YOLOv8首发改进： 注意力魔改 | 高效的部分自注意力（PSA）模块，来自YOLOv10

已于 2024-05-30 14:41:34 修改
阅读量461 收藏 1
点赞数
分类专栏： YOLOv8原创自研 YOLOv8魔术师 YOLOv5/YOLOv7/YOLOv8最新改进大作战 文章标签： YOLO 算法 microsoft 计算机视觉 人工智能
于 2024-05-30 10:48:54 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/139297849
版权
YOLOv8原创自研 同时被 3 个专栏收录 该专栏为热销专栏榜 第10名
105 篇文章 81 订阅 ¥299.90 ¥399.90
订阅专栏
YOLOv5/YOLOv7/YOLOv8最新改进大作战
102 篇文章 44 订阅 ¥299.90 ¥399.90
订阅专栏
YOLOv8魔术师
100 篇文章 345 订阅 ¥299.90 ¥399.90
订阅专栏

  💡💡💡创新点：引入YOLOv10中的一种高效的部分自注意力（PSA）模块设计，在1×1卷积后将特征均匀地分为两部分。我们只将一部分输入到由多头自注意力模块（MHSA）和前馈网络（FFN）组成的NPSA块中。然后，两部分通过1×1卷积连接并融合。

在V10上验证涨点可行性，引入到v8进行应用

💡💡💡如何跟YOLOv8结合：PSA加入到backbone ，结构图如下

收录

YOLOv8原创自研

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
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 2853
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 3685
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）
YOLOv8改进 | 注意力机制 | 迈向高质量像素级回归的极化自注意力【全网独家】
最新发布
kay_545
06-27 974
yolov8改进，yolov8，注意力机制
yolov10训练
shilichangtin的博客
05-30 1262
yolov10训练教程
YOLOv10 | 手把手教你利用yolov10训练自己数据集（含环境搭建、参数解析 、数据集查找、模型训练、推理、导出）
热门推荐
Snu77的博客
05-26 1万+
本文内含YOLOv10网络结构图 + 各个创新模块手撕结构图 + 训练教程 + 推理教程 + 参数解析 + 环境搭建 + 数据集获取等一些有关YOLOv10的内容！目录一、前言二、整体网络结构图三、空间-通道分离下采样3.1 SCDown介绍3.2 C2fUIB介绍3.3 PSA介绍四、环境搭建五、数据集获取六、模型获取七、模型训练7.1 训练的三种方式7.1.1 方式一7.1.2 方式二（推荐）7.1.3 方式三八、模型验证/测试九、模型推理十、模型输出官方论文地址点击此处即可跳转。
YOLOv10训练自己的数据集
qq_54134410的博客
06-03 2407
至此，整个YOLOv10的训练预测阶段完成，与YOLOv8差不多。欢迎各位批评指正。
使用YOLOv10训练自己的数据集
BiGmowang的博客
06-01 1181
（超详细）Python+PyCharm的安装步骤及PyCharm的使用（含快捷键）_python pycharm-CSDN博客。总体效果还是比其他版本好很多的，但是我的训练时间貌似比v8长不少，这里论文中也给出了解释。直接选用大家都有cpu训练，如果要使用GPU，将值改为0 即可，GPU使用依赖与yolov8一致。yolov10封装的很好，使用起来没什么难度，参考官方给的文档就能跑起来。使用PyCharm打开下载的yolov10源码，右下角切换到创建的环境。参考两位博主的论文分析。
yolov10改进.docx
06-08
部分自注意力（PSA）模块：YOLOv10引入了PSA模块来增强模型的全局表示学习能力，同时控制计算复杂度。 实验结果：YOLOv10在不同模型尺寸上实现了最先进的性能和端到端延迟，例如YOLOv10-S在COCO数据集上与RT-DETR-...
雷神雷达FMAC组件PSA2电源模块维修-论文
05-21
雷神雷达FMAC组件PSA2电源模块维修
汽车干货技术文档资料之-（动力总成）类38个合集.zip
12-30
汽车干货技术文档资料之-（动力总成）类38个合集： 103页PPT】收藏：丰田自动变速箱讲义.pdf ...解析大众1.2T与PSA 1.2T发动机.pdf 解析大众1.2T与PSA1.2T发动机.doc 干货 23张发动机原理动态图 简单易懂！.pdf 干货 l
ietf-corim-cddl:Corim和PSA I-D的CDDL部分
04-18
标题 "ietf-corim-cddl:Corim和PSA I-D的CDDL部分" 指的是一个关于CORIM（Conceptual Data Model）和PSA（Platform Security Architecture）规范的I-D（Internet-Draft）文档中涉及到的CDDL（Common Data ...
奥托尼克斯PSA/PSB压力传感器样本.pdf
10-25
奥托尼克斯PSA/PSB压力传感器样本pdf,提供奥托尼克斯PSA/PSB压力传感器样本资料下载，资料主要介绍了PSA/PSB压力传感器的规格参数及产品外形尺寸等
YOLOv10 自定义数据训练
Warmer_Sweeter
05-30 1273
点击下方卡片，关注“小白玩转Python”公众号在计算机视觉快速发展的世界中，YOLO（You Only Look Once）系列在实时目标检测方面一直设定了基准。最新版本YOLOv10有望进一步突破这些界限。在这篇博客文章中，我们将探讨YOLOv10的架构，重点介绍其主要特性，讨论它如何优于其前辈，并在自定义数据集上进行训练。介绍YOLOv10在其前代基础上进行改进，解决了后处理和模型架构中的局...
YOLOv10代码详细介绍（附录训练教程和权重）
小嘤熊的博客
05-28 3237
YOLOv10 是清华大学研究人员在 UltralyticsPython 清华大学的研究人员在 YOLOv10软件包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。通过消除非最大抑制（NMS）和优化各种模型组件，YOLOv10 在显著降低计算开销的同时实现了最先进的性能。并用大量实验证明，YOLOv10 在多个模型尺度上实现了卓越的精度-延迟权衡。YOLOv10与v8结构相比，从结构上看添加了PSA和在C2f结构中添加了CBI结构，去掉了NMS。
模型训练篇 | yolov10来了！手把手教你如何用yolov10训练自己的数据集（含网络结构 + 模型训练 + 模型推理等）
突然好想你
06-04 1万+
YOLOv10推出的消息引发了AI界的关注，它被认为是计算机视觉领域的突破性框架，以实时的端到端目标检测能力而闻名，通过提供结合效率和准确性的强大解决方案，延续了YOLO系列的传统。新版本发布之后，很多人已经进行了部署测试，效果不错，本节课就带领大家如何基于YOLOv10训练模型并推理测试！~🌈
手把手教你使用YOLOv10训练自己数据集（含环境搭建 、数据集查找、模型训练、测试）
tsg6698的博客
06-11 2782
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。
搭建YOLOv10环境 训练+推理+模型评估
Dora_blank的博客
05-29 6233
本文将详细介绍跑通YOLOv10的流程，并给各位提供用于训练、评估和模型推理的脚本。
【YOLOv10的使用】YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
静谧、淡雅
05-29 1659
YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
yolov10 使用自己的数据集训练目标检测模型
qq_30895747的博客
05-28 1072
yolov10训练自己的数据集
改进yolov5 极化自注意力 psa
12-13
Yolov5是一种常用于目标检测的神经网络模型，而极化自注意力PSA是一种用于增强特征表示的注意力机制。如何在Yolov5模型中改进和应用PSA？ 要改进Yolov5模型并应用PSA，可以按照以下步骤进行： 1. 理解Yolov5模型结构：首先，需要深入了解Yolov5模型的网络结构，包括骨干网络、特征提取层、检测层等。这有助于我们了解如何集成PSA注意力机制。 2. 研究极化自注意力PSA：PSA注意力机制可以增强特征表示和区分能力，我们需要详细了解PSA自注意力的工作原理和数学表达式，以及如何将其与Yolov5模型相结合。 3. 修改Yolov5模型结构：在Yolov5模型中引入PSA注意力机制，通常可以通过插入新的PSA模块来实现。这个模块应该被放置在适当的层级上，以确保在特定阶段捕获和加强有用的特征信息。 4. 模型训练和调优：完成模型修改后，需要重新训练Yolov5模型，并根据实际数据集进行调优。这可能需要在训练阶段进行多次试验和验证，以找到有效的超参数和最佳的模型性能。 5. 模型评估和性能比较：在完成训练后，需要对改进后的Yolov5模型进行评估。通过使用测试集数据，计算模型的精确度、召回率、mAP等指标，以及与原始Yolov5模型的性能比较，以验证PSA在模型性能上的改进。 通过以上步骤，我们可以将PSA注意力机制有效地集成到Yolov5模型中，从而改进模型的特征表示能力和目标检测性能。进一步的改进可以包括调整PSA模块的参数、模型融合技术等。这些努力有望提高模型的准确性和鲁棒性，使其在目标检测任务中更具优势。
评论 1
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