RT-DETR魔术师
文章平均质量分 92
教会你使用并魔改创新RT-DETR,限时特价优惠中,后期会不断涨价!!!
优惠券已抵扣
余额抵扣
还需支付
¥199.90
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
AI小怪兽
YOLO骨灰级玩家,1)YOLOv5、v7、v8优化创新,轻松涨点和模型轻量化;2)目标检测、语义分割、OCR、分类等技术孵化,赋能智能制造,工业项目落地经验丰富;订阅者私信添加本人微信!!!
展开
-
《RT-DETR魔术师》专栏介绍 & CSDN独家改进创新实战 & 专栏目录
通过本专栏的阅读,后续你也可以自己魔改网络,在网络不同位置(Backbone、head、neck、loss等)进行魔改,实现创新!!!原创 2023-11-14 20:54:20 · 3476 阅读 · 24 评论 -
RT-DETR算法优化改进:通用倒瓶颈(UIB)搜索块结合RepC3二次创新 | 轻量化之王MobileNetV4
通用倒瓶颈(UIB)搜索块结合RepC3二次创新原创 2024-05-10 10:27:03 · 61 阅读 · 0 评论 -
RT-DETR手把手教程:loss优化 | 一种新的自适应阈值焦点损失函数loss,更多的注意力分配给目标特征,助力红外小目标暴力涨点
一种新的自适应阈值焦点损失函数原创 2024-04-13 12:43:36 · 615 阅读 · 2 评论 -
RT-DETR手把手教程: 小目标 | 注意力 |卷积和注意力融合模块(CAFMAttention) | 2024年4月最新成果
卷积和注意力融合模块(CAFMAttention),增强对全局和局部特征的提取能力,2024年最新的改进思路原创 2024-04-07 10:06:01 · 748 阅读 · 4 评论 -
RT-DETR手把手教程: 小目标 | CAMixing:卷积-注意融合模块和多尺度提取能力 | 2024年4月最新成果
红外小目标实现涨点,只有几个像素的小目标识别率提升明显原创 2024-04-07 10:04:08 · 422 阅读 · 0 评论 -
RT-DETR手把手教程:小目标 | 新颖的多尺度前馈网络(MSFN) | 2024年4月最新成果
多尺度前馈网络(MSFN),通过提取不同尺度的特征来增强特征提取能力,2024年最新的改进思路原创 2024-04-07 10:01:56 · 512 阅读 · 0 评论 -
RT-DETR算法优化改进:block优化 | PKIBlock多尺度卷积核,优势无需膨胀,即插即用小目标涨点 | CVPR2024 PKINet 遥感图像目标检测
无需膨胀即可提取不同感受野中的多尺度纹理特征。原创 2024-03-23 09:38:15 · 404 阅读 · 4 评论 -
RT-DETR算法优化改进: block优化 | UniRepLKNetBlock大卷积核C设计,显著提升识别精度 | CVPR2024 最新大卷积核CNN架构UniRepLKNet
最新大卷积核CNN架构CVPR2024UniRepLKNet,UniRepLKNetBlock大卷积核C设计,显著提升识别精度原创 2024-03-23 09:37:52 · 278 阅读 · 0 评论 -
RT-DETR算法优化改进: block优化 | RepViTBlock 合适的卷积核大小和优化挤压-激励(SE注意力)实现大幅涨点| CVPR2024清华RepViT
RepViTBlock通过选择合适的卷积核大小和优化挤压-激励(SE注意力)层的位置实现二次创新原创 2024-03-22 10:29:09 · 446 阅读 · 4 评论 -
RT-DETR算法优化改进:下采样创新篇 | 新颖的下采样ADown | YOLOv9
新颖的下采样ADown来自于YOLOv9,助力RT-DETR,将ADown添加在backbone和head处,提供多个yaml改进方法原创 2024-03-05 08:39:04 · 461 阅读 · 1 评论 -
RT-DETR算法优化改进: 特征融合涨点篇 | 广义高效层聚合网络(GELAN) | YOLOv9
即结合用梯度路径规划(CSPNet)和(ELAN)设计了一种广义的高效层聚合网络(GELAN),高效结合RT-DETR,实现涨点。原创 2024-03-04 16:03:02 · 378 阅读 · 1 评论 -
RT-DETR算法优化改进: FPN涨点篇 | 多级特征融合金字塔(HS-FPN),助力小目标检测| 2024年最新论文
高层筛选特征金字塔网络(HS-FPN),能够刷选出大小目标,增强模型表达不同尺度特征的能力,助力小目标检测原创 2024-02-05 15:24:49 · 1991 阅读 · 5 评论 -
RT-DETR算法优化改进: 下采样系列 | 一种新颖的基于 Haar 小波的下采样HWD,有效涨点系列
一种新颖的基于 Haar 小波的下采样HWD,有效涨点系列原创 2024-02-03 10:34:53 · 1795 阅读 · 2 评论 -
RT-DETR算法优化改进:上采样算子 | 超轻量高效动态上采样DySample,效果秒杀CAFFE,助力小目标检测
一种超轻量高效动态上采样DySample, 具有更少的参数、FLOPs,效果秒杀CAFFE和YOLOv8网络中的nn.Upsample原创 2024-02-01 14:08:50 · 1895 阅读 · 1 评论 -
RT-DETR算法优化改进:轻量级原创自研 | 一种多尺度的GSConv卷积变体,轻量化的同时能够实现涨点
基于GSConv提出了一种Multi-Scale Ghost Conv的卷积变体,保证轻量级的同时实现涨点;原创 2024-02-01 10:10:31 · 540 阅读 · 2 评论 -
RT-DETR算法优化改进:Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU
Powerful-IoU更好、更快的收敛IoU,是一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数原创 2024-01-26 08:51:25 · 786 阅读 · 3 评论 -
RT-DETR算法优化改进:更加聚焦的IoU损失Focaler-IoU,二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等 | 2024年最新IoU
更加聚焦的IoU损失Focaler-IoU,能够在不同的检测任务中聚焦不同的回归样本,使用线性区间映射的方法来重构IoU损失原创 2024-01-26 08:51:16 · 440 阅读 · 0 评论 -
RT-DETR算法优化改进:DCNv4更快收敛、更高速度、更高性能,效果秒杀DCNv3、DCNv2等 ,助力检测
DCNv4更快收敛、更高速度、更高性能,完美和RT-DETR结合,助力涨点原创 2024-01-19 09:44:43 · 764 阅读 · 2 评论 -
RT-DETR算法优化改进:多层次特征融合(SDI)结合PConv、DualConv、GSConv,实现二次创新 | UNet v2最新论文
多层次特征融合(SDI)高效结合DualConv、PConv、GSConv等实现二次创新;1)替代原始的Concat;原创 2024-01-12 10:44:28 · 1039 阅读 · 6 评论 -
RT-DETR算法优化改进:新颖的Shape IoU结合 Inner-IoU,基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度,小目标实现高效涨点
一种新的Shape IoU方法结合 Inner-IoU,基于辅助边框的IoU损失的同时,更加关注边界框本身的形状和尺度来计算损失原创 2024-01-05 13:24:08 · 2307 阅读 · 9 评论 -
RT-DETR手把手教程:一种新颖的自适应空间相关性金字塔注意力
复现了将自适应空间相关性金字塔注意力引入到RT-DETR中,并跟不同模块进行结合创新;1)Rep C3结合;2)直接作为注意力机制放在网络不同位置;3)高效和HGBlock结合;原创 2024-01-04 08:39:14 · 2039 阅读 · 7 评论 -
RT-DETR算法优化改进:提出一种新的Shape IoU,更加关注边界框本身的形状和尺度,对小目标检测也很友好 | 2023.12.29收录
一种新的Shape IoU方法,该方法可以通过关注边界框本身的形状和尺度来计算损失,解决边界盒的形状和规模等固有属性对边界盒回归的影响。原创 2024-01-02 10:49:39 · 1865 阅读 · 6 评论 -
RT-DETR算法优化改进:解决rt-detr无法打印计算量(GFLOPs)的问题点
本文内容:解决rt-detr无法打印计算量的问题点;本文提供:1)训练阶段自动打印计算量;2)提供离线打印计算量的代码;原创 2023-12-28 12:41:07 · 1678 阅读 · 0 评论 -
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
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原创 2023-12-12 08:35:48 · 1018 阅读 · 0 评论 -
RT-DETR手把手教程:NEU-DET钢材表面缺陷检测任务 | 不同网络位置加入EMA注意力进行魔改
NEU-DET钢材表面缺陷检测:原始 rtdetr-r18 map0.5为0.67,rtdetr-r18-EMA_attention map0.5为0.691,rtdetr-r18-EMA_attentionC3 map0.5为0.72,rtdetr-r18_EMA_attentionC31 map0.5为0.718原创 2023-12-07 13:03:56 · 1225 阅读 · 2 评论 -
RT-DETR手把手教程,注意力机制如何添加在网络的不同位置进行创新优化
本文首先复现了将EMA引入到RT-DETR中,并跟不同模块进行结合创新;1)Rep C3结合;2)直接作为注意力机制放在网络不同位置;3)高效和HGBlock结合;总有一种改进适用你的数据集,完成涨点工作并进行创新原创 2023-11-21 13:58:06 · 1460 阅读 · 6 评论 -
RT-DETR算法优化改进:SENet v2,Squeeze-Excitation模块融合Dense Layer,效果秒杀SENet
SENet v2,针对SENet主要优化点,提出新颖的多分支Dense Layer,并与Squeeze-Excitation网络模块高效融合,融合增强了网络捕获通道模式和全局知识的能力;SENet v2如何在RT-DETR中使用:1)作为注意力机制直接使用;2)RepC3结合;3)HGBlock结合;原创 2023-12-01 14:27:39 · 877 阅读 · 0 评论 -
RT-DETR算法优化改进:AKConv(可改变核卷积),即插即用的卷积,效果秒杀DSConv | 2023年11月最新发表
可改变核卷积(AKConv),赋予卷积核任意数量的参数和任意采样形状,为网络开销和性能之间的权衡提供更丰富的选择,解决具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标的问题点,效果秒殺DSConv;1)AKConv替代标准卷积进行使用;原创 2023-11-28 08:34:18 · 783 阅读 · 2 评论 -
RT-DETR手把手教程,注意力机制如何添加在网络的不同位置进行创新优化,EMA注意力为案列
本文首先复现了将EMA引入到RT-DETR中,并跟不同模块进行结合创新;1)Rep C3结合;2)直接作为注意力机制放在网络不同位置;3)高效和HGBlock结合;总有一种改进适用你的数据集,完成涨点工作并进行创新原创 2023-11-21 13:54:48 · 1691 阅读 · 6 评论 -
RT-DETR算法优化改进:Inner-IoU基于辅助边框的IoU损失,高效结合 GIoU, DIoU, CIoU,SIoU 等 | 2023.11
Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失,并与现有的基于IoU (GIoU, DIoU, CIoU,SIoU)损失进行有效结合原创 2023-11-18 12:26:46 · 832 阅读 · 0 评论 -
RT-DETR算法优化改进:一种新的partial卷积(PConv) |CVPR2023 FasterNet | 卷积变体大作战
提出了一种新的partial convolution(PConv),通过同时减少冗余计算和内存访问可以更有效地提取空间特征。原创 2023-11-17 09:34:37 · 941 阅读 · 0 评论 -
RT-DETR算法优化改进:SPD-Conv,低分辨率图像和小物体涨点明显,涨点神器,无脑直接使用!!!
SPD-Conv由一个空间到深度(SPD)层和一个无卷积步长(Conv)层组成,特别是在处理低分辨率图像和小物体等更困难的任务时。1)SPD-Conv完美融合Conv,实现暴力涨点;原创 2023-11-17 09:34:21 · 987 阅读 · 4 评论 -
RT-DETR算法优化改进:SCConv,空间和通道重建卷积 | CVPR2023 | 卷积变体大作战
SCConv(空间和通道重建卷积),一个即插即用的架构单元,可以可以直接用来替代各种卷积神经网络中的标准卷积。原创 2023-11-17 09:33:48 · 855 阅读 · 0 评论 -
RT-DETR算法优化改进:自研独家创新BSAM注意力 ,基于CBAM升级 | 注意力机制大作战
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原创 2023-11-16 14:54:49 · 1075 阅读 · 0 评论 -
RT-DETR算法优化改进:新的设计范式Slim Neck助力RT-DETR | Neck改进
采用 GSConv 方法的 Slim-Neck 可缓解DSC 缺陷对模型的负面影响,并充分利用深度可分离卷积 DSC 的优势,引入RT-DETR二次创新;原创 2023-11-16 14:30:25 · 877 阅读 · 0 评论 -
RT-DETR算法优化改进:轻量级上采样CARAFE算子 | 注意力机制大作战
上采样操作CARAFE,具有感受野大、内容感知、轻量级、计算速度快等优点,引入RT-DETR二次创新;1)代替Upsample进行使用;原创 2023-11-16 14:30:05 · 885 阅读 · 0 评论 -
RT-DETR算法优化改进:Loss改进 | Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失,高效结合新型边界框相似度度量(MPDIoU) | 2023.11
Inner-IoU引入尺度因子ratio控制辅助边框的尺度大小用于计算损失,新型边界框相似度度量(MPDIoU)MPDIoU损失进行有效结合原创 2023-11-15 19:15:05 · 848 阅读 · 0 评论 -
RT-DETR算法优化改进:Loss改进 | MPDIoU新型边界框相似度度量,效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023
MPDIoU新型边界框相似度度量,优化当预测框与真实框具有相同的长宽比,但宽度和高度值完全不同时的问题,大多数(GIoU 、 DIoU 、CIoU 、 EIoU)现有的边界框回归损失函数无法优化原创 2023-11-15 19:15:22 · 1436 阅读 · 2 评论 -
RT-DETR算法优化改进:轻量级Backbone改进 | 支持Paddle轻量级 rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等版本
支持百度飞浆resnet各个版本,rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等轻量化backbone原创 2023-11-15 15:58:59 · 1296 阅读 · 0 评论 -
RT-DETR算法优化改进:Backbone改进|RIFormer:无需TokenMixer也能达成SOTA性能的极简ViT架构 | CVPR2023
RIFormer助力RT-DETR ,替换backbone,RIFormer-M36的吞吐量可达1185,同时精度高达82.6%;而PoolFormer-M36的吞吐量为109,精度为82.1%。原创 2023-11-14 18:01:13 · 1738 阅读 · 1 评论