YOLO11涨点优化：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级

已于 2024-10-19 10:15:36 修改
阅读量712 收藏
点赞数 6
分类专栏： YOLO11魔术师 文章标签： 目标跟踪 人工智能 计算机视觉 目标检测 机器学习 python 算法
于 2024-10-17 09:24:57 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/142997466
版权

 💡💡💡本文原创自研改进：提出新颖的注意力BSAM（BiLevel Spatial  Attention Module），创新度极佳，适合科研创新，效果秒杀CBAM，Channel Attention+Spartial Attention升级为新颖的 BiLevel   Attention+Spartial Attention

 💡💡💡本文改进：1）作为注意力机制分别加入到YOLO11的backbone、neck、detect，助力涨点；2）结合C2PSA进行二次创新；

推荐指数：五星

BSAM |   亲测在多个数据集能够实现涨点，多尺度特性在小目标检测表现也十分出色。

💡💡💡提供多种yaml改进方法

了解本专栏 订阅专栏 解锁全文
YOLOv12源码分析+如何训练自己的数据集（NEU-DET缺陷检测为案列）
02-25 1499
本文内容：YOLOv12创新点A2C2f和Area Attention结构分析，以及如何训练自己的私有数据集
Yolov5/Yolov7 引入CVPR 2023 BiFormer: 基于动态稀疏注意力构建高效金字塔网络架构，对小目标涨点明显
热门推荐
03-23 1万+
Yolov5/Yolov7 引入CVPR 2023 BiFormer: 基于动态稀疏注意力构建高效金字塔网络架构，对小目标涨点明显
基于Yolov5的吸烟行为识别检测
韩若熙的博客
09-14 5927
上一篇《win10系统下Yolov5目标检测环境搭建（Anaconda3+Pytorch+Yolov5，CPU，无GPU）》中，介绍了win10系统下yolov5的环境搭建步骤，本篇在此环境下，实现吸烟行为识别检测。注意：修改自己对应的类别个数和类别名。
YOLOv8改进：注意力系列篇 | 动态稀疏注意力（BiLevelRoutingAttention） | CVPR2023
会AI的学姐
10-14 1771
动态稀疏注意力（BiLevelRoutingAttention），实现更灵活的计算分配和内容感知，使其具备动态的查询感知稀疏性，引入到YOLOv8，1）与C2f结合实现二次创新；2）注意力机制使用；
YOLOv5实现吸烟行为检测
小秋的博客
06-04 3974
首先需要安装anaconda和pycharm，安装过程参考这篇博客 安装好anaconda后在上面安装python3.8虚拟环境，打开anaconda终端，输入： 安装pytorch（gpu版本和cpu版本的安装） YOLOv5项目在CPU和GPU下均可运行，但是CPU运行速度很慢，当然使用已经训练好吸烟检测模型用来测试得出结果，CPU也是可行的，如果需要自己重新训练数据集，最好还是得有一个可用的英伟达的显卡。所以有显卡的可以安装GPU版本的Pytorch，只有CPU的直接安装CPU版本的pytorch。在
吸烟行为检测
a136522541的博客
03-29 1万+
@目录 项目概述 yolov5详解 优化方法 项目概述 项目的目标是设计出一个模型，用于检测普通大楼内外的行人是否存在吸烟的行为。项目硬件限制较大，需要用单个或数个GPU监控小区数百个摄像头，视频的取样频率只能达到一秒或者数秒一帧，因此基于时序的行为识别算法并不适用。经过初步考虑决定使用目标检测算法对图片中的香烟进行检测，目前精度较高且速度高部署方便的大概只有yolov5，因此本项目采取yolov5-4.0版本进行。https://github.com/ultralytics/yolov5/tree/v4.
YOLOv12涨点优化：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
最新发布
03-05 304
提出新颖的注意力BSAM（BiLevel Spatial  Attention Module），创新度极佳，适合科研创新，效果秒杀CBAM，Channel Attention+Spartial Attention升级为新颖的 BiLevel   Attention+Spartial Attention
Yolov8-pose关键点检测：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
07-03 720
原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
YOLOv8独家原创改进：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
11-04 5870
提出新颖的注意力BSAM（BiLevel SpatialAttention Module），创新度极佳，适合科研创新，效果秒杀CBAM，Channel Attention+Spartial Attention升级为新颖的BiLevel Attention+Spartial Attention
YOLOv9改进策略 ：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
03-31 1373
自研独家创新BSAM注意力 ，基于CBAM升级
YOLOv5吸烟行为检测代码+训练好的吸烟行为检测模型+5000标注好的吸烟行为检测数据集
06-04
1、YOLOV5吸烟行为检测，两种训练好的模型，内含各种训练曲线图，并包含数据集， 5000多张使用lableimg软件标注软件标注好的吸烟数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为smoke; 可以直接用于YOLO系列的吸烟行， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的
YOLOv8改进有效涨点系列-＞适合多种检测场景的BiFormer注意力机制(Bi-level Routing Attention)
Snu77的博客
11-02 8471
本文手把手教你添加Biformer注意力机制，通过实战的方式帮你理解，BiFormer是一种结合了Bi-level Routing Attention的视觉Transformer模型，BiFormer模型的核心思想是引入了双层路由注意力机制。在BiFormer中每个图像块都与一个位置路由器相关联。这些位置路由器根据特定的规则将图像块分配给上层和下层路由器。上层路由器负责捕捉全局上下文信息，而下层路由器则负责捕捉局部区域的细节。具体来说，上层路由器通过全局自注意力机制对所有图像块进行交互，并生成全局图像表示。
【目标检测】YOLO v5 吸烟行为识别检测
py_jie的博客
07-31 1万+
基于YOLO v5 的吸烟目标检测，制作吸烟数据集，训练模型，Windows界面，输出结果，效果较好！mAP值0.8，解决横向项目，毕设，工厂实际需求。
【保姆级教程|YOLOv8改进】【4】添加双层路由注意力机制：BiLevelRoutingAttention，性能和效率十分不错
阿旭的博客
01-31 4728
【保姆级教程|YOLOv8改进】【4】添加双层路由注意力机制：BiLevelRoutingAttention，性能和效率十分不错
【论文笔记】BiFormer: Vision Transformer with Bi-Level Routing Attention
AI爱好者的博客，分享计算机领域相关知识
12-26 2386
vision transformer中Attention是极其重要的模块，但是它有着非常大的缺点：计算量太大。BiFormer提出了Bi-Level Routing Attention，在Attention计算时，只关注最重要的token，由此来降低计算量。
突破小目标检测瓶颈：Yolov8引入CVPR 2023 BiFormer，基于动态稀疏注意力构建高效金字塔网络架构
一直在水些技术小文
11-10 1699
CVPR 2023中Yolov8引入BiFormer的创新性设计为小目标检测任务带来了重大突破。动态稀疏注意力和高效金字塔网络的结合使得BiFormer在目标检测领域成为了一颗耀眼的新星。通过本文的介绍和案例演示，我们希望读者能更深入地了解这一引人注目的技术，并期待它在未来的深度学习研究中发挥更大的作用。（注：本文中的示例代码仅为演示用途，实际应用中可能需要根据具体情况进行调整和优化。
Yolov8-pose关键点检测：涨点创新系列 | ​BiLevelRoutingAttention 动态稀疏注意力 | CVPR2023 BiFormer
09-10 1185
​BiLevelRoutingAttention | GFLOPs从9.6降低至8.5，参数量从6482kb降低至6134kb，mAP50从0.921提升至0.926
YOLOv5改进 | 注意力篇 | BiFormer双层路由注意力机制(Bi-level Routing Attention)
Snu77的博客
12-29 3853
BiFormer是一种结合了Bi-level Routing Attention的视觉Transformer模型，BiFormer模型的核心思想是引入了双层路由注意力机制。在BiFormer中，每个图像块都与一个位置路由器相关联。这些位置路由器根据特定的规则将图像块分配给上层和下层路由器。上层路由器负责捕捉全局上下文信息，而下层路由器则负责捕捉局部区域的细节。 具体来说，上层路由器通过全局自注意力机制对所有图像块进行交互，并生成全局图像表示。下层路由器则使用局部自注意力机制对每个图像块与其邻近的图像块进行
YOLOv8改进 添加动态稀疏注意力机制BiLevelRoutingAttention
分享一些自己改进代码的实例
12-31 1608
手把手教你在yolov8原结构中加入动态稀疏注意力机制BiLevelRoutingAttention，可以根据数据包的不同特征动态地选择最合适的路径，从而提高网络性能和效率。助力涨点！！！！！！
yolov8改进:原创独家首发 | 可变形自注意力attention,暴力涨点 | 即插即用系列
09-23
YOLOv8是YOLO系列目标检测算法的最新改进版本，该改进在可变形自注意力attention以及即插即用系列方面做出了重大突破。 首先，YOLOv8引入了可变形自注意力机制。该机制能够在原始特征图上实现局部自适应感受野，从而提升了目标检测的准确性和鲁棒性。传统的注意力机制是固定的，无法适应不同尺度和特征的变化，而可变形自注意力机制可以通过学习来获取最佳的感受野大小和位置。 其次，YOLOv8采用了暴力涨点的策略。传统的YOLO算法会导致小目标的检测效果较差，因为小目标的特征往往被大目标所掩盖。为了解决这个问题，YOLOv8使用了更多的特征图来检测小目标，从而提高了小目标检测的准确性。 此外，YOLOv8还引入了即插即用系列，使其更易于使用。这意味着用户只需加载预训练的权重文件，并配置相应的参数，即可快速使用YOLOv8进行目标检测，无需进行繁琐的训练和调参工作。这为广大用户提供了更高效、便捷的目标检测解决方案。 综上所述，YOLOv8在可变形自注意力attention、暴力涨点和即插即用系列方面的改进，极大地提升了目标检测算法的性能和易用性。通过这些改进，YOLOv8在目标检测领域具有重要的应用价值，能够更准确、高效地检测各种尺寸和类别的目标。
评论
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