处理。其余三个部分则被送入多尺度特征生成单元，经过下采样、卷积和上采样等操作来生成多尺度特征。多尺度特征整合。
YOLOv11模型改进-注意力机制-引入自适应稀疏自注意力ASSA
qq_64693987的博客
10-16 3828
Adaptive Sparse Self-Attention（ASSA）是自适应稀疏Transformer（AST）模型中的关键组件，主要用于提升图像恢复任务的性能。ASSA的设计旨在减少标准Transformer模型中由于无关区域引入的噪声交互，同时解决特征冗余问题。稀疏自注意力（SSA）：使用基于ReLU的稀疏注意力机制，过滤掉查询与键之间低匹配的无关交互。这可以减少无效特征的参与，帮助聚焦在最有价值的信息交互上。
YOLOv11改进-卷积-引入Upsampling by Dynamic DySample 解决传统上采样灵活性问题
qq_64693987的博客
10-17 3514
现有的上采样方法如等，依赖于动态卷积来生成上采样的内容感知核，但这些方法需要额外的子网络生成动态卷积核计算量较大。尤其是 FADE 和 SAPA 需要高分辨率的特征图作为引导，进一步增加了计算负担，并限制了应用场景。DySample的核心思想是将上采样过程重新定义为点采样（Point Sampling）。通过学习输入特征图中的采样点坐标，DySample 生成内容感知的采样点来对特征图进行重新采样，而不是使用动态卷积核。具体实现步骤如下：​​1. 输入特征图：大小为 C×H×W的输入特征图。
YOLO11改进-模块-引入混合结构模块Mix Structure Block 提高多尺度、小目标
qq_64693987的博客
02-24 1754
多尺度并行大卷积核模块（MSPLCK）：大卷积核具有更大的有效感受野和更高的形状偏差，能通过扩大感受野在学习的潜在域空间中捕获更多结构化信息，帮助单个像素基于大范围周围像素恢复图像并还原物体形状；小卷积核则专注于细节特征，恢复纹理细节。不同大小的卷积核并行工作，可从不同尺度关注图像区域，提取多尺度特征，这些特征在通道维度上连接，再经多层感知器处理，既能融合不同类型特征，又能拟合去雾特征。增强并行注意力模块（EPA）
YOLOv11改进，YOLOv11改进损失函数采用Powerful-IoU：自适应惩罚因子和基于锚框质量的梯度调节函数（2024年最新IOU）
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-09 1121
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
YOLO11改进-模块-引入混合池化注意力模块Hybrid Pooling Attentio解决小目标问题、遮挡问题
qq_64693987的博客
02-26 1726
平均池化和最大池化操作的结合可以有效整合通用和详细信息，增强特征图的表示能力。平均池化近似窗口内的值，类似对日常经验的模糊记忆，能获取数据的大致趋势；最大池化捕获窗口内的峰值，类似对重要或特殊事件的清晰记忆，可突出数据的关键特征。通过在不同空间维度上分别进行平均池化和最大池化操作，HPA 可以从不同角度捕捉特征信息。同时，利用分组和重加权的思想，对输入特征图进行分组处理，通过跨空间学习的方式整合不同组的特征，自适应地重新校准通道间的关系，实现不同的跨通道交互，从而有效捕捉和学习复杂的低级特征表示。
YOLOv11模型改进-注意力-引入单头自注意力Single-Head Self-Attention（SHSA）解决小目标、遮挡
qq_64693987的博客
10-21 4038
SHSA通过仅对部分输入通道应用单头注意力，减少了计算冗余和内存访问成本。部分通道处理：仅对部分输入通道（默认比例为1/4.67）应用注意力层，其余通道保持不变。全通道投影：最终的投影应用于所有通道，确保注意力特征有效传播到所有通道。简化操作：减少内存绑定操作，提高了计算效率。
YOLOv11模型改进-模块-引入特征细化模块FRFN 解决小目标、遮挡等问题
qq_64693987的博客
12-24 1916
FRFN 是一种专门设计的深度学习结构，旨在提高图像处理任务中的特征表示能力。它的核心设计理念是通过逐层细化和优化特征图，从而实现更高的分类和检测精度。1. 特征提取层：通过卷积层提取初始特征，并进行批量归一化以增强稳定性。2. 特征细化模块：在每个模块中，当前层特征图与前一层特征图进行融合，以强化特征表示。3. 跳跃连接：通过跳跃连接保留多尺度信息，帮助缓解深层网络中的信息丢失。4. 非线性激活：使用激活函数（如ReLU）增加模型的非线性能力。5. 输出层。
YOLOv11改进 | Neck篇 | YOLOv11引入Slim-Neck（轻量）
tsg6698的博客
10-01 2195
在标准的CNN架构中，随着网络深度的增加，空间信息逐步转化为通道信息，这一转换过程在每次特征图的空间压缩和通道扩展操作中往往伴随着语义信息的部分损失。GSConv通过其独特的设计，旨在在维持较低时间复杂度的同时，最大化地保留通道之间的潜在连接，从而减少信息的丢失。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv11改进 | 卷积模块 | 分布移位卷积DSConv替换Conv
kay_545
10-05 1529
yolo11，yolo11改进，卷积，轻量化
YOLOv11改进 | 主干部分 | 引入MobileNetV4结构
m0_64858060的博客
02-28 3399
YOLOv11改进 | 主干部分 | 引入MobileNetV4结构
YOLOv11改进 | 融合篇，YOLOv11改进主干网络为MobileNetV3+CA注意机制
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-11 1524
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
ADown改进yolo11
02-12
### 改进 ADown 以增强 YOLOv11 的目标检测性能 #### 修改配置文件 为了使 ADown 更好地适应 YOLOv11 并提高其在小目标检测中的表现，可以在 `ultralytics/cfg/models/11` 目录下的 `yolo11.yaml` 文件中引入特定于 ADown 的参数设置[^3]。 ```yaml # Example of modified configuration file for integrating ADown into YOLOv11 backbone: - [conv, [32, 3]] - [ADown, [64]] # Integrate the improved ADown layer here with specified parameters. neck: ... head: ... ``` #### 调整网络结构 通过调整 ADown 层内部的卷积核大小、步幅以及通道数等超参数来优化特征提取能力。特别是针对小物体检测场景，可以考虑增加浅层特征图的数量并减少深层特征图的比例，从而更好地捕捉细粒度的信息[^1]. #### 动态检测头集成 借鉴 DynamicHead 思路，在原有基础上进一步强化多尺度感知能力和自适应调节机制。这有助于解决不同尺寸目标之间的比例失衡问题，并改善模型对于复杂背景条件下小目标识别的效果[^2]. #### 实验验证与调优 完成上述改动后，需设计一系列实验对比分析新旧方案之间差异；同时利用交叉验证技术寻找最优组合方式，确保最终版本能够在多个公开数据集上取得良好泛化性能。
评论 2
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