YOLO11改进 | 主干网络 | 将backbone替换为Swin-Transformer结构【论文必备】

已于 2024-10-20 16:25:10 修改
阅读量2.3k 收藏 23
点赞数 13
分类专栏： YOLO11改进有效涨点 文章标签： yolo11 yolo11改进 YOLO 面试 人工智能 深度学习 目标检测
于 2024-10-20 15:05:01 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/143061917
版权

 秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

本文给大家带来的教程是将YOLO11的backbone替换为Swin-Transformer结构来提取特征。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。 

专栏地址：YOLO11入门 + 改进涨点——点击即可跳转 欢迎订阅

目录

1.论文

2. 将Swin-Transformer添加到yolo11网络中

2.1 Swin-Transformer代码实现

2.2 Swin-Transformer的神经网络模块代码解析

2.3 更改init.py文件

2.4 添加yaml文件

2.5 在task.py中进行注册

2.6 执行程序

3.修改后的网络结构图

4. 完整代码分享

了解本专栏 订阅专栏 解锁全文
芒果YOLO11改进72：主干Backbone篇Swin Transformer：在基础SwinTransformer结构的基础上进行多种改进结构，集成Transformer和CNN的优势
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-10 96
主干Backbone篇Swin Transformer：在基础SwinTransformer结构的基础上进行多种改进结构，集成Transformer和CNN的优势
YOLOv11改进 | 融合改进篇 | Damo-YOLO融合SwinTransformer轻量化创新yolov11（可替换专栏20+主干）
Snu77的博客
11-15 1449
本文给大家带来的最新改进机制是融合改进，利用Damo-YOLO配合，其中Damo-YOLO和在我前面的文章都已经讲过了如何使用，本文主要讲一下将他们融合起来的注意事项以及使用方法，同时在开始讲解之前推荐一下我的专栏，本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣(相同文章数量全网最低)欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！
Swin Transformer + YOLO系列!（以YOLOv11为例） 层级式特征提取 猛猛提点！保姆级手把手教程来了！（已出单版！！！！）
m0_56520034的博客
03-17 980
上图为Swin Transformer网络结构图传统检测基于卷积思想（CNN）进行特征提取，CNN更为关注局部特征，忽略了局部与局部之间的联系，而Transformer很好地解决了这一问题。Swin Transformer更多地结合了计算机视觉的先验知识，实现了与卷积神经网络类似的层级化结构设计，通过Self Window、Shifted Window配对的灵活的自注意力机制，使得网络在较浅的层级就已经拥有了覆盖全局的感受野，拥有全局建模的能力，并且提高了模型的计算性能。详细内容，请见原文。
Swin Transformer【Backbone】
记录/交流，加油啊呀...
07-24 2094
笔记_简介
Backbone - Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
清欢
06-04 611
文章目录0. 前言1. 要解决什么问题2. 用了什么方法3. 效果如何4. 还存在什么问题&可借鉴之处 0. 前言 相关资料： arxiv github 论文解读 论文基本信息 领域：Transformer 作者单位：微软亚洲研究院 发表时间：2021.3 一句话总结：将 hierarchical 引入 Transformer 1. 要解决什么问题 CV和NLP任务相比，CV的特点是（换句话说，就是Transformer用在CV时可能存在的问题） large variation
手把手教你如何修改YOLO11的模型结构（以CBAM和可变性卷积为例）
2401_86807530的博客
12-30 5619
YOLO11修改模型结构
YOLO11网络结构以及改进1
qq_37269626的博客
02-14 1296
回到yolo11.yaml文件，我们只是绘制了对应的网络模块，而没有管后面的参数信息，这明显是不够的，后期我们进行模型改进，也是要注意这个的，不是随心所欲。位置：ultralytics/nn/modules/conv.py。特点：YOLO11代码更加模块化以及简洁化。所以只需要在yaml中加入即可。由于本身就有CBAM的代码。改进一定要修改此处代码。
目标检测算法改进系列之Backbone替换为Swin Transformer
DM_zx的博客
10-06 1378
目标检测算法改进系列之Backbone替换为Swin Transformer
YOLOv8改进 | 主干网络 | 将backbone替换为Swin-Transformer结构【论文必备】
kay_545
09-22 2262
yolov8、Swin-Transformer、主干网络
YOLO11改进 | Neck | 在backbone添加Swin-Transformer层【论文必备】
kay_545
10-25 1606
yolo11改进，yolo11，Swin-Transformer
YOLOv8改进 | 主干网络 | 在backbone添加Swin-Transformer层【论文必备】
kay_545
05-15 1488
YOLOv8改进，Swin-Transform，YOLOv8添加Swin-Transform
YOLOv11改进策略【Backbone/主干网络】| 替换骨干网络为：Swin Transformer，提高多尺度特征提取能力
Limiiiing的博客
10-31 1235
本文记录的是基于SwinTransformer的YOLOv11目标检测改进方法研究。本文利用替换YOLOv11的骨干网络，的作用在于同时包含层次化特征表示和基于移位窗口的自注意力机制，克服了常见模型在视觉任务中面临的尺度差异和分辨率差异问题。本文将其应用到v11中，使其在保持推理高效的同时，具备大模型的特点。
YOLO11改进-Backbone-引入Swin Transformer替换backbone，利用自注意力机制获取上下文信息
最新发布
qq_64693987的博客
04-22 993
基于移位窗口的自注意力计算：标准 Transformer 的全局自注意力计算复杂度与令牌数量呈二次关系，不适用于许多视觉任务。Swin Transformer 提出在局部窗口内计算自注意力，将窗口均匀划分图像且互不重叠，降低计算复杂度。同时，采用移位窗口分区方法，在连续的 Swin Transformer 块中交替使用两种分区配置，引入跨窗口连接，增强模型建模能力。相对位置偏差：在计算自注意力时，引入相对位置偏差，为每个头计算相似度时加入相对位置偏差矩阵B。
YOLOv10改进 | 主干篇 | YOLOv10引入华为VanillaNet替换Backbone
tsg6698的博客
06-19 859
VanillaNet 的这一富有远见的旅程具有重新定义景观并挑战基础模型现状的巨大潜力，为优雅而有效的模型设计开辟了一条新道路。此外，为了增强网络的非线性特性，VanillaNet还提出了一种有效的基于序列的激活函数，该函数结合了多个可学习的仿射变换。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~3.3 在tasks.py里引用。
YOLOv11改进 | 融合篇，YOLOv11改进主干网络为MobileNetV3+CA注意机制
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-11 1480
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
YOLOv8 | 代码逐行解析(一) | 项目目录构造分析
热门推荐
Snu77的博客
12-16 3万+
Hello，大家好这次给大家带来的不是改进，是整个YOLOv8项目的分析，整个系列大概会更新7-10篇左右的文章，从项目的目录到每一个功能代码的都会进行详细的讲解，同时YOLOv8改进系列也突破了三十篇文章，最后预计本专栏持续更新会在年底更新上百篇的改进教程， 所以大家如果没有订阅专栏可以提前订阅以下。下面开始进行YOLOv8逐行解析的一篇——项目目录构造分析在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，。
YOLOv8改进 | 主干篇 | SwinTransformer替换Backbone（附代码 + 详细修改步骤 +原理介绍）
Snu77的博客
12-12 9032
本文给大家带来的改进机制是利用Swin Transformer替换YOLOv8中的骨干网络其是一个开创性的视觉变换器模型，它通过使用位移窗口来构建分层的特征图，有效地适应了计算机视觉任务。与传统的变换器模型不同，Swin Transformer的自注意力计算仅限于局部窗口内，使得计算复杂度与图像大小成线性关系，而非二次方。这种设计不仅提高了模型的效率，还保持了强大的特征提取能力。Swin Transformer的创新在于其能够在不同层次上捕捉图像的细节和全局信息，使其成为各种视觉任务的强大通用骨干网络。
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 6237
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
Swin-Transformer网络yolov5
01-10
### 将Swin-Transformer与YOLOv5结合实现目标检测 #### 方法概述 为了提高YOLOv5对于小目标的检测能力，可以引入Swin Transformer结构。具体来说，在原有YOLOv5框架基础上加入基于Swin Transformer设计的小目标检测...
评论 4
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