RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 GhostConv

最新推荐文章于 2024-05-29 09:55:02 发布
最新推荐文章于 2024-05-29 09:55:02 发布
阅读量1.6k 收藏 2
点赞数 9
分类专栏： RT-DETR魔术师 文章标签： 算法 YOLO 开发语言 目标检测 人工智能 计算机视觉
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/m0_63774211/article/details/134374948
版权
RT-DETR魔术师 专栏收录该内容
59 篇文章 54 订阅 ¥199.90 ¥299.90
订阅专栏
本文介绍了如何将HGBlock与GhostConv结合应用于RT-DETR算法，以提升目标检测效率。RT-DETR是一种实时端到端检测器，通过解耦尺度内交互和跨尺度融合优化了DETR的性能。文章详细阐述了RT-DETR的Backbone结构，特别是采用HGNet-v2和GhostConv，并展示了在不同数据集上的性能提升。同时，文中还提供了实现这一改进的具体步骤，包括代码修改和配置文件更新。
摘要由CSDN通过智能技术生成

💡💡💡本文独家改进： GhostConv助力RT-DETR ,HGBlock与PPHGNetV2  GhostConv完美结合

推荐指数：五星

HGBlock_GhostConv |   亲测在多个数据集能够实现涨点

RT-DETR魔术师专栏介绍：

https://blog.csdn.net/m0_63774211/category_12497375.html

✨✨✨魔改创新RT-DETR

🚀🚀🚀引入前沿顶会创新，助力RT-DETR

🍉🍉🍉基于ultralytics优化，与YOLO完美结合
 

1.RT-DETR介绍

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
专栏目录
订阅专栏
RT-DETR算法优化改进：Backbone改进 | LSKNet：遥感旋转目标检测新SOTA | ICCV 2023
11-14 925
LSKNet​​​​​​​助力RT-DETR ，替换backbone，Large Selective Kernel Network (LSKNet)，可以动态地调整其大空间感受野，以更好地建模遥感场景中各种物体的测距的场景。
YOLOv10 更换主干网络之 HGNetV2
最新发布
YOLOv8项目贡献者
08-11 221
两个版本，这两个版本可不是深度和宽度的差异，还是有点小区别的。想用这个主干直接换就行了，因为项目里面已经集成了，写一个。
YOLOv9独家原创改进|加入RT-DETR中的HGBlock!
深度学习炼丹师，偶尔分享炼丹技术!
03-06 1140
HGBlock是RT-DETR中使用的特征提取模块。HGBlock的主要思想： 一个并联的卷积模块与通道压缩-解压模块。
RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 RepConv
11-13 1149
PPHGNetV2助力RT-DETRHGBlock与PPHGNetV2 RepConv完美结合
RT-DETR算法优化改进：PPHGNetV2 Backbone改进 | RepConv、GhostConv优化HGBlock
会AI的学姐
11-13 1197
1）RT-DETR原理介绍；2）RepConv、GhostConv优化HGBlock
YOLOv8改进 优化HGBlock网络主干
分享一些自己改进代码的实例
02-20 1170
在yolov8中优化HGblock，堆叠图像特征，提高检测精度
以YOLOv8为例详解YOLO系列
m0_72806612的博客
09-16 3261
主要有检测、分割、分类等。这些表示所要执行的任务的类负责将组成部分写好的各个方法集成在一起完成特定的任务。负责输出的模块主要进行与编码器对接，并且进行参数的最后处理，其中主要有：接受编码器的输入；产生锚（anchor,俗一点来说就是框住物体的方框）；以及重新调整超参数的函数。好了，就到这里了，对于YOLO的解读。欢迎关注无神一起学机器学习。
YOLOV8改进-添加动态ODConv
qq_69854365的博客
09-12 5262
动态卷积的始祖是CondConv，其基于普通卷积改进。常规卷积只有一个静态卷积核且与输入样本无关，且会用到所有数据集上。此外，卷积神经网络的特点是，通过扩展宽度、深度、分辨率来提升网络模型的表现。在以往的注意力模型中，注意力主要是应用到特征图上。比如在特征图不同的通道上进行加权（SE Net），在特征图不同的空间位置加权（Spatial attention）。对于动态卷积来说，它对多个卷积核进行线性加权，而加权值则与输入有关，这就使得动态卷积具有输入依赖性。
yolov8添加注意力机制
weixin_51230935的博客
10-16 793
参考这篇文章我使用的是yolov8最新的项目文件，参考上面这篇文章的第二种添加方法。
DETR系列：RT-DETR（一） 论文解析
热门推荐
lansebingxuan的专栏
06-26 1万+
实时目标检测(Real-Time Object Detection )过去一直由 YOLO 系列模型主导。YOLO 检测器有个较大的待改进点是需要 NMS 后处理，其通常难以优化且不够鲁棒，因此检测器的速度存在延迟。2020年DETR算法诞生，Detr是第一个基于transformer的端到端算法，没有anchor前处理和NMS后处理，但是Detr收敛慢，训练慢，推理也慢，尽管后续的优化算法不断加快收敛速度，提升推理速度，但仍然无法实现实时要求。
RT-DETR算法优化改进：backbone改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024
05-29 342
微软新作StarNet：超强轻量级Backbone | CVPR 2024
RT-DETR算法优化改进：解决rt-detr无法打印计算量（GFLOPs）的问题点
12-28 1764
本文内容：解决rt-detr无法打印计算量的问题点；本文提供：1）训练阶段自动打印计算量；2）提供离线打印计算量的代码；
简单聊聊目标检测新范式RT-DETR的骨干：HGNetv2
chenxiangrong的博客
04-27 3207
本文版权属于GiantPandaCV，未经许可，请勿转账！前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。
HGNetv2
whaosoft143ai的博客
04-28 3187
前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。 whaosoft aiot http://143ai.com 总体而言，HGNet还是一个比较低调的网络，官方也没有过多宣传，但是好不好用，依旧还是使用者说了算，后续如果DETR变体可以在国内常见的板端成熟落地，如瑞芯微，地平线，高通等芯片上适配，会给使用者带来更多的选择。
YOLOv8 更换主干网络之 HGNetV2
YOLOv8项目贡献者
01-21 2175
YOLOv8 更换主干网络之 HGNetV2
无需nms，onnxruntime20行代码玩转RT-DETR
xianyu624的博客
05-05 336
RT-DETR是由百度近期推出的DETR-liked目标检测器，该检测器由HGNetv2、混合编码器和带有辅助预测头的Transformer编码器组成，整体结构如下所示。本文将采用RT-DETR两种不同风格的onnx格式，使用onnxruntime20行代码，无需nms操作即可实现简易部署推理.
Segmentation：HRnetv2+OCR 个人总结
目前涉及领域：目标检测，语义分割以及数字图像处理
07-02 5405
该文章是介绍在语义分割场景下的HRNetV2+OCR网络。内容主要包括网络框架原理，数据流程图和部分源码的展示。
【Gradio应用】工业异常行为检测
dddlli的博客
06-14 499
✨RT-DETR✨是第一个实时端到端目标检测器。具体而言，我们设计了一个高效的混合编码器，通过解耦尺度内交互和跨尺度融合来高效处理多尺度特征，并提出了IoU感知的查询选择机制，以优化解码器查询的初始化。此外，RT-DETR支持通过使用不同的解码器层来灵活调整推理速度，而不需要重新训练，这有助于实时目标检测器的实际应用。
yolov7魔鬼面具
08-28
Yolov7是一个目标检测算法，它是基于深度学习的YOLO（You Only Look Once）系列算法的一种改进版本。通过使用卷积神经网络，它能够在图像中快速而准确地检测出多个目标，并为每个目标提供相应的边界框和类别。 关于"魔鬼面具"，可能是指一种特定的面具或者与魔鬼相关的主题面具。对于Yolov7来说，它并没有特定与"魔鬼面具"相关的功能或限制。Yolov7只是一个目标检测算法，可以用于识别各种目标，包括人脸、车辆、动物等等。 如果你有关于Yolov7和目标检测的其他问题，我会尽力回答。
评论
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

AI小怪兽

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