💡💡💡本文方法:
1)SPDConv模块:为了更好的提取输入数据中的关键结构信息,我们使用spdconv替换了原有的卷积模块,这一替换有效提升了模型在复杂环境下的特征提取能力,增强了模型对小目标和微弱目标的检测能力。
2)MLCA模块:将mlca模块嵌入到骨干网络中,使模型可以有效地在不同通道的特征图上进行局部与全局的优先级区分,从而捕获更精细、更全面的特征信息,提升模型的细节处理能力。
3)MSDA模块:在模型的head部分引入msda,增强模型的多尺度特征学习的能力,能够有效的处理不同尺度下的目标信息,提升模型对复杂场景中微小目标的鲁棒性。
💡💡💡轻量化比较:计算量由238.9 GFLOPs降低至 35.2 GFLOPs
yolov9-c summary: 962 layers, 51004210 parameters, 51004178 gradients, 238.9 GFLOPs
SML-YOLO summary: 1038 layers, 32675132 parameters, 32675100 gradients, 35.2 G