YOLO11改进 | 模块缝合 | C3k2融合多尺度表征学习模块【两种改进】

kay_545

已于 2024-11-21 08:41:09 修改

阅读量1.2k

点赞数 19

分类专栏： YOLO11改进有效涨点文章标签： yolo11改进 yolo11 深度学习目标检测计算机视觉 yolo11发论文 python

于 2024-11-20 19:06:05 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/143922567

版权

YOLO11改进有效涨点专栏收录该内容

99 篇文章 ¥199.90 ¥299.90

订阅专栏

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

2. C3k2_MSBlock代码实现

2.1 将C3k2_MSBlock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

博客等级

码龄3年

人工智能领域优质创作者

405
原创

9412
点赞

1万+
收藏

3万+
粉丝

关注

私信

热门文章

分类专栏

展开全部收起

上一篇：: YOLO11改进 | 模块融合 | C3k2融合Ghost+ DynamicConv 【二次融合 + 独家改进】

下一篇：: YOLO11改进 | 融合改进 | C3k2可变形卷积网络DCN

最新评论

YOLO11论文 | 可视化 | 对模型进热力图可视化增强改进有效性说服力支持od、seg、cls【论文、科研必备】
kay_545: 订阅专栏完整代码进群获取
YOLOv5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】
素质悍匪: [code=python] class Bottleneck_RepConv(nn.Module): def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) # 1x1卷积用原Conv self.cv2 = RepConv(c_, c2, 3, 1, g=g) # 3x3卷积用RepConv self.add = shortcut and c1 == c2 def forward(self, x): y = self.cv2(self.cv1(x)) return x + y if self.add else y class C3_RepConv(nn.Module): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c1, c_, 1, 1) self.cv3 = Conv(2 * c_, c2, 1) # 这里用Conv替代RepConv self.m = nn.Sequential(*(Bottleneck_RepConv(c_, c_, shortcut, g, e=1.0) for _ in range(n))) def forward(self, x): y1 = self.m(self.cv1(x)) y2 = self.cv2(x) y = torch.cat((y1, y2), dim=1) return self.cv3(y) [/code]
YOLOv5改进 | 融合改进 | C3融合Efficient Multi-Scale Conv Plus【完整代码】
素质悍匪: [code=python] class Bottleneck_EMSCP(Bottleneck): def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): # 移除k参数 super().__init__(c1, c2, shortcut, g, e) # 父类不需要k参数 c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) # 固定为1x1卷积 self.cv2 = EMSConvP(c2) # 使用自定义多尺度卷积 class C3_EMSCP(C3): def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5): super().__init__(c1, c2, n, shortcut, g, e) c_ = int(c2 * e) self.m = nn.Sequential(*(Bottleneck_EMSCP(c_, c_, shortcut, g, e=1.0) for _ in range(n))) # 移除k参数 [/code] 报错File "/root/autodl-fs/bisheyolov5-7.0/models/common.py", line 1052, in __init__ super().__init__(c1, c2, shortcut, g, k, e) TypeError: __init__() takes from 3 to 6 positional arguments but 7 were given的时候，把这段代码中的k去掉就可以，其他不变。
YOLOv5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】
素质悍匪: 在文中的基础上，将下面代码也复制到common文件末尾，就可以实现在Head中替换Conv和C3为RepConv和C3_RepConv。 class Bottleneck_RepConv(nn.Module): def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) # 1x1卷积用原Conv self.cv2 = RepConv(c_, c2, 3, 1, g=g) # 3x3卷积用RepConv self.add = shortcut and c1 == c2 def forward(self, x): y = self.cv2(self.cv1(x)) return x + y if self.add else y class C3_RepConv(nn.Module): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c1, c_, 1, 1) self.cv3 = Conv(2 * c_, c2, 1) # 这里用Conv替代RepConv self.m = nn.Sequential(*(Bottleneck_RepConv(c_, c_, shortcut, g, e=1.0) for _ in range(n))) def forward(self, x): y1 = self.m(self.cv1(x)) y2 = self.cv2(x) y = torch.cat((y1, y2), dim=1) return self
YOLOv5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】
素质悍匪: 除了替换C3外，也可以将v5s.yaml文件中Head部分的Conv [ 数字, 3, 2 ]替换为RepConv，而不能将Conv [ 数字, 1, 1 ]替换为RepConv。比如[ -1, 1, RepConv, [ 256, 3, 2 ] ],就可以，[ -1, 1, RepConv, [ 256, 1, 1 ] ]就不行，因为代码中的RepConv的k=3是写死了的。经过测试，将YOLOV5s.yaml的第18卷积替换为RepConv效果比较好，当然也可以将第18和21层替换为RepConv。

大家在看

最新文章

目录

展开全部

收起

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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

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。