开源项目实战学习之YOLO11：12.1 ultralytics-models-sam-blocks.py源码

已于 2025-05-17 18:21:34 修改
阅读量153 收藏
点赞数 2
分类专栏： YOLO 实战：新手快速上手秘籍 文章标签： YOLO 随机深度正则化 掩码下采样 旋转位置编码 RoPE 正弦位置编码 blocks.py
于 2025-05-17 18:10:58 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/qq_24452475/article/details/148030504
版权

👉 点击关注不迷路
👉 点击关注不迷路
👉 另外，前些天发现了一个巨牛的AI人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。感兴趣的可以点击相关跳转链接。

ultralytics-models-sam


在这里插入图片描述

  • blocks.py：
    • 定义模型中的各种模块结构 ，如卷积块、残差块等基础构建模块。
  • decoders.py：
    • 用于实现模型的解码部分，在很多架构中负责将特征映射转换为期望的输出形式，比如图像分割中的分割结果输出。
  • encod
了解本专栏 订阅专栏 解锁全文 超级会员免费看
咖啡叶子病害检测数据集VOC+YOLO格式1468张4类别均为单叶子
FL1623863129的博客
05-17 351
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cercospora","Miner","Phoma","Rust"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注数量(xml文件个数)：1468。标注数量(txt文件个数)：1468。
【计算机视觉】论文精读《基于改进YOLOv3的火灾检测与识别》
weixin_43988131的博客
05-17 613
论文精读《基于改进YOLOv3的火灾检测与识别》
YOLOv7训练时4个类别只出2个类别
qq_48873240的博客
05-16 734
在使用YOLOv7进行训练和预测时，发现模型仅能预测出两个类别（LFM和SFM），而实际应有四个类别。经过检查，特征图大小和anchors设置均与YOLOv3一致，且YOLOv3表现正常。最终发现问题可能出在detect.py中的conf-thres参数设置过高，将其从0.5调整为0.1后，问题得到解决。此外，还需注意在NMS操作时不使用classes参数，并在train.py中根据实际类别数和图片大小调整hyp['cls']和hyp['obj']的缩放比例。这些调整有助于确保模型能够正确预测所有类别。
基于YOLOv8-OBB的旋转目标检测：从数据制作到自动标注完整指南
fakerth的博客
05-18 260
本文介绍了如何使用 YOLOv8-OBB 进行旋转目标检测的完整流程。首先，针对传统水平边界框（HBB）在旋转目标检测中的不足，提出了旋转边界框（OBB）的概念。接着，详细阐述了数据集的制作与准备、模型的训练与预测、旋转框的裁剪与摆正以及基于模型的自动标注技术。在数据集制作部分，提供了目录结构示例；在训练部分，给出了代码示例和参数说明；在预测部分，展示了如何裁剪和摆正旋转框；最后，介绍了如何将模型预测的 OBB 转换为 VOC 格式的 XML 文件，以便于后续使用。
【YOLO 系列】基于YOLO的道路坑洞检测识别系统【python源码+Pyqt5界面+数据集+训练代码】
牧子川的博客
05-15 755
本文介绍了一种基于YOLO模型的道路坑洞检测系统，旨在提高道路维护的效率和安全性。系统采用Pyqt5库搭建用户界面，支持图片、视频和摄像头的检测，并能保存检测结果。通过本项目，期望为道路维护和管理提供技术支持，推动智能交通和城市管理的智能化升级。
玩转YOLOv10 多尺度多通道特征图
qq_48873240的博客
05-18 135
在YOLOv10的AutoBackend类的forward函数中，用户通过添加自定义代码实现了特征图的保存和可视化功能。具体包括三个部分：1）通过设置activate_state=1，可以保存特征图的激活情况，并计算不同通道的平均值；2）通过设置save_feature_map=1，可以保存多尺度（80x80、40x40、20x20）的特征图，并将其保存为图片文件；3）通过设置big_feature_map=1，可以将不同尺度的特征图拼接为一张长图，并保存为高分辨率图片。
YOLO V3目标检测模型
jdjhcn的博客
05-17 777
YOLO v3 通过多尺度检测（利用 FPN 结构在 13×13、26×26、52×52 三个特征图上分别检测大、中、小目标，每个尺度 3 种锚框共 9 种）、更强的 Darknet-53 骨干网络（53 层卷积 + 残差连接）、多标签分类（二元逻辑回归替代 softmax）、灵活输入尺寸（默认 416×416）以及优化的损失函数（边界框回归用 MSE，类别和置信度用二元交叉熵），显著提升了多尺度目标检测能力，在 COCO 数据集上 mAP@0.5 达 57.9%，兼顾精度与实时性（22ms / 帧，30
深度剖析：YOLOv8融入UNetv2 SDI模块的性能提升之旅
最新发布
shrgegrb的博客
05-18 999
目标检测和分割是计算机视觉领域的核心任务，而YOLO系列作为目标检测领域的重要分支，以其高效和快速的特点受到了广泛关注。在YOLOv8中，尽管已经取得了显著的性能提升，但仍有进一步优化的空间。本文将探讨如何借鉴UNetv2提出的SDI多层次特征融合模块，为YOLOv8带来性能上的跃升。通过深入分析SDI模块的原理和实现，我们将展示如何将其融入YOLOv8架构中，提升分割任务的效率和准确性。
Hi3519DV500 Hi3516DV500 实时YOLO检测+RTSP传输源码 yolo目标检测网络传输视频源码分享 开源
05-18 132
视频效果演示海思Hi3519DV500/Hi3516DV500YOLO实时目标检测源码+网络传输视频源码 可自定义响应事件可自由更换成自己的YOLO模型_哔哩哔哩_bilibili代码全开源
利用 YOLOv8n 实现高效的 PCB 缺陷分割检测
weixin_43607107的博客
05-18 380
YOLOv8n模型为PCB缺陷检测提供了一种高效、准确的解决方案，未来有望进一步提升模型性能，满足更高要求的工业应用需求。
YOLO11解决方案之热力图探索
mx9818的博客
05-14 788
使用YOLO11生成的热力图把复杂的数据转换成生动的彩色编码矩阵。这种可视化工具采用色谱来表示不同的数据值，暖色调表示较高的强度，冷色调表示较低的值。热力图在可视化复杂的数据模式、相关性和异常情况方面表现出色，为不同领域的数据解读提供了一种直观可视化方法。
YOLO12改进-模块-引入Convolutional Modulation模块 捕捉更丰富的局部 - 全局空间关系，提升目标边界定位精度。
qq_64693987的博客
05-18 658
卷积神经网络（ConvNets）在视觉识别中擅长捕捉局部特征，但在全局上下文依赖建模上存在局限；而Vision Transformers（ViTs）虽能有效处理全局关系，却面临高分辨率图像下计算成本高的问题。Convolutional Modulation作为一种新方法，通过卷积操作简化自注意力机制，利用大核卷积更高效地编码空间特征，避免了自注意力的二次复杂度。该方法通过深度卷积生成权重矩阵，并与线性投影后的特征进行哈达玛积，实现局部区域内的特征加权聚合。Convolutional Modulation被引
# YOLOv3 模型训练代码解析与实践
www_pp_的博客
05-14 855
本文详细解析了YOLOv3模型训练代码的实现过程，涵盖了数据加载与预处理、模型初始化、训练过程、模型评估与保存等关键步骤。代码使用PyTorch框架，通过数据增强、多尺度训练等技术提升模型性能。训练过程中使用Adam优化器，并定期评估模型以监控其表现。文章还提供了实践经验和技巧，包括数据准备、超参数调整、模型优化和硬件加速等，帮助读者更好地理解和应用YOLOv3模型。通过这些步骤和技巧，可以有效提升目标检测模型的训练效率和检测精度。
人脸表情识别检测数据集VOC+YOLO格式9400张8类别
FL1623863129的博客
05-16 138
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["anger","content","disgust","fear","happy","neutral","sad","surprise"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(xml文件个数)：9400。标注数量(txt文件个数)：9400。anger 框数 = 1191。
硕士论文用YOLO可以毕业吗？
SharePython的博客
05-14 678
是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。Segmentation 官方在COCO数据集上做了更多测试：道路裂纹分割数据集是一个全面的4029张静态图像集合,专门为交通和公共安全研究而设计。它非常适合自动驾驶汽车模型开发和基础设施维护等任务。该数据集包括训练、测试和验证集,有助于精确的裂缝检测和分割。
YOLOv3标签框检查python程序
qq_48873240的博客
05-14 154
本文介绍了一个用于检查YOLOv3标签文件（txt格式）是否正确的Python程序check_labels.py。该程序通过读取标签文件中的图像路径和边界框信息，将边界框绘制在对应的图像上，并保存带框的图像到指定目录。程序使用OpenCV库加载图像并绘制矩形框，确保标签转换后的准确性。通过这种方式，用户可以直观地检查YOLOv10标签转换为YOLOv3标签后的结果是否正确。程序还提供了示例路径，用户可以根据需要替换为自己的标签文件路径和输出目录。
一文掌握YOLOv8的融合改进：CCFM+DyHead突破性能瓶颈
shrgegrb的博客
05-15 937
本文介绍了一种将 CCFM（Cross-scale Context Fusion Module）和 DyHead（Dynamic Head）融合到 YOLOv8 的创新方法，旨在提升目标检测性能。CCFM 通过融合多尺度上下文信息，增强网络对不同大小目标的感知能力；DyHead 则通过动态调整参数和结构，提高模型在复杂场景下的适应性。两者结合后，CCFM 弥补了 DyHead 的全局感知不足，而 DyHead 增强了 CCFM 的适应性，实现了优势互补。文章详细阐述了融合架构设计，并提供了代码实现。实验结果
用python把YOLOv3的anchors画出来观察
qq_48873240的博客
05-15 204
该程序用于可视化YOLOv3模型中的锚框（anchors）。通过定义锚框的尺寸和颜色，程序在416x416的图像上绘制每个锚框，并将其保存为PNG格式的图像文件。锚框的尺寸分别为[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]、[373,326]，并使用红、绿、蓝三种颜色进行区分。程序首先创建保存图像的文件夹，然后依次绘制每个锚框，并将其居中放置在图像中。最终，所有生成的图像保存在指定文件夹中，并输出保存路径的提示信息。
Traceback (most recent call last): File "D:\ultralytics-yolo11-3.3\train.py", line 13, in <module> model = YOLO(r'D:\ultralytics-yolo11-3.3\ultralytics\cfg\models\11\yolo11-GGCA.yaml') File "D:\ultralytics-yolo11-3.3\ultralytics\models\yolo\model.py", line 23, in __init__ super().__init__(model=model, task=task, verbose=verbose) File "D:\ultralytics-yolo11-3.3\ultralytics\engine\model.py", line 143, in __init__ self._new(model, task=task, verbose=verbose) File "D:\ultralytics-yolo11-3.3\ultralytics\engine\model.py", line 251, in _new self.model = (model or self._smart_load("model"))(cfg_dict, verbose=verbose and RANK == -1) # build model File "D:\ultralytics-yolo11-3.3\ultralytics\nn\tasks.py", line 402, in __init__ self.model, self.save = parse_model(deepcopy(self.yaml), ch=ch, verbose=verbose, warehouse_manager=self.warehouse_manager) # model, savelist File "D:\ultralytics-yolo11-3.3\ultralytics\nn\tasks.py", line 1169, in parse_model c2 = m.feature_info.channels() AttributeError: 'str' object has no attribute 'feature_info'
03-09
根据你提供的错误追踪信息 (`Traceback`) ，这个异常发生在尝试创建YOLO模型时。具体地说，当程序读取配置文件并解析模型架构时，出现了 `'str' object has no attribute 'feature_info'` 的 `AttributeError` 错误。这意味着某个变量原本应该是一个拥有 `feature_info` 属性的对象，但实际上它却只是一个字符串。 让我们逐步分析这个问题，并给出解决办法： ### 分析与诊断 #### 1. **检查配置文件格式** 问题出现在 `parse_model()` 函数中对 `m.feature_info.channels()` 进行访问的地方。这里假设 `m` 应该是对一个含有 `feature_info` 方法的对象引用，而不是简单的字符串值。因此需要确认传递给此函数的数据类型确实如预期那样。 **建议操作：** - 打开 `yolo11-GGCA.yaml` 配置文件，确保其内容格式正确无误。 - 特别注意检查涉及网络层定义的部分是否有语法或拼写上的错误。 #### 2. **调试代码流** 为了更好地理解为何会将字符串当作对象处理，可以在出错点附近添加一些打印语句来跟踪数据流动情况： ```python print(f"type of m is {type(m)}") if isinstance(m, str): print("Warning: Expected an object but received a string.") else: try: channels = m.feature_info.channels() print(f"Channels info obtained successfully: {channels}") except AttributeError as e: raise type(e)(f"Encountered error accessing feature_info on non-string object: {e}").with_traceback(sys.exc_info()[2]) ``` 通过这种方式可以更清楚地看到传入的是什么样的数据，帮助我们确定到底是哪一步出了差池。 #### 3. **核验依赖库版本兼容性** 如果你最近更新了项目依赖项或者更改过环境设置的话，可能会导致API发生变化而影响到了现有代码的工作状态。 **建议操作：** - 检查是否所有的依赖包都保持最新并且彼此之间相互兼容。 - 尝试回滚到之前工作的环境中再次测试，看看是否会重现同样的问题；也可以考虑升级所有组件至最新的稳定版来进行排查。 --- 综上所述，当前最紧迫的任务就是核实配置文件的正确性和审查代码逻辑流程。一旦明确了输入数据的真实性质之后就能针对性地调整相应部分使得整个过程顺利运行下去。 ### 解决方案示例 假设经过上述步骤后发现确实是由于 YAML 文件里的某一行或多行列错了位置造成了误解，则修复后的做法可能是修正那些有问题的条目使其恢复正常层次结构即可。比如原来可能是这样的： ```yaml # 假设这是 yolo11-GGCA.yaml 中的一部分 some_layer: - filter_size: [64] stride: [2] # 这里本来应该是独立的一段描述而非列表元素之一 ``` 那么正确的形式应当改为如下所示： ```yaml some_layer: filter_size: 64 stride: 2 ``` ### 相关资源推荐 对于此类问题还可以参考官方文档、社区讨论区等资料获取更多支持和指导，此外编写单元测试也是一种很好的预防措施以避免类似的问题在未来发生。
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

言析数智

创作不易，感谢客官的打赏

¥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