Snu77的博客

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)。

​大家好，本文给大家带来的是2024年2月21日全新发布的SOTA模型YOLOv9的补全教程（算是一种补全吧我个人认为），大家了解V7的人都知道V7系列是不支持模型深度和宽度的修改的也就是没有办法像YOLOv8那样有多个版本（例如：V9n、V9s、V9m、V9l、V9x这样），所以我也是在YOLOv9最新版本的基础上给大家把这个共功能添加上了（修改模型的深度和宽度从而产生达到不同版本的效果），本文的内容均为我个人整理和撰写，创作不易，大家可以帮忙点赞评论支持一下！

本文给大家带来的是全新的SOTA模型YOLOv9的基础使用教程，需要注意的是YOLOv9发布时间为2024年2月21日，截至最近的日期也没有过去几天，从其实验结果上来看，其效果无论是精度和参数量都要大于过去的一些实时检测模型，其主要创新点是两个分别是提出了Programmable Gradient Information​​（PGI）的结构以及全新的主干Generalized ELAN（GELAN）下面本文就手把手带大家来教大家如何使用自定义数据集训练YOLOv9模型，以及如何搭建环境，获取数据集/训练。

本文给大家带来的改进机制是利用利用YOLOv10提出的CIB模块二次创新RepNCSPELAN4助力YOLOv9进行有效涨点，其中C2fCIB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，本文内容为我独家创新！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目录一、本文介绍二、C2fCIB介绍。

本文给大家带来的改进机制是YOLOv10提出的PSA注意力机制，自注意力在各种视觉任务中得到了广泛应用，因为它具有显著的全局建模能力。然而，自注意力机制表现出较高的计算复杂度和内存占用。为了解决这个问题，鉴于注意力头冗余的普遍存在，我们提出了一种高效的部分自注意力（PSA）模块设计，其能够在不显著增加计算成本的情况下提升YOLO模型的性能！本文附其网络结构图辅助大家理解该结构，同时本文包含YOLOv9添加该注意力机制的方法！欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是利用YOLOv10提出的SCDown魔改YOLOv5进行下采样，其是更高效的下采样。具体而言，其首先利用点卷积调整通道维度，然后利用深度卷积进行空间下采样。这将计算成本减少到和参数数量减少到。同时，这最大限度地保留了下采样过程中的信息，从而在减少延迟的同时实现竞争性性能。本文附网络结构图，完整修改方案以及多种使用方法！欢迎大家订阅我的专栏一起学习YOLO！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、SCDown介绍。

本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv9针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv9的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是利用AODNet图像去雾网络结合PONO机制实现二次增强，我将该网络结合YOLOv5针对图像进行去雾检测（也适用于一些模糊场景，图片不清晰的检测）同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。

本文给大家带来的改进机制是图像去雾MB-TaylorFormer，其发布于2023年的国际计算机视觉会议（ICCV）上，可以算是一遍比较权威的图像去雾网络，是一种为图像去雾设计的多分支高效Transformer网络，它通过应用泰勒公式展开的方式来近似softmax-attention机制，实现了线性的计算复杂性，原本的网络计算量和参数量比较高，我对其进行了一定的跳转参数量和计算量都大幅度的降低，其为高分辨率图像处理也提供了一种新的解决方案。欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了。欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是是一种专为图像去噪设计的深度学习模型，旨在解决合成噪声图像、真实噪声图像和盲去噪的挑战。它通过注意力机制提升性能，聚焦于相关特征，抑制无关噪声。其主要由四个模块组稀疏块（Sparse Block, SB）特征增强块（Feature Enhancement Block, FEB）注意力块（Attention Block, AB）重建块（Reconstruction Block, RB）。本文内容为包含代码加解释加添加教程以及运行记录！欢迎大家订阅我的专栏一起学习YOLO！目录。

本文给大家带来的改进机制是低照度图像增强网络，其是由今年最新发布的针对于黑夜目标检测的改进机制（非常适合大家用来发表论文），其主要思想是通过一种新颖的一阶段Retinex-based框架来增强低光图像。这个框架结合了照明信息的估计和损坏恢复，目的是提高低光图像的质量。核心在于照明引导的变换器，这种变换器使用照明信息来引导长期依赖性的建模，从而在不同照明条件下更好地处理图像。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。

本文给大家带来的2024.3月份最新改进机制，由CPA-Enhancer: Chain-of-Thought Prompted Adaptive Enhancer for Object Detection under Unknown Degradations论文提出的CPA-Enhancer链式思考网络CPA-Enhancer通过引入链式思考提示机制，实现了对未知退化条件下图像的自适应增强。该方法的核心在于能够利用CoT提示对图像退化进行动态分析和适应，从而显著提升物体检测性能。

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。

本文给大家带来的改进机制是低照度图像增强网络SCINet，SCINet（自校正照明网络）是一种专为低光照图像增强设计的框架。它通过级联照明学习过程和权重共享机制来处理图像，优化了照明部分以提升图像质量。我将该网络集成在YOLOv5的主干上针对于图像的输入进行增强，同时该网络的并不会增加参数和计算量，基本和普通的网络结构保持一致，同时该结构支持自定义调节层数，来控制图像增强的效果 ，非常适合想要在黑夜目标检测领域发表文章的读者，该基本网络不会影响模型的速度。欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块GhostModule，我勇其魔改从而达到创新的目的，在V5n上其参数量仅有130W计算量为2.9GFLOPs，

这篇文章给大家带来的改进机制是一个汇总篇，包含一些简单的注意力机制，本来一直不想发这些内容的（网上教程太多了，发出来增加文章数量也没什么意义），但是群内的读者很多都问我这些机制所以单独出一期视频来汇总一些比较简单的注意力机制添加的方法和使用教程，本文的内容不会过度的去解释原理，更多的是从从代码的使用上和实用的角度出发去写这篇教程。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目录一、本文介绍二、GAM2.1 GAM的介绍。

本文给大家带来的改进机制是由YOLO-Face提出能够改善物体遮挡检测的注意力机制SEAM，注意力网络模块旨在补偿被遮挡面部的响应损失，通过增强未遮挡面部的响应来实现这一目标，其希望通过学习遮挡面和未遮挡面之间的关系来改善遮挡情况下的损失从而达到改善物体遮挡检测的效果，本文将通过介绍其主要原理后，提供该机制的代码和修改教程，并附上运行的yaml文件和运行代码，小白也可轻松上手。。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目录。

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！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。

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。同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣，

本文给大家带来的改进机制是EMAttention注意力机制，它的重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文首先给大家提供效果图(由基础版本未作任何修改和修改了本文的改进机制的效果对比图)，然后介绍其主要的原理，最后手把手教大家如何添加该注意力机制。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目录一、本文介绍。

本文给家大家带来的改进机制是iRMB，其是在论文Rethinking Mobile Block for Efficient Attention-based Models种提出，论文提出了一个新的主干网络EMO(后面我也会教大家如何使用该主干，本文先教大家使用该文中提出的注意力机制)。其主要思想是将轻量级的CNN架构与基于注意力的模型结构相结合(有点类似ACmix)，同时该注意力机制属于是比较轻量化的参数量比较小，训练速度也很快，后面我会将各种添加方法教给大家让大家在自己的模型中进行复现。

BiFormer是一种结合了Bi-level Routing Attention的视觉Transformer模型，BiFormer模型的核心思想是引入了双层路由注意力机制。在BiFormer中，每个图像块都与一个位置路由器相关联。这些位置路由器根据特定的规则将图像块分配给上层和下层路由器。上层路由器负责捕捉全局上下文信息，而下层路由器则负责捕捉局部区域的细节。具体来说，上层路由器通过全局自注意力机制对所有图像块进行交互，并生成全局图像表示。

本文给大家带来的改进机制是LSKAttention大核注意力机制应用于YOLOv9。它的主要思想是将深度卷积层的2D卷积核分解为水平和垂直1D卷积核，减少了计算复杂性和内存占用。接着，我们介绍将这一机制整合到YOLOv9的方法，以及它如何帮助提高处理大型数据集和复杂视觉任务的效率和准确性。本文还将提供代码实现细节和使用方法展示这种改进对目标检测等方面的效果。通过实验YOLOv5在整合LSKAttention机制后，亲测mAP有显著提高(下面会附上改进LSKAttention机制和基础版本的结果对比图)。

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YOLOv9改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的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~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​。

本文给大家带来的改进是三重注意力机制。这个机制，它通过三个不同的视角来分析输入的数据，就好比三个人从不同的角度来观察同一幅画，然后共同决定哪些部分最值得注意。三重注意力机制的主要思想是在网络中引入了一种新的注意力模块，这个模块包含三个分支，分别关注图像的不同维度。比如说，一个分支可能专注于图像的宽度，另一个分支专注于高度，第三个分支则聚焦于图像的深度，即色彩和纹理等特征。这样一来，网络就能够更全面地理解图像内容，就像是得到了一副三维眼镜，能够看到图片的立体效果一样。

本文给大家带来的改进机制是RCS-YOLO提出的RCS-OSA模块，其全称是"Reduced Channel Spatial Object Attention"，意即"减少通道的空间对象注意力。这个模块的主要功能是通过减少特征图的通道数量，同时关注空间维度上的重要特征，来提高模型的处理效率和检测精度。同时本文对RCS-OSA模块的框架原理进行了详细的分析，不光让大家会添加到自己的模型在写论文的时候也能够有一定的参照，最后本文会手把手教你添加RCS-OSA模块到网络结构中。

本文给大家带来的是YOLOv9系列的绘图功能，我将向大家介绍YOLO系列的绘图功能。我们在进行实验时，经常需要比较多个结果，针对这一问题，我写了点代码来解决这个问题，它可以根据训练结果绘制损失(loss)和mAP（平均精度均值）的对比图。这个工具不仅支持多个文件的对比分析，还允许大家在现有代码的基础上进行修，从而达到数据可视化的功能，大家也可以将对比图来放在论文中进行对比也是非常不错的选择。

YoloV9。YoloV9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，

这篇博客，YOLOv9训练结果分析，主要给大家讲解我们在训练yolov9时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。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评估用的数据集。

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。

本文给大家带来的改进机制是ACmix自注意力机制的改进版本，它的核心思想是，传统卷积操作和自注意力模块的大部分计算都可以通过1x1的卷积来实现。ACmix首先使用1x1卷积对输入特征图进行投影，生成一组中间特征，然后根据不同的范式，即自注意力和卷积方式，分别重用和聚合这些中间特征。这样，ACmix既能利用自注意力的全局感知能力，又能通过卷积捕获局部特征，从而在保持较低计算成本的同时，提高模型的性能。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。

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！

本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，本文内容包含详细教程 + 代码 + 原理介绍。欢迎大家订阅我的专栏一起学习YOLO！

本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V9上使用该机制后参数量为147W计算量GFLOPs为3.7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！

本文给大家带来的改进机制是利用FasterNet的FasterBlock改进特征提取网络，将其用来改进ResNet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，同时本文的内容为我独家创新，全网仅此一份。同时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。

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。

本文给大家带来的改进内容是SPD-Conv（空间深度转换卷积）技术。SPD-Conv是一种创新的空间编码技术，它通过更有效地处理图像数据来改善深度学习模型的表现。SPD-Conv的基本概念：它是一种将图像空间信息转换为深度信息的技术，从而使得卷积神经网络（CNN）能更加有效地学习图像特征。这种方法通过减少信息损失和提高特征提取的准确性，优化了模型对小物体和低分辨率图像的处理能力。

本文给大家带来的改进机制是利用DualConv替换YOLOv9的下采样方法，DualConv是一种创新的卷积网络结构，旨在构建轻量级的深度神经网络。它通过结合3×3和1×1的卷积核处理相同的输入特征映射通道，优化了信息处理和特征提取。DualConv利用组卷积技术高效排列卷积滤波器，大大降低了计算成本和参数数量。我们将其替换YOLOv9的下采样方法能够大幅度的降低参数，还能够提升精度。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。

本文给大家带来的改进机制是一种重参数化的卷积模块OREPA，这种重参数化模块非常适合用于二次创新，我们可以将其替换网络中的其它卷积模块可以不影响推理速度的同时让模型学习到更多的特征。OREPA是通过在线卷积重参数化（Online Convolutional Re-parameterization）来减少深度学习模型训练的成本和复杂性。这种方法主要包括两个阶段：首先，利用一个特殊的线性缩放层来优化在线块的性能；其次，通过将复杂的训练时模块压缩成一个单一的卷积来减少训练开销。