YOLO改进涨点，RCS-YOLO：检测头和网络结构的改进

目录

摘要

原理

总体结构图

 RCS模块原理

代码实现

RCS-Based One-Shot Aggregation

代码实现 

检测头改进

手动计算anchor代码

yaml文件

已详细修改的代码

程序启动命令

可论文指导  +V ------------> jiabei-545

往期推荐 

---

摘要

凭借速度和准确性之间的出色平衡，尖端的 YOLO 框架已成为最有效的目标检测算法之一。然而， YOLO 网络的性能还有提升的空间。我们提出了 RCS 和 RCS 的一次聚合（RCS-OSA），它将特征级联和计算效率联系起来，以提取更丰富的信息并减少时间消耗。所提出的模型在速度和准确性上超越了YOLOv6、YOLOv7和YOLOv8。值得注意的是，与YOLOv7相比，RCS-YOLO的精度提高了1%，推理速度提高了60%，每秒检测到114.8张图像（FPS）。

原理

1、首先通过将 RepVGG/RepConv 与 ShuffleNet 相结合来开发 RepVGG/RepConv ShuffleNet (RCS)，它受益于重新参数化，可以在训练阶段提供更多特征信息并减少推理时间。然后，我们构建了一个基于 RCS 的一次性聚合（RCSOSA）模块，该模块不仅允许低成本的内存消耗，而且还允许语义信息提取。 

2、通过将开发的 RCS-OSA 和 RepVGG/RepConv 与路径聚合相结合，设计了 YOLO 架构的新骨干和颈部网络，以缩短特征预测层之间的信息路径。这促进了准确的定位信息快速传播到骨干网络和颈部网络中的特征层次结构。

总体结构图