YOLOv8有效涨点，添加GAM注意力机制，使用Wise-IoU有效提升目标检测效果

已于 2024-03-15 20:45:58 修改
阅读量1.8k 收藏 19
点赞数 35
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO 目标检测 人工智能
于 2024-03-03 17:00:04 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_67647321/article/details/136433402
版权
YOLOv8改进有效涨点 专栏收录该内容
125 篇文章 60 订阅 ¥159.90 ¥299.90
订阅专栏
本文介绍了如何通过引入全局注意力机制（GAM）和Wise-IoU（WIoU）改进YOLOv8目标检测模型。GAM利用3D排列和MLP增强通道与空间交互，而WIoU作为动态非单调损失函数，优化边界框回归。完整代码包含多种注意力机制，适用于提升模型性能。
摘要由CSDN通过智能技术生成

目录

摘要

基本原理

通道注意力机制

空间注意力机制

GAM代码实现 

Wise-IoU 

WIoU代码实现

yaml文件编写

完整代码分享（含多种注意力机制）

摘要

人们已经研究了各种注意力机制来提高各种计算机视觉任务的性能。然而，现有方法忽视了保留通道和空间方面的信息以增强跨维度交互的重要性。因此，我们提出了一种全局注意力机制，通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了具有多层感知器的 3D 排列，用于通道注意以及卷积空间注意子模块。在 CIFAR-100 和 ImageNet-1K 上对所提出的图像分类任务机制的评估表明，我们的方法稳定优于最近使用 ResNet 和轻量级 MobileNet 的几种注意力机制。

基本原理

目标的设计是一种减少信息缩减并放大全局维度交互特征的机制。我们采用 CBAM 的顺序通道空间注意力机制并重新设计子模块。整个过程如图 所示。

GAM结构图
了解本专栏 订阅专栏 解锁全文
kay_545
关注
专栏目录
订阅专栏
提高准确度的技巧：IOU改进方法探究——Yolov8引入WIoU，SIoU，EIoU，α-IoU
LgvrApplescript的博客
09-20 939
为了解决这些问题，Yolov8引入了一系列改进的IoU计算方法，包括WIoU，SIoU，EIoU和α-IoU。请注意，上述代码中的计算函数（calculate_intersection、calculate_union、calculate_area、calculate_iou、calculate_similarity）是示例函数，具体实现可能因应用场景而异。综上所述，通过引入WIoU，SIoU，EIoU和α-IoU等改进的IoU计算方法，Yolov8在物体检测任务中取得了更好的准确度。
涨点技巧：IOU篇---Yolov8引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
04-17 5023
IOU篇---Yolov8代替默认的CIOU,引入WIoU，SIoU，EIoU，α-IoU，不同数据集验证能涨点
YOLO改进系列之注意力机制（GAM Attention模型介绍）
sc1434404661的博客
11-20 974
GAM Attention提出一种通过减少信息弥散和放大全局交互表示来提高深度神经网络性能的全局注意力机制。此外，CloAttentionGAM Attention可进一步应用于YOLOv7、YOLOv8等模型中，欢迎大家关注本博主的微信公众号 BestSongC，后续更多的资源如模型改进、可视化界面等都会在此发布。另外，本博主最近也在MS COCO数据集上跑了一些YOLOv5的改进模型，实验表明改进后的模型能在MS COCO 2017验证集上分别涨点1-3%，感兴趣的朋友关注后回复YOLOv5改进。
YOLOv8改进--添加WIOU损失函数
qq_46542320的博客
12-18 4648
【代码】YOLOv8改进--添加WIOU损失函数。
yolov8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU.
weixin_42875510的博客
09-21 126
参考：YOLOV8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU._森爱。的博客-CSDN博客
yolov8改进损失函数Wise-IoU（高效涨点且操作简单）
p13672294967的博客
05-15 9735
yolov8改进损失函数Wise-IoU（高效涨点且操作简单），一种基于动态非单调聚焦机制的边界框损失，map@50从59%提升到了61%，将近提升了2个百分点。
YOLOv8 | 有效涨点，添加GAM注意力机制，使用Wise-IoU有效提升目标检测效果（附报错解决技巧，全网独家）
kay_545
03-15 1920
人们已经研究了各种注意力机制来提高各种计算机视觉任务的性能。然而，现有方法忽视了保留通道和空间方面的信息以增强跨维度交互的重要性。因此，我们提出了一种全局注意力机制，通过减少信息减少和放大全局交互表示来提高深度神经网络的性能。引入了具有多层感知器的 3D 排列，用于通道注意以及卷积空间注意子模块。在 CIFAR-100 和 ImageNet-1K 上对所提出的图像分类任务机制的评估表明，我们的方法稳定优于最近使用 ResNet 和轻量级 MobileNet 的几种注意力机制。
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-06 3万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
YOLOv8优化改进完整源码+运行说明(添加小目标检测头+GAM注意力机制+使用Wise-IoU损失).zip
09-18
YOLOv8优化改进完整源码+运行说明(添加小目标检测头+GAM注意力机制+使用Wise_IoU损失).zip 【项目介绍】 项目基本介绍 本项目对著名的YOLOv8模型进行了多角度的改进优化，并在特定数据集上实现了精度的上涨 采用...
《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有110+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
kay_545
06-17 3347
yolov8改进机制，上百种创新技巧详细介绍
yolov8改进-添加Wise-IoU，soft-nms
darkredrock的博客
04-21 9603
yolov8中box_iou其默认用的是在原bbox_iou中，GIoU、DIoU、CIoU都是默认关闭，为最普通的Iou，如果其中一个为True的时候，即返回设定为True的那个Iou。
YOLO11改进-模块-引入CMUNeXt Block 增强全局信息
qq_64693987的博客
11-08 463
有效提取全局信息：通过使用大核深度可分离卷积替换普通卷积，先利用大核的深度可分离卷积提取每个通道的全局信息，再借助残差连接，解决了卷积网络难以提取全局信息的问题。保持轻量化优势：深度可分离卷积本身相比普通卷积能有效减少网络参数和计算成本，并且通过合理设计，如倒置瓶颈设计等，在提取全局信息的同时保持了网络的轻量化，使得网络既能够提取全局信息，又适合在移动和边缘设备上部署。综合利用归纳偏置和全局信息提取。
YOLOv8实战人脸口罩识别
weixin_40280870的博客
11-05 1231
本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对人脸口罩数据集进行训练和优化，该数据集包含丰富的人脸口罩图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取人脸口罩的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了人脸口罩识别的自动化水平，还为医疗系统的构建提供了有力支持，具有重要的理论应用价值。
＜项目代码＞YOLOv8 夜间车辆识别＜目标检测＞
qq_53332949的博客
10-29 944
YOLOv8 夜间车辆识别项目代码
YOLOv8模型改进 第十八讲 添加CMUNeXt Block 提升小目标检测
qq_64693987的博客
11-06 1060
1. 深度卷积：采用大核的深度卷积（depthwise convolution）操作，组数等于通道数，用于提取每个通道的全局信息，之后有一个残差连接（residual connection）。2. 逐点卷积（第一次）：接着是一个逐点卷积（pointwise convolution），核大小为 1×1。3. 逐点卷积（第二次）并倒置瓶颈设计：再经过一个逐点卷积，并且这两个逐点卷积之间有倒置瓶颈设计，即两个逐点卷积层之间的隐藏维度设置为比输入维度宽四倍，用于混合空间和通道信息。
YoloV8分割实战：使用YoloV8训练Aeroscapes数据集
m0_47867638的博客
11-07 61
Aeroscapes 是一个专注于空中语义分割的数据集，它由一组从商业无人机上拍摄的图像组成，涵盖了从5到50米不等的高度范围。此数据集提供了3269张720p分辨率的图片以及相应的地面真实度（ground-truth）标记，涵盖11种不同的类别。
yolo训练中过拟合、欠拟合判断和两者的解决方法
qq_43755954的博客
11-05 1080
机器学习最重要的一方面就是模型的泛化能力，泛化能力强的模型能够在未见过的数据（测试集）上表现良好，这才是一个优秀的模型。欠拟合和过拟合。① 欠拟合定义：指模型对训练数据学习不足，无法捕捉到数据中的主要模式或特征。表现为模型在训练集和测试集上都表现较差，即无法很好地拟合训练数据。② 过拟合定义：指模型对训练数据学得过多，甚至学习了训练数据中的噪声和异常，导致模型复杂度过高。在这种情况下，
yolov8涨点系列之替换DW卷积
zhang1379的博客
11-06 726
yolov8涨点系列之替换DW卷积
解决ultralytics的YOLO模型训练中验证集Loss为NaN（或mAP为0）的问题
最新发布
思绪无限的博客
11-08 2262
在使用ultralytics库的YOLO模型时，比如YOLOv8进行目标检测模型训练，遇到一个非常奇怪的问题：训练过程中的验证损失（loss）出现了NaN，而验证的评价指标如mAP50却能正常计算（有时mAP都也为0）。经过排查发现，这个问题和我的显卡（1660 Super）有关。设置AMP为False，同时注释掉FP16精度的代码行，能够解决该问题。本文记录了找到问题原因并解决的过程，供遇到类似问题的读者参考。
marginal loss
10-22
边际损失（marginal loss）在深度学习中主要用于增强模型对样本瑕疵和正常模式区分的能力。它通过在高级特征空间中定义边缘约束（margin constraints），确保缺陷类和正常类样本之间存在明确的边界或间隔。这样做的目的是为了提高模型在面对真实世界中可能存在的一些不完美（瑕疵）样本时的鲁棒性。 具体来说，在训练过程中，如果我们在图像识别任务中，除了标准的二分类交叉熵损失[^1]，还会引入边际损失。这可能表现为在每个类别（如瑕疵和非瑕疵）附近设定一个区域，使得模型预测在这两个类别的边界上的样本得分差异达到预设的阈值，以此来提升模型区分能力。 举个简单的例子，如果我们有一个瑕疵检测网络，边际损失可能会看起来像这样： ```python # 假设y_pred是模型对于瑕疵图像的置信度分数，y_true是标签(0代表非瑕疵，1代表瑕疵) # 边际损失函数 def margin_loss(y_pred, y_true, margin): return binary_cross_entropy_loss(y_pred, y_true) + L1_distance(y_pred, (1 - y_true) * margin) # 训练过程 optimizer.zero_grad() loss = margin_loss(model.predictions, targets, predefined_margin) loss.backward() optimizer.step() ``` 其中`L1_distance`表示计算得分与边缘距离的绝对差，`predefined_margin`是预先设定的边界宽度。
评论 1
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

kay_545

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