YOLO11改进 | 模块融合 | C3k2融合Ghost+ DynamicConv 【二次融合 + 独家改进】

已于 2024-11-19 13:57:29 修改
阅读量1.7k 收藏 11
点赞数 22
分类专栏： YOLO11改进有效涨点 文章标签： yolo11改进 yolo11 目标检测 人工智能 计算机视觉 yolo11发论文 python
于 2024-11-18 19:19:19 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/143864240
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C3k2替换为融合结构来提取特征。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. C3k2_DynamicConv代码实现

2.1 将C3k2_DynamicConv添加到YOLO11中

2.2 更改init.py文件

2.3 添加yaml文件

2.4 在task.py中进行注册

2.5 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
YOLO11改进 | 融合改进 | C3k2融合 Context Anchor Attention 【两个版本融合-独家创新】
kay_545
11-07 1580
yolo11，yolo11改进，融合创新，独家改进
YOLOv10改进系列 ---- Conv篇 ---- CVPR2024最新DynamicConv替换下采样
m0_58941767的博客
02-19 1199
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V10n和利用了DynamicConv的训练精度对比图，本文内容包含详细教程 + 代码 + 原理介绍。
Ghost V8.0 使用详解 【操作说明】
08-20 7187
Ghost V8.0 使用详解 【操作说明】 一、分区备份　　使用Ghost进行系统备份，有整个硬盘（Disk）和分区硬盘（Partition）两种方式。在菜单中点击 Local（本地）项，在右面弹出的菜单中有3个子项，其中 Disk表示备份整个硬盘（即克隆）、Partition 表示备份硬盘的单个分区、Check 表示检查硬盘或备份的文件，查看是否可能因分区、硬盘被破坏等造成备份或还原失败。
YOLO11改进-模块-引入混合结构模块Mix Structure Block 提高多尺度、小目标
qq_64693987的博客
02-24 2044
多尺度并行大卷积核模块（MSPLCK）：大卷积核具有更大的有效感受野和更高的形状偏差，能通过扩大感受野在学习的潜在域空间中捕获更多结构化信息，帮助单个像素基于大范围周围像素恢复图像并还原物体形状；小卷积核则专注于细节特征，恢复纹理细节。不同大小的卷积核并行工作，可从不同尺度关注图像区域，提取多尺度特征，这些特征在通道维度上连接，再经多层感知器处理，既能融合不同类型特征，又能拟合去雾特征。增强并行注意力模块（EPA）
YOLO11改进-模块-引入混合池化注意力模块Hybrid Pooling Attentio解决小目标问题、遮挡问题
qq_64693987的博客
02-26 1837
平均池化和最大池化操作的结合可以有效整合通用和详细信息，增强特征图的表示能力。平均池化近似窗口内的值，类似对日常经验的模糊记忆，能获取数据的大致趋势；最大池化捕获窗口内的峰值，类似对重要或特殊事件的清晰记忆，可突出数据的关键特征。通过在不同空间维度上分别进行平均池化和最大池化操作，HPA 可以从不同角度捕捉特征信息。同时，利用分组和重加权的思想，对输入特征图进行分组处理，通过跨空间学习的方式整合不同组的特征，自适应地重新校准通道间的关系，实现不同的跨通道交互，从而有效捕捉和学习复杂的低级特征表示。
YOLO11改进-模块-引入极性感知注意力 Polarity-Aware Attention
qq_64693987的博客
02-25 1291
在传统的模型注意力机制里，就好比我们看东西只看一半。它常常会把一些带有 “负” 含义的信息丢掉，只留下 “正” 信息。比如说，在判断两个事物的关系时，只关注它们相似、匹配的地方，而忽略了它们之间不匹配、相反的部分。极性感知注意力就改进了这一点，它把每个信息（查询向量和键向量）都拆成 “正” 和 “负” 两个部分。这样一来，模型在计算两个信息之间的关系时，不仅会考虑它们相同符号（比如都为正或者都为负）部分的相似程度，还会考虑不同符号（一个正一个负）部分的相互作用。
YOLO11改进 | 卷积模块 | 轻量化GSConv替换普通的conv
kay_545
10-05 2406
yolo11，GSConv，卷积模块
YOLOv11改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule辅助C3k2进行特征融合（全网独家首发）
Snu77的博客
10-16 2733
本文给大家带来的改进机制是CVPR2024的改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，从而允许这些网络从大规模视觉预训练中获益。欢迎大家订阅我的专栏一起学习YOLO！
YOLO11改进 | 卷积模块 | 用Ghost卷积轻量化网络【详细步骤】
kay_545
10-06 4597
yolo11改进，yolo11改进，创新
《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 8483
YOLO11改进专栏目录，YOLO11改进目录
YOLO11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】
kay_545
10-14 1255
yolo11改进，yolo11
YOLO11改进|上采样篇|引入CARAFE上采样模块
A1983Z的博客
10-03 2300
YOLO11中引入CARAFE上采样模块
YOLOv11改进 | 注意力篇 | YOLOv11引入Polarized Self-Attention注意力机制
tsg6698的博客
10-03 1319
在本文中，我们提出了偏振自注意力（PSA）模块，它结合了高质量像素级回归的两个关键设计：（1）偏振过滤：在通道和空间注意力计算中保持高内部分辨率，同时完全折叠输入张量 它们的对应尺寸。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YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种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~这有助于在不增加太多计算负担的情况下，保留重要的空间细节和通道信息。
YOLO11改进 | 注意力机制 | 添加多种注意力机制，开箱即用
kay_545
10-17 2741
yolo11改进，yolo11，yolo11添加多种注意力机制
YOLOv11改进 | 独家创新- 注意力篇 | YOLOv11结合全新多尺度动态增强注意力机制DSAttention(全网独家创新)
tsg6698的博客
10-04 664
(4). 通道注意力增强：DSAttention在进行多尺度卷积之前，利用池化操作结合1x1卷积进行通道注意力的计算，通过Adaptive Pooling层提取通道间的全局信息，并通过Sigmoid激活函数强化重要的特征通道，从而提升特征选择的精度。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YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种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~
YOLO11改进|YOLO11中引入轻量级幽灵卷积GhostConv
最新发布
A1983Z的博客
03-20 174
YOLO11改进|引入轻量级幽灵卷积GhostConv
YOLO11改进|SPPF篇|引入FocalModulation特征金字塔
A1983Z的博客
10-12 1215
YOLO11中添加FocalModulation特征金字塔
YOLO11改进|注意力机制篇|引入MSDA注意力机制
A1983Z的博客
10-14 1213
YOLO11中添加MSDA注意力机制
YOLO11改进|注意力机制篇|引入MSCA注意力机制
A1983Z的博客
10-08 3624
YOLO11中添加MSCA多尺度卷积注意力
c3k2网络结构图Bottleneck
02-20
### C3K2网络结构中的Bottleneck 在C3K2网络结构中，瓶颈（Bottleneck）模块是一个重要的组成部分。该模块旨在减少计算量的同时保持较高的表达能力。具体来说，在YOLOv7及其变体的设计中，瓶颈模块通常由一系列卷积层组成，这些卷积层负责逐步压缩和解压特征图的空间维度。 对于C3K2而言，瓶颈设计借鉴了ResNet系列的经典做法，并进行了优化： - **输入阶段**：接收来自前一层的特征映射作为输入。 - **降维处理**：首先通过1×1卷积降低通道数至原有一半甚至更低的比例，以此达到减少后续运算负担的目的[^1]。 ```python import torch.nn as nn class Bottleneck(nn.Module): expansion = 0.5 def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) # 中间层通道数量 self.cv1 = nn.Conv2d(c1, c_, kernel_size=1, stride=1, padding=0) self.bn1 = nn.BatchNorm2d(c_) self.cv2 = nn.Conv2d(c_, c2, kernel_size=3, stride=1, padding=1, groups=g) self.bn2 = nn.BatchNorm2d(c2) self.act = nn.SiLU() self.add_shortcut = shortcut and c1 == c2 def forward(self, x): residual = x if self.add_shortcut else None out = self.act(self.bn1(self.cv1(x))) out = self.act(self.bn2(self.cv2(out))) if self.add_shortcut: out += residual return out ``` - **核心操作**：接着利用3×3大小的标准卷积进一步提取局部特征；此过程中可能会加入深度可分离卷积等高效机制以提升性能表现[^2]。 - **升维恢复**：最后再经由另一个1×1卷积将通道数目还原回初始状态，准备传递给下一层继续加工。 值得注意的是，为了提高效率并简化实现难度，某些版本可能省去了最后一个升维步骤，转而在其他地方做相应调整来维持整体平衡。此外，当涉及到跨尺度连接时，则会采用类似于FPN（Feature Pyramid Network）的方式来进行多级信息交互[^3]。
评论
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