YOLOv8全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新

已于 2024-06-06 09:02:09 修改
阅读量1.5k 收藏 5
点赞数 23
分类专栏： YOLOv8原创自研 文章标签： YOLO 网络 目标检测 人工智能 计算机视觉
于 2024-04-09 08:51:03 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/137511908
版权
YOLOv8原创自研 专栏收录该内容
116 篇文章 116 订阅 ¥259.90 ¥399.90
订阅专栏
本文介绍了YOLOv8网络的独家改进，即变形条状卷积（DSCN）和DCNv3的创新结合，称为DSAN。通过去除DCNv3的Mask并调整插值方式，提高了运算速度。详细讲述了将DSCN整合到YOLOv8的步骤，包括源码下载、编译、新建文件及修改配置文件。DSAN在保持轻量化的同时，提升了目标检测的速度和性能。
摘要由CSDN通过智能技术生成

 💡💡💡本文独家改进： 变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度

 💡💡💡强烈推荐：先到先得，paper级创新，直接使用；

 💡💡💡创新点：1）去掉DCNv3中的Mask；2）空间域上的双线性插值转改为轴上的线性插值；

 💡💡💡如何跟YOLOv8结合：1）和C2f创新性结合

 改进1结构图如下：

 改进

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
YOLOv8改进有效涨点系列-＞多位置替换可变形卷积(DCNv1、DCNv2、DCNv3)
Snu77的博客
11-05 1万+
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，它有三个版本分别是DCNv1、DCNv2、DCNv3，在本篇博文中会分别进行介绍同时进行对比，通过本文你可以学会在YOLOv8中各个位置添加可变形卷积包括(DCNv1、DCNv2、DCNv3)，可替换的位置包括->替换C2f中的卷积、DarknetBottleneck中的卷积、主干网络(Backbone)中的卷积等多个位置。
Yolov8-pose关键点检测：卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
05-07 384
变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度
YOLOv10改进，YOLOv10添加DCNv3可变性卷积与C2f结构融合(无需编译)
weixin_44779079的博客
08-28 221
可变形卷积，具有与MHSA相似的有利属性，并且在大规模模型中足够高效。从可变形卷积开始，构建了一个大规模的卷积神经网络 (CNN)。
YOLOv8改进——引入可变形卷积DCNv3
热门推荐
zyw2002的博客
08-21 2万+
本文只讲解在YOLOv8的代码中添加DCNv3的操作流程, 具体的原理参见上述的链接~是pytorch实现的版本，只要基础的pytorch环境安装正确就不会出错。是C++实现版本，必须先在上一步编译成功，或者安装好了轮子，否则会报错。但是在实际的训练过程中，C++版本的运行速度更快，推荐使用C++版本。(具体怎么修改，都可以自己决定，然后通过实验看看效果如何)文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。中，下图中的列表里添加。
YOLOv8-Pose推理详解及部署实现
周同学的博客
11-07 1万+
YOLOv8-Pose推理详解及部署实现
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
Rachel321的专栏
04-26 5543
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
Yolov8-pose：从零开始训练Yolov8关键点检测模型
最新发布
CITY_OF_MO_GY的博客
10-01 1067
YOLO、关键点检测
YOLOv5全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
04-09 878
强烈推荐：先到先得，paper级创新，直接使用；
YOLOv7全网独家改进: 卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
04-10 733
变形条状卷积，DCNv3改进版本，不降低精度的前提下相比较DCNv3大幅度运算速度
YOLOv8-Seg原创改进：卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
会AI的学姐
07-09 195
变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度
YOLOv8原创改进：卷积魔改 | 变形条状卷积，魔改DCNv3二次创新
会AI的学姐
07-09 201
变形条状卷积，DCNv3改进版本，小幅涨点的前提下相比较DCNv3大幅度运算速度
YOLOv8改进，YOLOv8添加DCNv3可变性卷积，无需编译
weixin_44779079的博客
06-25 2373
DCNv3在DCNv2版本上进行了改进，上一期我们在YOLOv8中添加了DCNv2，这一期我们将添加DCNv3，DCNv3代码详解可以参考链接:代码详解——可变形卷积（DCNv3）
YOLOv8 Pose~瑜伽姿势识别
whaosoft143ai的博客
04-19 1602
随着人们对瑜伽的兴趣日益浓厚，对能够准确分类瑜伽姿势的自动化系统的需求也越来越大。本文中我们将探讨如何使用 YOLOv8 Pose（一种先进的对象检测模型）对图像和视频中的瑜伽姿势进行分类。A. 将您的 roboflow 数据集或手动注释的数据集上传到 Google Drive 的单独文件夹（例如 Yoga）中，以便在 Colab 中轻松访问。在开始之前，需要一个包含各种瑜伽姿势的图像或视频的数据集，以及身体关键点的相应标注。C. 安装所需的依赖项： ​​​​​​​。whaosoft aiot htt
【YOLOv8改进 - 卷积Conv】DCNv3： 可变形卷积，结合稀疏注意力机制与卷积的创新算子
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。
07-25 1045
【YOLOv8改进 - 卷积Conv】DCNv3： 可变形卷积，结合稀疏注意力机制与卷积的创新算子
YOLOv8-pose（1）- 关键点检测数据集格式详解+快速训练+预测结果详解
qq_40387714的博客
07-20 7761
实现YOLOv8-pose的快速使用：yolov8-pose关键点检测数据集的格式、标注与迭代；实现训练一个yolov8-pose模型；输出测试结果与分析。
涨点神器：Yolov5/Yolov7引入CVPR2023 InternImage：注入新机制，扩展DCNv3，助力涨点，COCO新纪录65.4mAP！
04-17 3931
目标检测和语义分割基准的大量实验验证了InternImage-DCNV3可以获得与经过大量数据训练的精心设计的大规模视觉转换器相当或更好的性能，这表明CNN也是大规模视觉基础模型研究的一个相当大的选择。Yolov5/Yolov7引入CVPR2023 InternImage：注入新机制，扩展DCNv3，助力涨点，COCO新纪录65.4mAP！ 2）通过引入CVPR2023 DCNV3和MetaNeXtStage思想，在钢铁缺陷中取得涨点，且相比较于发表的一些论文，创新新颖程度好很多，有需要自取可以在自己数据集
YOLOv8-pose（2）- 绘制和使用姿态关键点
qq_40387714的博客
07-22 3138
对姿态估计获取的关键点（不限于YOLOv8）进行可视化和使用（包括用于网络训练等）。
yolov8Pose实战
wqthaha的专栏
06-03 5251
想测试下yolov8的效果吗？手把手教你从头运行yolo8，并打开摄像头测试人体姿态。关注我吧！！！
yolov8pose 瑞芯微 RKNN 的 C++部署
zhangqian_1的博客
09-25 3850
上两篇博客和写了yolov8检测的C++部署和yolov8pose仿真部署。有网友希望开源yolov8pose在板子上部署的C++代码。这一篇写写基于rknn板子对yolov8pose进行C++部署，并开源提供完整的代码、模型、使用流程，供网友自行进行测试验证。【完整代码】
yolov8改进卷积
08-31
Yolov8是对YOLO（You Only Look Once）目标检测算法的改进版本。在Yolov8中，卷积操作也进行了改进。具体来说，Yolov8引入了一些新的卷积模块和技术，以提高检测性能和准确度。 其中一个改进是采用了CSPDarknet53作为主干网络。CSPDarknet53是一个深度残差网络，它在Darknet53的基础上添加了CSP（Cross Stage Partial）连接。CSP连接可以减少参数数量和计算量，并提高特征表示能力。 此外，Yolov8还使用了SAM（Spatial Attention Module）和SAMBlock来引入注意力机制。SAM可以自适应地学习图像中重要区域的特征，并提高目标检测的精度。 Yolov8还引入了PANet（Path Aggregation Network）模块，用于融合不同尺度的特征图。通过PANet，Yolov8可以更好地处理不同大小的目标，并提高检测的准确性和鲁棒性。 除了这些改进之外，Yolov8还使用了更大的输入分辨率、更多的训练数据和数据增强方法，以进一步提升检测性能和鲁棒性。总体而言，通过改进卷积操作和引入新的模块和技术，Yolov8在目标检测任务上取得了更好的结果。
评论 4
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