kay_545-CSDN博客

原创《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有60+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进

yolov8改进目录，yolov8创新机制

2024-07-15 21:45:00 1320 2

原创《YOLOv5入门 + 改进涨点》专栏介绍 & 专栏目录 |目前已有50+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进

本专栏是博主精心设计的专门为了提升检测效果，希望改进YOLOv5并发表论文的同学们而设计。专栏的内容紧跟学术届的热点更新最新内容，紧跟YOLOv5的官方项目的实时更新。本专栏的内容是基于YOLOv5-6.1的版本进行改进专栏聚焦前沿方法，本专栏的改进，适用于目标检测任务。且改进后的算法使用于多种场景，包括但不限于。

2024-06-17 15:26:11 1591 2

原创深度学习面试问题目录 | 深度学习目标检测、语义分割、分类上百种面试问答技巧

面试，面经，春招，秋招，算法工程师，python，yolov5，yolo8，yolo

2024-05-15 13:08:40 1322

原创 YOLOv5改进 | 注意力机制 | 二阶注意力网络来进行单图像超分辨率【附网盘完整代码】

yolov5改进，yolov5涨点，yolov5，SOCA

2024-07-26 14:59:29 720 3

原创 YOLOv5改进 | Neck | 注意力尺度序列融合的检测框架ASF-YOLO【含分割，检测yaml文件】

yolov5，yolov5改进，yolov5创新，ASF-YOLO

2024-07-26 14:01:24 455 1

原创 YOLOv10改进 | 融合改进 | C2f融合分布移位卷积DSConv【附完整代码网盘链接】

yolov10，yolov10改进，DSConv

2024-07-25 18:45:00 843 4

原创 YOLOv8改进 | 主干网络 | ⭐重写星辰Rewrite the Stars⭐【CVPR2024】

StarNet通过引入一种称为星操作（Star Operation）的核心创新，实现了在紧凑网络中高效处理图像的目标。星操作通过两个线性变换后的特征进行元素级乘法，生成一个高维非线性特征空间，类似于多项式核函数的效果。StarNet采用一个四阶段的分层架构，每个阶段通过卷积层下采样分辨率并增加通道数，从而逐步抽象图像特征。每个网络块中使用深度卷积、批量归一化和ReLU6激活函数，简化设计以提高效率。通道扩展固定为4倍，网络宽度在每个阶段翻倍，以平衡计算负载和学习能力。

2024-07-25 13:59:17 1202 2

原创 YOLOv8改进 | 融合改进 | C2f融合分布移位卷积DSConv【附目标检测，语义分割，OBB等yaml文件】

yolov8，c2f_DSConv,yolov8改进

2024-07-24 14:35:12 768 6

原创 YOLOv10改进 | 融合改进 | C2f结合可变形大核注意力超越自注意力【附完整代码网盘链接】

yolov10，yolov10改进，DLKA

2024-07-24 09:41:39 658 4

原创 YOLOv10改进 | Neck | 注意力尺度序列融合的检测框架ASF-YOLO

yolov10改进，yolov10，ASF-yolo

2024-07-23 15:18:00 732 4

原创 YOLOv8改进 | 融合改进 | C2f结合可变形大核注意力超越自注意力【含Seg、OBB、OD代码】

yolov8改进，yolov8， C2f_DLKA

2024-07-23 14:10:06 701

原创 YOLOv10改进 | 融合改进 | C2f 引入多尺度分支来增强特征表征的注意力机制【CVPR2021】

yolov10改进，yolov10，Diverse Branch Block

2024-07-22 17:45:00 1064 4

原创 YOLOv8改进 | 融合改进 | C2f 引入多尺度分支来增强特征表征的注意力机制【CVPR2021】

YOLOv8，yolov8改进，DiverseBranchBlock，c2f_DBB

2024-07-22 15:45:00 679 2

原创 YOLOv8改进 | Neck | 注意力尺度序列融合的检测框架ASF-YOLO

yolov8改进，ASF-yolo，YOLOv8

2024-07-20 19:40:23 850 8

原创 YOLOv10改进 | 检测头 | 自适应空间特征融合检测头Detect_ASFF

yolov10改进，yolov10创新，yolov10，ASFF_Detect

2024-07-20 19:07:04 1102 9

原创 YOLOv8进 | 检测头 | 自适应空间特征融合检测头Detect_ASFF

yolov8，yolov8改进，Detect_ASFF

2024-07-19 18:45:00 808 4

原创 YOLOv10改进 | 主干网络 |模糊图像/恶劣天气下的目标检测改进

yolov10，yolov10改进，去雾网络，图像模糊

2024-07-19 17:45:00 702

原创 YOLOv8改进 | 主干网络 |模糊图像/恶劣天气下的目标检测改进

yolov8改进，yolov8，图像去雾，unfog

2024-07-18 17:45:00 1175 5

原创 YOLOv10改进 | 主干网络 | 一体化去雾网络AOD-Net【原理 + 代码】

yolov10改进，yolov10，去雾网络，

2024-07-18 15:45:00 778 2

原创 YOLOv8改进 | 主干网络 | 一体化去雾网络AOD-Net【原理 + 代码】

yolov8改进，yolov8，去雾网络，AODNet

2024-07-17 17:45:00 1545 7

原创 YOLOv10改进 | 检测头 | 融合渐进特征金字塔的检测头【AFPN4】

yolov10改进，yolov10，AFPN检测头

2024-07-17 16:45:00 778 7

原创 YOLOv8改进 | 检测头 | 融合渐进特征金字塔的检测头【AFPN4】

yolov8改进，yolov8，yolov8检测头，AFPN，

2024-07-16 17:45:00 733 5

原创 YOLOv10改进 | 检测头 | 融合渐进特征金字塔的检测头【AFPN3】

yolov10改进，yolov10，AFPN检测头

2024-07-16 15:45:00 1616

原创 YOLOv10改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【全网独家】

yolov10，yolov10改进，yolov10创新，ParNetAttention

2024-07-15 19:45:00 1302

原创 YOLOv8改进 | 检测头 | 融合渐进特征金字塔的检测头【AFPN3】

yolov8改进，yolov8，AFPN检测头

2024-07-15 18:45:00 889 3

原创 YOLOv10改进 | 注意力机制 | 结合静态和动态上下文信息的注意力机制【全网独家】

yolvo10，yolov10改进，yolov10创新，CoTA注意力机制

2024-07-13 17:45:00 863 2

原创 YOLOv10改进 | 注意力机制| 对密集和小目标友好的EVAblock

yolov10，yolov10改进，yolov10创新，evcblock

2024-07-13 13:15:16 861 5

原创 YOLOv10改进 | 注意力机制| 添加双向注意力机制和高效前馈网络的BiFormer【CVPR2023】

yolov10改进，yolov10，biformer

2024-07-12 19:45:00 846 2

原创 YOLOv5改进 | 注意力机制| 对小目标友好的BiFormer【CVPR2023】

yolov5改进，yolov5，biformer

2024-07-12 17:45:00 1266

原创 YOLOv8改进 | 注意力机制| 对小目标友好的BiFormer【CVPR2023】

yolov8，yolov8改进，Biformer

2024-07-11 19:45:00 1674 6

原创 YOLOv5改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【小白必备 + 完整代码】

yolov5改进，yolov5，注意力机制，EVCBlock

2024-07-11 17:45:00 1038

原创 YOLOv8改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【全网独家】

yolov8， yolov8改进，ParNetAttention，

2024-07-10 19:45:00 1414 2

原创 YOLOv5改进 | 注意力机制| 对密集和小目标友好的EVAblock【完整代码 + 小白轻松上手】

yolov5， yolov5改进，yolov5，evcblock注意力机制

2024-07-10 17:45:00 1388 2

原创 YOLOv8改进 | 注意力机制 | 对密集和小目标友好的EVAblock 【原理 + 完整代码】

yolov8，yolov8改进，EVCblock，

2024-07-09 19:45:00 1120 2

原创 YOLOv10改进 | 注意力机制 | 引入多尺度分支来增强特征表征的注意力机制【CVPR2021】

yolov10改进，yolov10，Diverse Branch Block

2024-07-09 17:45:00 804

原创 YOLOv8改进 | 注意力机制 | 引入多尺度分支来增强特征表征的注意力机制【CVPR2021】

yolov8,yolov8改进，Diverse Branch Block，

2024-07-08 20:25:14 1130

原创 YOLOv5改进 | 注意力机制 | 结合静态和动态上下文信息的注意力机制【全网独家】

yolov5，yolov5改进，yolov5创新，CoTA注意力机制

2024-07-08 17:45:00 759

原创 YOLOv8改进 | 注意力机制 | 结合静态和动态上下文信息的注意力机制

yolov8，yolov8改进，yolov8添加注意力机制，yolov8

2024-07-06 20:12:51 921

原创 YOLOv8改进 | 注意力机制 | 增强模型在图像分类和目标检测BAM注意力【小白必备 + 附完整代码】

yolov8改进，yolov8添加注意力机制，yolov8，bam注意力机制，bamblock

2024-07-06 15:37:00 940

原创 YOLOv5改进 | 卷积模块 | SAConv可切换空洞卷积【全网独家】

yolov5改进，yolov5，yolov5创新，yolov5，SAConv

2024-07-05 20:38:17 1078

集装箱号识别，集装箱号码数据集，数据集太大，内涵网盘链接

集装箱号识别数据集通常是一个包含大量集装箱号码图像和对应编号标签的数据集，用于训练和测试机器学习和计算机视觉算法，以便自动识别和读取集装箱上的编号。 Container Number Recognition Dataset 数据集描述： CNRD是一个专门为集装箱号码识别任务而设计的数据集。它包含了大量的集装箱号码图像，每个图像都包含了集装箱的唯一编号。数据集中的图像涵盖了不同的拍摄角度、光照条件、背景和遮挡情况，以模拟实际应用场景中的多样性。数据集的使用： CNRD数据集可以用于训练和测试机器学习和计算机视觉算法，以实现自动识别和读取集装箱号码。可以通过图像处理和文字识别技术来提取和识别集装箱号码，从而提高物流和运输行业的效率和准确性。这些系统在物流、港口管理和供应链管理等领域有着广泛的应用，因为它们可以自动、快速地识别集装箱号码，从而提高操作效率和减少人为错误。

2024-06-21

yolov7添加CSConv等多种模块

目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。我们引入了一种新的轻量级卷积技术 GSConv，以减轻模型重量但保持准确性。 GSConv 在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范例，细颈，以实现探测器更高的计算成本效益。我们的方法的有效性在二十多组比较实验中得到了强有力的证明。特别是，与原始检测器相比，通过我们的方法改进的检测器获得了最先进的结果（例如，在公开数据集的Tesla T4 GPU 上以100FPS 的速度获得 70.9% mAP0.5）。目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。我们引入了一种新的轻量级卷积技术 GSConv，以减轻模型重量但保持准确性。 GSConv 在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范例，细颈，以实现探测器更高的计算成本效益。

2024-03-16

yolov8结合se注意力机制提升检测效果

卷积神经网络建立在卷积运算的基础上，它通过在局部感受野内将空间和通道信息融合在一起来提取信息特征。为了提高网络的表示能力，最近的几种方法已经显示了增强空间编码的好处。在这项工作中，我们专注于通道关系，并提出了一种新颖的架构单元，我们将其称为“挤压和激励”（SE）块，它通过显式建模通道之间的相互依赖性来自适应地重新校准通道方面的特征响应。我们证明，通过将这些块堆叠在一起，我们可以构建在具有挑战性的数据集上具有极好的泛化能力的 SENet 架构。至关重要的是，我们发现 SE 模块能够以最小的额外计算成本为现有最先进的深度架构带来显着的性能改进。 SENets 构成了我们 ILSVRC 2017 分类提交的基础，该分类提交赢得了第一名，并将 top-5 错误率显着降低至 2.251%，与 2016 年获胜条目相比相对提高了约 25%。

2024-03-01

yolov8结合SwinTransformer注意力机制

Swin Transformer通过引入创新的分层注意力机制（SW-Attention）展现了其架构的独特性，该机制通过将注意力区域划分为块并在这些块内执行操作，从而有效降低了计算复杂性。其主要结构呈现分层形式，每个阶段包括一组基础块，负责捕捉不同层次的特征表示，形成了分层的特征提取过程。采用多尺度的注意力机制使得模型能够同时关注不同大小的特征，从而提高对图像中不同尺度信息的感知。在多个图像分类基准数据集上，Swin Transformer表现出与其他先进模型相媲美甚至更优的性能，且在相对较少的参数和计算成本下取得出色的结果。其模块化设计使得它在目标检测和语义分割等其他计算机视觉任务上也具备良好的通用性。

2024-02-29

垃圾桶溢满检测数据集明厨亮灶

及时清理满溢的垃圾桶有利于营造良好的卫生环境。利用计算机视觉的目标检测技术对垃圾桶状态进行监测，能够有效提升垃圾桶清理效率。简介：此数据集包含3个类别，分别为满溢的垃圾桶，未满溢的垃圾桶和垃圾，一共3349张图片，均已完成标注。可用于检测垃圾桶是否满溢，也可以用于检测垃圾、垃圾箱等任务。针对这个数据集，我们可以进一步发展和应用计算机视觉技术，以提高垃圾桶管理的智能化水平。以下是一些可能的续写：在当前社会的智能城市发展趋势下，通过结合深度学习和物联网技术，我们可以建立一个智能垃圾桶管理系统。该系统不仅可以检测垃圾桶的状态，还能实时监测垃圾量，提供垃圾分类建议，并优化垃圾桶清理路线，从而最大程度地提高清理效率。通过引入实时视频监控和图像识别技术，我们可以建立一个自动报警系统。当垃圾桶达到满溢状态时，系统将发送通知给相关的清理人员，以确保及时清理，维护卫生环境。此外，系统还可以生成垃圾桶使用报告，帮助城市管理者更好地了解垃圾生成的模式，从而进行更有效的城市规划和资源分配。在环保意识日益提高的情况下，这一技术还可以与市民参与互动。通过开发手机应用程序，市民可以实时查看附近垃圾

2024-02-28

gsconv-yolo完整代码分享

2024-02-28

yolov9改进源码资源

PGI的引入显著提升了轻量级及深层模型的准确度。YOLOv9，结合了PGI和GELAN的设计，展现出了卓越的性能。与YOLOv8相比，YOLOv9在参数和计算量上分别减少了49%和43%，同时在MS COCO数据集上的平均精度（AP）提升了0.6%。附录A中提供了YOLOv9的训练细节，包括使用SGD优化器进行500周期的训练，以及特定的数据增强设置。YOLOv9的网络架构基于YOLOv7 AF，采用CSP-ELAN块替换了原有的ELAN块，优化了下采样模块，并在预测层进行了调整。附录B中，作者将YOLOv9与采用不同训练策略的先进实时目标检测模型进行了比较，包括从头开始训练、使用ImageNet预训练、知识蒸馏和更复杂的训练过程等。结果显示，YOLOv9在所有比较中均表现最佳，展示了其在参数效率和计算效率上的优势。综上所述，YOLOv9不仅在不同规模模型中展示了帕累托最优性，而且在处理计算复杂度与准确度权衡时表现出色，强调了PGI和GELAN的创新设计在提高深度学习模型性能方面的重要贡献。

2024-02-24

口罩数据集，yolo格式

yolo格式的口罩数据集在我们的日常生活生产中，一些对安全和卫生有要求的车间，戴口罩是一个不可或缺的要求。为了保证生产车间的安全，确保车间的规则落实到位，我们引入了口罩检测，从而提醒员工派戴口罩

2023-02-04

yolo格式的口罩数据集

这个数据集里包含了大约1000张的图片，有image、labels两个文件夹，也有yolo训练需要的txt文件，包含了自己生成目录的算法，你可以更该自己的路径。来满足自己的实验要求，下载下来即可做实验，方便快捷，如果你有什么不懂的地方，也可以私信问我。希望这个数据集能帮到你。口罩还是日常出行需要佩戴的，很多大型公共场所仍然需要佩戴口罩才能进入。mask，yolov5，dataset，format.

2023-01-11

口罩数据集yolov5数据集

口罩数据集，可以用来训练yolo系列的模型，这里面有label文件，直接编写数据集路径就能进行训练了。就可以完成了。数据集不大也不小，cl为两类，一类是mask，一类是unmask。很简单。最重要的是还包括了未正确佩戴口罩的图片（也就是那些戴口罩漏鼻子的）！把这部分也作为未佩戴口罩的数据集，在极高的实际意义。所有图片均是由人脸识别模块切割出，只包含人脸这一小部分图像，对训练的准确性有极大的提高，还进行了旋转操作实现数据增强。可以是yolo格式的，也可以是voc格式的。

2023-01-08

网络图片爬取crawwormpicture

图片爬取工具(CrawlWorm Picture)是一款专为使用Windows系统的用户打造的一个专业网络图片爬取工具，只需要输入自己需要抓取的网站地址，然后设置搜索参数，软件就会开始分析网页源码获取网站的图片资源，可同时执行5个任务，允许用户自定义搜索设置和管理关键词，软件会按照用户配置的参数采集图片；CrawlWorm Picture会将同时采集图片的数量控制在5个，这样做的原因是避免在采集过程中占用太多资源而导致计算机出现卡顿的情况；这款工具对设计师以及从事媒体工作的用户是很有用的，需要的朋友欢迎下载。在获取图片时，需要用户自己输入要抓取的根网址，这里的根网址需要保证其真实存在，如果不存在则会提示网页源代码获取失败，从而导致任务启动失败。在搜索参数设置的时候，需要慎重考虑其各个参数之间的制约关系，有以下几种情况需要说明。如果搜索深度设置过大，那么就需要将抓取数据容量设置的大一些，否则任务会因为抓取容量不足而被迫停止抓取工作。如果能够保证自己的网络连接正常，则选择不使用代理服务器。因为使用代理服务器，在任务执行过程中，如果代理服务器失效或者停止活动，则需要重新选择代理服务器

2023-01-07

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人