《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

已于 2024-12-21 20:54:24 修改
阅读量5.8k 收藏 62
点赞数 37
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO 网络 python 目标检测 人工智能 yolov8 yolov8改进
于 2024-06-17 12:48:14 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/139703508
版权

《YOLOv8改进有效涨点》介绍&目录

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YOLOv8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YOLOv8的官方项目的实时更新。

专栏聚焦前沿方法，本专栏的改进，适用于【分类】、【目标检测】、【语义分割】、【目标追踪】、【关键点检测】等主流任务。且改进后的算法使用于多种场景，包括但不限于小目标检测，工业缺陷检测，自动驾驶，医学影像，农业，智慧城市等主流的数据场景

本专栏为小白打造，手把手教你修改代码。文末还有修改后的完整代码，下载即可运行。此外，文章末尾还有进阶部分等你来挑战！【本专栏平均质量分数94，可见官方对本专栏的认可，也符合本专栏求质不求量的宗旨。欢迎订阅本专栏，一起学习YOLO，共同进步】

专栏的优势：

本专栏考虑到刚入门的小白，因此手把手教程，每一步的修改都有详细的图文说明和配套的代码，帮助读者深入理解和实践改进的技巧。对于已经入门的同学，在文章的后面，增加进阶的部分，挑战进阶任务，会有意外的收获。无论是【分类】、【目标检测】、【语义分割】、【目标追踪】、【关键点检测】，专栏在一定的程度上都可以提供有价值的内容和实用的指导。

如果你是企业员工或者导师可以报销的话，订阅专栏后可以申请发票报销

预计上有百种【目前160+】创新方法技巧，创新机制每周持续更新，还有各种方便适用的脚本。现在已更新100余种创新机制，会尽快更新其他创新内容

订阅本专栏即可永久学习，预计最终更新200篇文章左右。平均每篇文章不足1块钱，早买早发文，后期会涨价

 专栏地址： YOLOv8改进有效涨点——点击即可跳转 欢迎订阅

 专栏导航：

试读文章

YOLOv8改进 | 注意力机制 | 正确的 Self-Attention 与 CNN 融合范式，性能速度全面提升【独家创新】

🎍实验指标分析 🎍

  1. YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】
  2. YOLOv8入门 | yaml文件解读，YOLOv8网络结构打印以及网络结构图绘制【小白必看】
  3. YOLOv8入门 | 实用脚本 | 绘制多个实验的loss、mAP@0.5、mAP@0.5:0.95的高级图像【科研必备 + 绘图神器】
  4. YOLOv8改进 | 科研必备 | 计算YOLOv8、YOLOv10模型的FPS的脚本【复制 - 粘贴 - 运行】

🐛报错解决🐛

  1. YOLOv8 | 添加模块导致报错KeyError：已解决，详细步骤

  2. YOLOv8报错 | 添加注意力机制报错 | ValueError: Expected more than 1 value per channel when training, got input s-CSDN博客

💡主干网络篇 💡

  1. YOLOv8改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】

  2. YOLOv8改进 | 主干网络 | 增加网络结构增强小目标检测能力【独家创新——附结构图】

  3. YOLOv8改进 | 主干网络 | 在backbone添加Swin-Transformer层【论文必备】

  4. YOLOv8改进 | 主干网络 | 涨点技巧 添加SwinTransformer

  5. YOLOv8改进 | 网络结构 | 详细讲解YOLOv8的网络结构_yolov8-pose网络结构

  6. YOLOv8改进 | 融合模块 | 用Resblock+CBAM卷积替换Conv【轻量化网络】

  7. YOLOv8改进 | 主干网络 | 用SimRepCSP作为主干网络提取特征【全网独家 + 降本增效】

  8. YOLOv8改进 | 主干网络| 可变形卷积网络C2f_DCN【CVPR2017】

  9. YOLOv8改进 | 主干网络 | C2f融合动态卷积模块ODConv

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

  11. YOLOv8改进 | 主干网络 |模糊图像/恶劣天气下的目标检测改进

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

  13. YOLOv8改进 | 主干网络 | 简单而优雅且有效的VanillaNet 【华为诺亚方舟】

  14. YOLOv8改进 | 主干网络 | 十字形通用视觉主干CSWin Transformer【OD, Seg,OBB】

  15. YOLOv8改进 | 主干网络 | 将backbone替换为MobileNetV4【小白必备教程+附完整代码】

  16. YOLOv8改进 | 主干网络 | 用EfficientNet卷积替换backbone【教程+代码 】

  17. YOLOv8改进 | 主干网络 | 替换EfficientViT为backbone【轻量化网络】

  18. YOLOv8改进 | 主干网络 | 动态调整目标的感受野的LSKNet【旋转目标检测SOTA】

🚀即插即用的注意力机制🚀

  1. YOLOv8改进 | 注意力机制 | ShuffleAttention注意力机制 提升检测精度

  2. YOLOv8改进 | 注意力机制 | 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

  3. YOLOv8改进 | 注意力机制 | 添加SimAM注意力机制【全网独家+附完整代码】

  4. YOLOv8改进 | 注意力机制 | 添加双重注意力机制 DoubleAttention【附代码+小白必备】

  5. YOLOv8改进 | 注意力机制 | 添加全局注意力机制 GcNet【附代码+小白必备】

  6. YOLOv8改进 | 注意力机制 | 添加ECA注意力机制

  7. YOLOv8 改进| 注意力机制 | 添加九种种注意力机制，开箱即用

  8. YOLOv8改进 | 注意力机制 | 添加GAM注意力机制，使用Wise-IoU有效提升目标检测效果

  9. YOLOv8改进 | 注意力机制 |添加SE注意力机制提升目标检测效果

  10. Yolov8改进 | 注意力机制 | YOLOv8-AM，添加多种注意力模块提高检测精度，含代码，超详细

  11. YOLOv8改进 | 注意力机制 | 添加适用于遥感图像的LSKblock注意力——【二次创新+完整代码】

  12. YOLOv8改进 | 注意力机制 | 添加混合局部通道注意力——MLCA【原理讲解】

  13. YOLOv8改进 | 注意力机制 | 正确的 Self-Attention 与 CNN 融合范式，性能速度全面提升【独家创新】

  14. YOLOv8改进 | 注意力机制 | 在主干网络中添加MHSA模块【原理+附完整代码】

  15. YOLOv8改进 | 注意力机制 | 在主干网络中添加SOCA模块【原理+附完整代码】

  16. YOLOv8改进 | 注意力机制 | 添加SimAM注意力机制【全网独家+附完整代码】

  17. YOLOv8改进 | 注意力机制 | 用于增强小目标感受野的RFEM

  18. YOLOv8改进 | 注意力机制 | 轻量级的空间组增强模块SGE【全网独家】

  19. YOLOv8改进 | 注意力机制 | 迈向高质量像素级回归的极化自注意力【全网独家】

  20. 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】

  21. 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

  22. 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】

  23. 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】

  24. 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】

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

  26. YOLOv8 改进 | 注意力机制 | 处理原始SE通道信息丢失问题的ESE【含分割，检测，OBByaml文件】​​​​

  27. YOLOv8改进 | 注意力机制 | 十字交叉注意力机制CrissCrossAttention【含目标检测，语义分割等yaml文件】
  28. YOLOv8改进 | 注意力机制 | 反向残差注意力机制【内含创新技巧思维】

☘️损失函数☘️

  1. YOLOv8 | 损失函数 | 最新提出的Shape-IoU,有效涨点

✒️卷积模块✒️

  1. YOLOv8改进 | 卷积模块 | 添加选择性内核SKConv【附完整代码一键运行】

  2. YOLOv8改进 | 卷积模块 | 提高网络的灵活性和表征能力的动态卷积【附代码+小白可上手】

  3. YOLOv8改进 | 卷积模块 | 即插即用的可变核卷积AKConv【附代码+小白可上手】

  4. YOLOv8改进 | 卷积模块 | 提高网络的灵活性和表征能力的动态卷积【附代码+小白可上手】

  5. YOLOv8改进 | 卷积模块 | 用DWConv卷积替换Conv【轻量化网络】

  6. YOLOv8改进 | 卷积模块 | 改进Ghost卷积轻量化网络_ghost轻量化模块对于yolov8的改进

  7. YOLOv8改进 | 卷积模块 | GSConv+Slim Neck，有效提升目标检测效果，代码改进（超详细）

  8. YOLOv8改进 | 卷积模块| 在网络中替换c2f为融合蛇形卷积的C2f_DySnakeConv

  9. YOLOv8改进 | 卷积模块 | 在主干网络中添加/替换蛇形卷积Dynamic Snake Convolution

  10. YOLOv8改进 | 卷积模块 | 用坐标卷积CoordConv替换Conv

  11. YOLOv8改进 | 卷积模块 | GSConv替换普通的conv【轻量又涨点】

  12. YOLOv8改进 | 卷积模块 | 分布移位卷积DSConv替换Conv

  13. YOLOv8改进 | 卷积模块 | 减少冗余计算和内存访问的PConv【CVPR2023】

  14. YOLOv8改进 | 卷积模块 | SAConv可切换空洞卷积

  15. YOLOv8改进 | 卷积模块 | 无卷积步长用于低分辨率图像和小物体的新 CNN 模块SPD-Conv​​​​​​

🎈HEAD【含Neck】🎈

  1. YOLOv8改进 | Neck | 添加双向特征金字塔BiFPN【含二次独家创新】 

  2. YOLOv8改进 | FPN | 新型上采样算子CARAFE【全网独家】

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

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

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

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

  7. YOLOv8改进 | Neck | 有效提升小目标检测效果，附完整代码结构图【小白必备】

  8. YOLOv8进 | 检测头 | 小目标遮挡物性能提升的检测头Detect_MultiSEAM【完整代码】

  9. YOLOv8改进 | Neck | 轻骨干重Neck的小目标检测网络【完整代码】​​​​​​

🎇SPPF🎇

  1. YOLOv8改进 | SPPF | 双通道特征处理的池化结构——SPPFCSPC【全网独家】 

  2. YOLOv8改进 | SPPF | 具有多尺度带孔卷积层的ASPP【CVPR2018】

✂️剪枝✂️

  1. YOLOv8 | 剪枝 | 用torch_pruning剪枝

🎶模块缝合🎶 

  1. 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】​​​​​​
  2. 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】
  3. 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】
  4. YOLOv8改进 | 融合改进 | C2f融合可变核卷积AKConv【附代码+小白可上手】
  5. YOLOv8改进 | 融合改进 | C2f融合轻量化视觉Transformer【完整代码】
  6. YOLOv8改进 | 融合改进 | C2f融合新颖的可扩张残差注意力模块助力小目标检测【完整代码】
  7. YOLOv8改进 | 融合改进 | C2f融合重写星辰网络之Rewrite the Stars⭐【CVPR2024】
  8. YOLOv8改进 | 融合改进 | C2f融合ContextGuided增强分割效果
  9. YOLOv8改进 | 模块融合 | C2f融合可变形自注意力模块【模块缝合】
  10. YOLOv8改进 | 融合改进 | C2f 融合Dilated Reparam Block提升检测效果【附代码+小白可上手】
  11. YOLOv8改进 | 融合改进 | C2f 融合Efficient Multi-Scale Conv提升检测效果【改进结构图+完整代码】
  12. YOLOv8改进 | 融合改进 | C2f融合EffectiveSE-Convolutional【完整代码 + 小白必备】
  13. YOLOv8改进 | 融合改进 | C2f融合Efficient Multi-Scale Conv Plus【完整代码】
  14. YOLOv8改进 | 融合改进 | C2f融合Faster模块提升检测速度【完整代码 + 主要代码解析】
  15. YOLOv8改进 | 融合改进 | C2f融合Faster-GELU模块提升检测速度【完整代码 + 主要代码解析】
  16. YOLOv8改进 | 模块融合 | C2f融合 ghost + DynamicConv 【两次融合 + 独家改进】
  17. YOLOv8改进 | 模块缝合 | C2f融合多尺度表征学习模块 【含OD、RTDETR、OBB等yaml文件】
  18.  YOLOv8改进 | 模块缝合 | C2f融合卷积重参数化OREPA【CVPR2022】​​​​​​
  19. YOLOv8改进 | 模块缝合 | C2f融合PKINet提升遥感图像的检测性能【完整代码】
  20. YOLOv8改进 | 模块缝合 | C2f融合PPA注意力机制【完整代码 + 独家改进】
  21. YOLOv8改进 | 模块缝合 | C2f 融合RetBlock提升检测性能【CVPR2024-全网首发】
  22. YOLOv8改进 | 模块缝合 | C2f 融合REPVGGOREPA提升检测性能【详细步骤 完整代码】
  23. YOLOv8改进 | 模块缝合 | C2f 融合RFAConv增强感受野空间特征 【完整代码 + 自研创新】

📌激活函数📌

  1. YOLOv8改进 | 激活函数 | 十余种常见的激活函数一键替换【完整代码】

​​

YOLOv8改进有效涨点专栏目录——包含backbone、head、neck和损失函数上百余种改进技巧
kay_545
06-05 694
YOLO模型以其在图像和视频中检测对象的高速度和准确性而闻名，因此在各种计算机视觉应用中广受欢迎。其先进的架构、高效的训练技术和多功能性使其成为各种计算机视觉任务的强大工具。随着持续的研究和发展，YOLOv8有望继续推动目标检测及其相关领域的发展。YOLOv8在其前辈（如YOLOv4、YOLOv5和YOLOv7）的架构基础上，融合了先进的神经网络技术。YOLOv8结合了先进的训练策略，如标签平滑、混合精度训练和自动超参数调整。这简化了模型，并减少了定义和调整锚框所带来的计算开销。
Yolov8有效涨点：YOLOv8-AM，添加多种注意力模块提高检测精度，含代码，超详细
kay_545
02-25 4893
2023 年，Ultralytics 推出了最新版本的 YOLO 模型。注意力机制是提高模型性能最热门的方法之一。本次介绍的是YOLOv8-AM，它将注意力机制融入到原始的YOLOv8架构中。具体来说，我们分别采用四个注意力模块：卷积块注意力模块（CBAM）、全局注意力机制（GAM）、高效通道注意力（ECA）和随机注意力（SA）来设计改进模型并在数据集上进行测试。
YOLOv8技术详解：革命性的目标检测算法
最新发布
easyaigx的博客
04-18 3118
YOLOv8作为YOLO系列的最新力作，在保持高速度的同时，实现了更高的检测精度与灵活性。它的创新设计与多样化的应用，使得YOLOv8在学术研究和工业实践中都有着广泛的前景。无论是对新手还是资深研究者，YOLOv8都是一个值得深入探索的目标检测算法。
Yolov8大幅涨点！Yolov8+GEM注意力机制
第欧根尼的酒桶的博客
01-18 2772
相较原版YOLOv8s模型，我们添加了全局注意力机制，即可以通过保留空间和通道信息之间的关联来提高模型的性能。将输入特征映射通过通道注意力子模块和空间注意力子模块形成GAM的输出特征。
YOLOv8改进涨点，添加GSConv+Slim Neck，有效提升目标检测效果，代码改进（超详细）
kay_545
02-28 3464
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。
YOLOv8涨点技巧：手把手教程，注意力机制如何在不同数据集上实现涨点的工作，内涵多种网络改进方法
10-17 4146
手把手教程，解决注意力机制引入到YOLOv8在自己数据集不涨点的问题点，本文提供五种改进方法来解决此问题；
YOLOv8最新改进系列：YOLOv8融合BiFPN网络，亲测显著涨点！
热门推荐
B站 Ai学术叫叫兽的文案地
08-31 3万+
提示：文章写完后，目YOLOv8最新改进系列：YOLOv8融合BiFPN网络，亲测显著涨点！
《YOLOv5入门 + 改进涨点》专栏介绍 & 专栏目录 |目前已有80+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 6462
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。
《YOLO11改进有效涨点》 专栏目录 | 目前已有90+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck等创新点改进【持续更新】
kay_545
11-04 8453
YOLO11改进专栏目录，YOLO11改进目录
全新芒果YOLOv8改进专栏 | 专栏目录：目前已有170+篇内容，内含各种Head检测头、标签分配策略、损失函数Loss、Backbone、Neck、写作|指标、NMS等全方位创新点改进
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-14 1万+
芒果YOLOv8改进专栏 | 内含各种Head检测头、标签分配策略、损失函数Loss、Backbone、Neck、写作|指标、NMS等全方位创新点改进
YOLOv8改进 | ODConv卷积助力极限涨点（附修改后的C2f、Bottleneck模块代码）
Snu77的博客
11-16 9338
这篇文章给大家带来的是发表于2022年ICLR的ODConv中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块，在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家该卷积模块主要具有更小的计算量和更高的精度，其中添加ODConv模块的网络(只替换了一处C2f中的卷积)参数量由8.9GFLOPS减小到8.8GFLOPS，精度也有提高->
YOLOv8相较于YOLOv5有哪些改进？
千天夜的博客
11-07 2124
综上所述，YOLOv8相比YOLOv5在算法上进行了多项改进，这些改进使得YOLOv8在目标检测任务中表现出更高的性能和准确性。
Yolov8+动态蛇形卷积，助你大幅涨点！
第欧根尼的酒桶的博客
02-03 2204
动态蛇形卷积（DSCONV）是一种深度学习中的卷积神经网络（CNN）技术，它旨在处理卷积操作中的某些限制，以提高网络处理不规则数据的能力。适用场景：血管、道路等复杂网状管状结构。
YOLOv8高效涨点之改进 MAE+ConvNeXtv2
qq_53545309的博客
07-23 534
论文采取的方案网络设计实验部分。
Yolov8涨点神器：用于微小目标检测的上下文增强和特征细化网络ContextAggregation，助力小目标检测，暴力涨点
05-26 4623
CONTAINER(CONText AggregatIon NEtwoRK)，一种用于多头上下文集成（Context Aggregation）的广义构建模块引入到yolov8，在多个数据集上实现暴力涨点
最新改进YOLOv8系列：YOLOv8改进ShuffleNetV2，有效涨点！
B站 Ai学术叫叫兽的文案地
09-04 8104
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:ShuffleNetV1结构的问题：如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
YOLOv8高效涨点之 改进DAMOYOLO结构
qq_53545309的博客
07-23 1221
论文地址：2211.15444 (arxiv.org)DAMO-YOLO的介绍与性能：技术细节：模型规模与应用：轻量级模型：性能对比：首先在ultralytics/nn文件夹下，创建一个cretonext.py文件，新增以下代码 YOLOv8 修改部分 修改部分 第一步： 在文件中然后在 在中配置 找到 在这句上面加一个 YOLOv8网络配置文件 新增以下配置yaml文件yolov8_damoyolo.yaml
YOLOv8实现自定义数据集涨点
qq_59637356的博客
10-20 313
yolo增加YOLOv11的C3k2模块
Yolov8实战：交通信号roadsign识别，通过加入CVPR203 DCNV3和BiLevelRoutingAttention，暴力涨点
05-05 2047
yolov8创新组合：通过加入cvpr2023中的DCNV3和BiLevelRoutingAttention来提升检测精度，最终map从0.841提升至0.903
yolov8缝合模块教程
01-15
### YOLOv8 模块整合教程 #### 1. 环境准备 为了成功整合YOLOv8的不同模块，首先需要安装必要的依赖库。推荐使用Anaconda环境管理工具。 ```bash conda create -n yolov8 python=3.9 conda activate yolov8 pip install ultralytics ``` #### 2. 数据集配置 数据集对于模型训练至关重要。创建`data.yaml`文件来指定类别名称、图像路径和其他必要参数： ```yaml train: ./datasets/train/ val: ./datasets/valid/ nc: 80 names: ['person', 'bicycle', ... ] # 类别列表 ``` #### 3. 配置文件调整 编辑`yolov8.yaml`配置文件以适应特定需求。此部分涉及修改Backbone、Neck和Head的具体设置。例如，在Backbone中可以引入C2f模块替代原有的C3模块[^1]。 #### 4. Backbone与Neck连接 通过定义特征金字塔网络（FPN），将Backbone提取到的基础特征传递给Neck处理。这里需要注意的是，PANet被用来加强多尺度特征融合效果。具体实现如下所示： ```python from models.common import C2f, SPPF, PAN def build_neck(backbone_output): csp_layer = C2f(channels=backbone_output.shape[1]) sppf_module = SPPF(csp_layer.output_channels) pan_net = PAN([sppf_module.output_channels]*3) return pan_net(sppf_module(csp_layer(backbone_output))) ``` #### 5. Head设计 构建解耦头结构(Decoupled-Head)，分别负责分类预测和边界框回归任务。这一步骤还涉及到从Anchor-Based向Anchor-Free转变的过程[^2]。 ```python class DecoupledHead(nn.Module): def __init__(self, num_classes, input_channels): super().__init__() self.cls_head = nn.Conv2d(input_channels, num_classes, kernel_size=1) self.reg_head = nn.Sequential( nn.Conv2d(input_channels, 4 * (num_anchors_per_level), kernel_size=1), nn.Sigmoid() # 将坐标映射至有效范围 ) def forward(self, x): cls_pred = self.cls_head(x).permute(0, 2, 3, 1).contiguous() reg_pred = self.reg_head(x).reshape(batch_size, h*w*num_levels, 4) return {'cls': cls_pred, 'reg': reg_pred} ``` #### 6. Loss函数定制 根据项目特点自定义损失函数，通常情况下会结合VFL/BCE Loss用于分类分支以及DFL/CIOU Loss应用于定位分支。 ```python import torch.nn.functional as F def compute_loss(predictions, targets): pred_cls, pred_reg = predictions['cls'], predictions['reg'] target_cls, target_boxes = targets classification_loss = F.binary_cross_entropy_with_logits(pred_cls, target_cls) regression_loss = ciou_loss(pred_reg, target_boxes) + distribution_focal_loss(pred_reg, target_boxes) total_loss = classification_loss + regression_loss return { "total": total_loss, "classification": classification_loss.item(), "regression": regression_loss.item() } ```
评论 6
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