YOLOv9改进策略 ：neck优化 | 路径融合GFPN，小目标到大目标一网打尽 | 轻骨干重Neck的轻量级目标检测器GiraffeDet

已于 2024-03-30 23:00:28 修改
阅读量2k 收藏 39
点赞数 32
分类专栏： YOLOv9魔术师 文章标签： transformer 深度学习 人工智能 目标检测 YOLO
于 2024-03-28 20:01:38 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/m0_63774211/article/details/137112480
版权
本文介绍了YOLOv9的改进策略，采用GFPN（路径融合）增强网络，结合六种检测头，提高小目标检测性能。YOLOv9通过轻量级网络GiraffeDet的重颈设计，改善信息传递，解决信息瓶颈问题。作者提供创新代码和网络结构图，适用于目标检测、分割、姿态估计等多个任务。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  💡💡💡本文改进内容：设计了一种新的路径融合GFPN：包含跳层与跨尺度连接，改进思路来自ICLR2022 GiraffeDet的核心思想。

 💡💡💡GFPN和六个检测头结合，这种跳层与跨尺度连接的能够大幅提升小目标检测性能

 改进结构图如下：

《YOLOv9魔术师专栏》将从以下各个方向进行创新：

【原创自研模块】

了解本专栏 订阅专栏 解锁全文
YOLOv11改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v11颈部网络
Limiiiing的博客
10-16 1172
本文记录的是利用颈部结构优化YOLOv11的目标检测网络模型。利用改进后的颈部网络，通过跳层连接，避免了在进行反向传播时的梯度消失问题，并且引入跨尺度连接，可以实现不同级别和层次的特征充分融合，获取足够的高层语义信息和低层空间信息交换，从而在大规模变化场景下提高检测性能。GIRAFFEDET: A HEAVY-NECK PARADIGM FOR OBJECT DETECTION-GFPN包含了上述的跳层连接（dense-link和log2nlog _{2} nlog2​n-link）以及跨尺度连接（Quee
YOLOv12改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v12颈部网络
最新发布
Limiiiing的博客
03-09 289
本文记录的是利用颈部结构优化YOLOv12的目标检测网络模型。利用改进后的颈部网络，通过跳层连接，避免了在进行反向传播时的梯度消失问题，并且引入跨尺度连接，可以实现不同级别和层次的特征充分融合，获取足够的高层语义信息和低层空间信息交换，从而在大规模变化场景下提高检测性能。GIRAFFEDET: A HEAVY-NECK PARADIGM FOR OBJECT DETECTION-GFPN包含了上述的跳层连接（dense-link和log2nlog _{2} nlog2​n-link）以及跨尺度连接（Quee
YOLOv9理性解读 | 网络结构&损失函数&耗时评估
kabuto_hui的博客
02-29 7414
由台北中研院和台北科技大学等机构的研究团队推出的新的目标检测算法，一作Wang Chien-Yao也是Yolov4、Yolov7的作者之一，之前在Alexey Bochkvoskiy(Yolov4的第一作者)的团队中。
【YOLOv8改进 - 特征融合NECK】 GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征
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。
07-16 1828
在传统的目标检测框架中，通常采用从图像识别模型继承的主干网络来提取深层潜在特征，然后通过颈部模块融合这些潜在特征，以捕捉不同尺度的信息。由于目标检测中的分辨率远高于图像识别，主干网络的计算成本往往占据总推理成本的主要部分。这种重型主干设计范式主要是由于将图像识别模型转移到目标检测中时的历史遗留，而不是针对目标检测进行的端到端优化设计。在本研究中，我们表明这种范式确实导致了次优的目标检测模型。为此，我们提出了一种新颖的重型颈部范式，GiraffeDet，这是一种类长颈鹿的高效目标检测网络。
YOLOv11改进 | Neck篇 | YOLOv11引入GFPN
tsg6698的博客
10-04 791
GiraffeDet使用了一个非常轻量级的主干和一个非常深和大的颈部模块，这有助于在不同的空间尺度以及不同层次的潜在语义之间同时进行密集的信息交换。在多个常用的目标检测基准测试上的数值评估表明，GiraffeDet在各种资源约束下的性能始终优于之前的SOTA模型。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~
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
05-28 6081
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
YOLOv8-Seg改进： 分割小目标系列篇 | 小目标分割到大目标分割一网打尽的GFPN
会AI的学姐
11-10 1029
一种新的路径融合GFPN，包含跳层与跨尺度连接，助力YOLOv8-seg Neck，实现创新 ；GFPN在不同分割场景均有涨点的表现，尤其适合存在不同大小分割尺寸的场景
Yolov5/Yolov7改进：小目标到大目标一网打尽，轻骨干重Neck的轻量级目标检测器GiraffeDet
05-11 2553
小目标到大目标一网打尽！阿里提出首个轻骨干重Neck的轻量级目标检测器GiraffeDet。将GFPN引入到yolov5。在NEU-DET钢材表面缺陷任务中map从原始的0.742提升到0.765
Yolov8改进：小目标到大目标一网打尽，轻骨干重Neck的轻量级目标检测器GiraffeDet
05-11 3568
小目标到大目标一网打尽！阿里提出首个轻骨干重Neck的轻量级目标检测器GiraffeDet。将GFPN引入到yolov8。
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。
YOLOv10涨点改进： 特征融合创新 | 一种新的路径融合GFPN：包含跳层与跨尺度连接 ，小目标到大目标一网打尽
06-04 801
一种新的路径融合GFPN：包含跳层与跨尺度连接 ，小目标到大目标一网打尽
【GFPN代码解读】搭建图神经网络
weixin_45935290的博客
06-25 1657
首先我们可以从train文件中定位到我们搭建图神经网络的部分，位于graph_FeaturePyramid这个类中。
yolov5添加damoyolo GFPN模块
athrunsunny的博客
02-07 7784
DAMO yolo在提出前阿里就推出了一个叫GIRAFFEDET的模型，主推轻backbone重neck的网络结构，使得网络更关注于高分辨率特征图中空间信息和低分辨率特征图中语义信息的信息交互。同时这个设计范式允许检测网络在网络早期阶段就以相同优先级处理高层语义信息和低层空间信息，使其在检测任务上更加有效。不过这里主要讲的不是 GiraffeDet，而是将这一思想应用在yolov5中。
YOLOv5算法进阶改进（16）— 更换Neck网络之GFPN（源自DAMO-YOLO）
突然好想你
02-24 1813
GFPN（Global Feature Pyramid Network）是一种用于目标检测的神经网络架构，其核心思想是引入全局特征金字塔，通过多尺度的特征融合来提取更丰富的语义信息。本文所作的改进是将YOLOv5的Neck网络更换为GFPN。
YoloV5+DAMOYOLO:将DAMOYOLO中的GFPN结构与Yolov5结合
qianxun
01-05 6462
前段时间写了一篇damoYolo的训练教程，同时也对自己的数据集进行了训练，虽然效果确实不是很好，但是damoyolo的一些思想和网络结构啥的还是可以借鉴使用的，此次将damoyolo的RepGFPN结构掏出来放到v5的NECK中，测试一下对本人的数据集(小目标)效果比v5要好，大概提升2个点左右。对比之下参数量和FLOPs确实有增加，但同时map也相应地增加了，这种的增加不大，还是可以接受的。damoyolo的整体结构我们是无法看到的因为他的主干网络是。里面是txt文件，RepGFPN是可以看到的。
YOLOv5改进：更换Neck（结合BiFPN，ASFF）
07-10
PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5更换Neck的改进方法，结合BiFPN或ASFF特征融合机制来提高其性能。本课程在YOLOv5 v6.1版本代码的基础上更换Neck，在Windows系统和Ubuntu系统上演示针对自己的数据集结合BiFPN或ASFF特征融合机制、重头训练和性能评估过程，并讲解BiFPN和ASFF特征融合原理以及针对结合BiFPN或ASFF特征融合的代码修改部分。项目实战过程包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练网络模型以及性能评估。相关课程：《YOLOv5改进：更换骨干网》 https://download.csdn.net/course/detail/37465《YOLOv5改进：添加注意力机制》 https://download.csdn.net/course/detail/37530 《YOLOv5改进：更换Neck（结合BiFPN,ASFF）》 https://download.csdn.net/course/detail/37577
GIRAFFEDET: A HEAVY-NECK PARADIGM FOROBJECT DETECTION（中文翻译）
weixin_42182534的博客
04-18 1869
ABSTRACT 在传统的目标检测框架中，继承自图像识别模型的骨干主体提取深度潜在特征，然后由颈部模块融合这些潜在特征来获取不同尺度的信息。由于目标检测的分辨率远大于图像识别，因此主干的计算代价往往占主导地位。这种重主干设计范式主要是由于将图像识别模型转移到目标检测时的历史遗留问题，而不是目标检测的端到端优化设计。在这项工作中，我们表明，这种范式确实导致次优的目标检测模型。为此，我们提出了一个新的重颈范式，GiraffeDet，一个类似长颈鹿的网络，用于有效的目标检测。GiraffeDet使...
​目标检测算法——YOLOv5/YOLOv7改进之结合Criss-Cross Attention
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-01 6682
目标检测算法——YOLOv5/YOLOv7改进之结合Criss-Cross Attention
评论 7
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