YOLOv8首发改进： 轻量级改进 | C2fUIB：紧凑反转块（CIB）结构结合C2f，来自YOLOv10

已于 2024-05-27 14:02:21 修改
阅读量1.1k 收藏 2
点赞数
分类专栏： YOLOv8原创自研 YOLO轻量化模型 文章标签： YOLO microsoft 人工智能 目标检测 计算机视觉
于 2024-05-27 13:33:49 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/139235610
版权
YOLOv8原创自研 同时被 3 个专栏收录
116 篇文章 116 订阅 ¥259.90 ¥399.90
订阅专栏
YOLOv8魔术师
105 篇文章 354 订阅 ¥129.90 ¥299.90
订阅专栏
YOLO轻量化模型
36 篇文章 29 订阅 ¥199.90 ¥299.90
订阅专栏
本文介绍了YOLOv8的改进版，结合YOLOv10的紧凑反转块（CIB）结构，通过C2fUIB提升效率。YOLOv8n的GFLOPs从8.2降至6.6，同时探讨了无NMS训练的双标签分配策略，以及基于效率和精度的模型设计。文章提供了YOLOv10的代码解释和CIB如何整合到YOLOv8的步骤。
摘要由CSDN通过智能技术生成

 💡💡💡创新点：引入YOLOv10中的紧凑反转块（CIB）结构，该结构采用廉价的深度卷积进行空间混合和成本效益高的点卷积进行通道混合

 💡💡💡参数量比较，YOLOv8n GFLOPs从原始的8.2显著降低至6.6 GFLOPs

YOLOv8 summary: 225 layers, 3019818 parameters, 3019802 gradients, 8.2 GFLOPs
YOLOv8-C2fCIB summary: 325 layers, 2313802 parameters, 2313786 gradients, 6.6 GFLOPs

💡💡💡如何跟YOLOv8结合：CIB结合C2f从而替代YOLOv8的C2f，结构图如下

​

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
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 4670
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;
YOLOv10真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
05-27 5848
真正实时端到端目标检测（原理介绍+代码详见+结构框图）| YOLOv10如何训练自己的数据集（NEU-DET为案列）
细读YOLOv10：实时端到端对象检测的笔记
m0_73730717的博客
08-16 1063
我将作者摘要内容简短： YOLOv10针对之前工作分析，发现NMS（非极大值抑制）后续处理依赖阻碍YOLO 的端到端部署，且对推理延迟不友好。此外，他们还发现yolo结构中计算冗余明显，限制了模型的能力。在这项工作中，作者的目标是从后处理和模型架构两个方面进一步推进YOLO的性能效率边界。为此，作者首先提出了一致的双重分配的NMS自由训练的YOLO，这带来了竞争力的性能和低推理延迟的同时。此外，作者从效率和准确性两个角度全面优化了YOLO的各个组件，不但降低了计算开销，提高了性能。
爆改YOLOv8|利用yolov10的C2fCIB改进yolov8-高效涨点
最新发布
weixin_43986124的博客
09-04 1143
yolov8，yolov10,C2fCIB,yolov8改进C2f
【YOLOv10训练】：报错AttributeError: ‘str‘ object has no attribute ‘view‘ 解决方法
retainenergy的博客
05-26 853
YOLOv10是在YOLOv8基础上修改的，即：训练方法和过程是相同的。
YOLOV10原理解析，实时端到端目标检测
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。
05-28 2549
近年来，YOLO模型由于其在计算成本和检测性能之间的有效平衡，已成为实时目标检测领域的主流范式。研究人员在YOLO的架构设计、优化目标、数据增强策略等方面进行了深入探索，取得了显著进展。然而，YOLO依赖于非极大值抑制（NMS）进行后处理，这限制了YOLO模型的端到端部署，并对推理延迟产生不利影响。此外，YOLO各组件的设计缺乏全面和深入的检验，导致明显的计算冗余，限制了模型的能力。这使得效率不尽如人意，且有很大的性能提升潜力。所有的YOLO基本上都是由三部分组成的网络。
YOLOv10实时端到端目标检测
不会代码的小林
08-19 2336
距离上次写YOLOv5已经过去了两年，正好最近用YOLOv10重构了项目，总结下YOLOv10。YOLOv10真正实时端到端目标检测，那么什么是端到端？端到端目标检测是一种从原始数据输入到最终结果输出的直接过程，无需分步骤处理或人工干预。在YOLOv10中移除非最大抑制（NMS），从而减少了推理延迟。
YoloV10训练出现AttributeError: ‘str‘ object has no attribute ‘view‘
qq_45827409的博客
05-25 628
改成model = YOLOv10('ultralytics/cfg/models/v10/yolov10s.yaml')改成from ultralytics import YOLOv10。将train.py文件中的。
关于yolov10报错
qq_57120510的博客
05-27 1025
提醒：记得下面的model=YOLO（...）也要改成YOLOv10。
Yolov8-pose关键点检测：轻量级改进 | C2fUIB：紧凑反转块（CIB）结构结合C2f，来自YOLOv10
05-28 326
引入YOLOv10中的紧凑反转块（CIB）结构，该结构采用廉价的深度卷积进行空间混合和成本效益高的点卷积进行通道混合
YOLOv5首发改进： 轻量级改进 | 紧凑反转块（CIB）结构结合C3二次创新，来自YOLOv10
05-27 330
引入YOLOv10中的紧凑反转块（CIB）结构，该结构采用廉价的深度卷积进行空间混合和成本效益高的点卷积进行通道混合
RT-DETR算法优化改进：轻量级改进 | 紧凑反转块（CIB结合RepC3二次创新，来自YOLOv10
05-29 338
计算量比较，rtdetr-l GFLOPs从原始的108.0显著降低至77.1GFLOPs
YOLOv10涨点改进：轻量级改进 | 通用倒瓶颈（UIB）搜索块结合C2f二次创新 | 轻量化之王MobileNetV4
06-06 460
计算量参数量比较，从原始的8.4 GFLOPs降低至7.4 GFLOPs
YOLOv10 | 无NMS的YOLO | 实时端到端目标检测的新突破
kay_545
05-25 1733
YOLOv10，yolov8，yolov10
YOLOv10：实时端到端目标检测
TJMtaotao的博客，高校计算机教师
05-28 2208
在过去的几年里，YOLO因其在计算成本和检测性能之间的有效平衡而成为实时目标检测领域的主要范例。研究人员对 YOLO 的架构设计、优化目标、数据增强策略等进行了探索，取得了显着进展。然而，后处理对非极大值抑制（NMS）的依赖阻碍了 YOLO 的端到端部署，并对推理延迟产生不利影响。此外，YOLO中各个组件的设计缺乏全面彻底的检查，导致明显的计算冗余并限制了模型的能力。它提供了次优的效率，以及相当大的性能改进潜力。在这项工作中，我们的目标是从后处理和模型架构方面进一步提升 YOLO 的性能效率边界。
汇总利用YOLO8训练遇到的报错和解决方案（包含训练过程中验证阶段报错、精度报错、损失为Nan、不打印GFLOPs）
Snu77的博客
02-22 3340
这也是模型打印两次的区别，第一次打印出来的就是你选择模型的yaml文件结构，第二次打印的就是替换了你数据集的yaml文件，模型使用的是第二种。(2)多卡训练问题,修改模型以后不能支持多卡训练可以尝试下面的两行命令行操作，两个是不同的操作，是代表不同的版本现尝试第一个不行用第二个。这里是我早期写的一个环境搭建的教程，大家可以参考。
RT-DETR算法优化改进：轻量化自研设计双卷积重新设计backbone和neck，完成涨点且计算量和参数量显著下降
12-12 1417
双卷积由组卷积和异构卷积组成，执行 3×3 和 1×1 卷积运算代替其他卷积核仅执行 1×1 卷积，YOLOv8Conv，从而轻量化RT-DETR，性能如下表，GFLOPs8.1降低至7.6，参数量6.3MB降低至5.8MB
解决file.seek()读取文件报错：AttributeError: ‘str‘ object has no attribute ‘seek‘
热门推荐
呆萌的代Ma
11-07 1万+
seek是python处理文本文件的一个函数，报错的原因可能是并没有读取文件本身的数据，而是直接操作了文件的路径。 把代码改为open('文件')后再操作
【RT-DETR有效改进】轻量化ConvNeXtV2全卷积掩码自编码器网络
Snu77的博客
01-24 1433
本文给大家带来的改进机制是ConvNeXtV2网络，是一种新型的卷积神经网络架构，它融合了自监督学习技术和架构改进，特别是加入了全卷积掩码自编码器框架和全局响应归一化（GRN）层。我将其替换YOLOv8的特征提取网络，用于提取更有用的特征。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
seaborn relplot 时出现 AttributeError: ‘int‘ object has no attribute ‘view‘ 错误原因
XH生信和机器学习空间
09-22 4197
seaborn 是python中一个封装的包，可以很方便的做出多种图，而不需要想matplotlib中设置各种参数。我的数据结构如下： >>> data_1st.head() 其中sample_time 是分类变量，采样的天数。 尝试用sns.relplot 做出点图，不同的sample_type 用不同形状的点，不同sample_time的样本用不同颜色 >>> data_str=data_1st.copy() >>> sns.relplot(x=
评论 3
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