【YOLOv12改进trick】专栏精选合集

已于 2025-04-07 09:13:21 修改
阅读量1.8k 收藏 16
点赞数 21
分类专栏： YOLOv12改进trick 文章标签： YOLO 目标检测 计算机视觉 python pytorch 深度学习 人工智能
于 2025-03-11 10:19:34 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_38308388/article/details/146169904
版权

🍄🍄《YOLOv12改进trick》专栏主要针对YOLO系列文章进行网络结构、损失函数等优化创新，包含医学影像、遥感影像等多场景创新模块引入YOLO系列。

🌻🌻《YOLOv12改进trick》专栏包含【模型轻量化】【多尺度特征融合】【小目标、模糊目标、遮挡目标涨点】【骨干网络改进】【head改进】及【损失目标改进】等多个方向进行改进优化，并对每种改进进行python代码修改，保证算法能顺利跑通（每一篇我都亲自跑通过验证过），赋跑通后的YOLO模型结构输出。

🌲🌲《YOLOv12改进trick》专栏改进思路来源是近两年较新的前沿论文创新模块，如CVPR2024、ICCV2024等

🍁🍁《YOLOv12改进trick》专栏每一篇通过【设计动机】【模块优势】【网络结构】【python代码修改处】【成功训练网络结构输出截图】5个方面进行介绍。

专栏目录链接：《YOLOv12改进trick》 

         该专栏持续更新，订阅者可私信获取合集里的全套python改进代码，以下是改进方向的文章目录快速通道，可通过链接跳转到内容详情。

        该专栏基于YOLOv12进行优化改进，改进内容也可适用于YOLO11、YOLOv8、YOLOv7、YOLOv5等。

👉模型轻量化

  1. 【YOLOv12改进trick】通道聚合FFN模块ChannelAggregationFFN引入YOLOv12
  2.  【YOLOv12改进trick】轻量级下采样ContextGuidedBlock_Down模块替换Conv模块
  3. 【YOLOv12改进trick】医学图像分割网络CMUNeXt与C3K2结合，构建C3k2_CMUNeXt模块引入YOLOv12
  4. 【YOLOv12改进trick】多尺度大核注意力机制MLKA模块引入YOLOv12
  5. 【YOLOv12改进trick】StarBlock引入YOLOv12
  6. 【YOLOv12改进trick】DynamicConv替换YOLOv12中的Conv模块

👉多尺度特征融合

  1. 【YOLOv12改进trick】多节门控聚合模块MultiOrderGatedAggregation模块引入YOLOv12
  2. 【YOLOv12改进trick】高效多尺度卷积注意力EMCAD_Block模块引入YOLOv12
  3.  【YOLOv12改进trick】遥感图像分割MSAA多尺度特征融合模块（即插即用）引入YOLOv12
  4. 【YOLOv12改进trick】医学图像分割网络CMUNeXt引入YOLOv12中，增强全局上下文信息
  5. 【YOLOv12改进trick】多尺度大核注意力机制MLKA模块引入YOLOv12
  6. 【YOLOv12改进trick】DynamicConv替换YOLOv12中的Conv模块
  7. 【YOLOv12改进trick】多核Inception网络PKINet，替换YOLO骨干网络

👉小目标、模糊目标、遮挡目标涨点

  1. 【YOLOv12改进trick】三重注意力TripletAttention引入YOLOv12中，实现遮挡目标检测涨点
  2.  【YOLOv12改进trick】多尺度大核注意力机制MLKA模块引入YOLOv12
  3. 【YOLOv12改进trick】超分辨率SAFM模块替换上采样模块，引入YOLOv12
  4. 【YOLOv12改进trick】DynamicConv替换YOLOv12中的Conv模块
  5. 【YOLOv12改进trick】多核Inception网络PKINet，替换YOLO骨干网络

👉骨干网络改进

  1. 【YOLOv12改进trick】通道聚合FFN模块ChannelAggregationFFN引入YOLOv12
  2. 【YOLOv12改进trick】高效多尺度卷积注意力EMCAD_Block模块引入YOLOv12【YOLOv12改进trick】高效多尺度卷积注意力EMCAD_Block模块引入YOLOv12
  3. 【YOLOv12改进trick】轻量级下采样ContextGuidedBlock_Down模块替换Conv模块
  4. 【YOLOv12改进trick】医学图像分割网络CMUNeXt与C3K2结合，构建C3k2_CMUNeXt模块引入YOLOv12
  5. 【YOLOv12改进trick】医学图像分割网络CMUNeXt引入YOLOv12中，增强全局上下文信息
  6. 【YOLOv12改进trick】三重注意力TripletAttention引入YOLOv12中，实现遮挡目标检测涨点
  7.  【YOLOv12改进trick】多尺度大核注意力机制MLKA模块引入YOLOv12【YOLOv12改进trick】StarBlock引入YOLOv12

👉head改进

  1.  【YOLOv12改进trick】遥感图像分割MSAA多尺度特征融合模块（即插即用）引入YOLOv12
  2.  【YOLOv12改进trick】超分辨率SAFM模块替换上采样模块，引入YOLOv12

👉损失函数改进

  1. 【YOLOv12改进trick】优化loss函数（AdaptiveThresholdFocalLoss）

👉YOLOv12网络训练自己的数据集（实操步骤）

  1. 【YOLO12全网首发】训练+测试行人摔倒

持续更新中，敬请关注。

YOLOv10改进 | 注意力篇 | YOLOv10改进CA注意力机制
tsg6698的博客
06-12 3511
摘要：最近关于移动网络设计的研究已经证明了通道注意力（例如，挤压和激励注意力）对于提升模型性能的显着有效性，但它们通常忽略了位置信息，而位置信息对于生成空间选择性注意力图很重要。在本文中，我们通过将位置信息嵌入到通道注意力中，提出了一种新颖的移动网络注意力机制，我们称之为“协调注意力”。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~
YOLOv10改进 | Conv篇 | YOLOv10引入AKConv（轻量）
tsg6698的博客
06-11 5927
很明显，不同数据集和不同位置的目标的形状和大小是不同的。针对上述问题，本工作探索了可改变核卷积（AKConv），它赋予卷积核任意数量的参数和任意采样形状，为网络开销和性能之间的权衡提供更丰富的选择。简单介绍:本文给大家带来的改进内容是AKConv是一种创新的变核卷积，它旨在解决标准卷积操作么中的固有缺陷(采样形状是固定的)，AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状，能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取特征，这在标准卷积和可变形卷积中并未实现。
【YOLO系列】YOLO算法改进史——已更新至YOLOv12
qq_51366016的博客
08-25 3465
目标检测YOLO系列算法改进史
YOLO12改进-模块-引入​多维协作注意力MCAM 抗背景干扰，增强多尺度、小目标
qq_64693987的博客
03-21 2228
​MCA（多维协作注意力）的核心在于打破传统注意力机制对通道与空间维度的割裂式处理，通过多维度协同感知与动态轻量化计算，让网络更智能地捕捉特征间的复杂关联。其本质是让模型同时回答三个问题：“哪些特征重要”（通道维度）、“重要特征在垂直方向的位置”（高度维度）、“重要特征在水平方向的位置”（宽度维度），并将三者动态融合。例如，识别一只鸟时，MCA不仅会增强“羽毛纹理”对应的通道，还能在空间上聚焦“头部区域”，且这种多维度判断是相互关联的——羽毛纹理的显著性可能影响头部定位的权重。
YOLOv12目标检测算法原创改进
shejizuopin的博客
04-20 580
YOLOv12在继承YOLO系列算法优点的基础上，引入了注意力机制，通过区域注意力模块（Area Attention）、残差高效层聚合网络（R-ELAN）和快速注意力（FlashAttention）等创新技术，实现了更高的检测精度和更快的推理速度。这些改进使得YOLOv12在自动驾驶、安防监控、工业检测等领域具有广泛的应用前景。本文通过对YOLOv12目标检测算法的原创改进，包括引入自适应锚框机制、优化损失函数和集成轻量级骨干网络等技巧，显著提高了算法的检测精度和推理速度。
YOLO12改进-模块-引入​双域条带注意力机制DSAM 解决卷积中卷积核固定和感受野固定问题，以及transformer计算量大的问题
qq_64693987的博客
03-19 1788
​DSAM（Dual-Domain Strip Attention Mechanism）的核心思想是通过空间域和频率域的双重注意力机制，高效地捕捉图像中的上下文信息，并利用多尺度学习处理不同大小的退化问题。其设计灵感来源于以下两点：​空间域的长程依赖建模：传统卷积的感受野有限，难以建模大尺度退化；自注意力虽能捕捉长程依赖，但计算复杂度高。DSAM通过条带注意力在水平和垂直方向上高效聚合信息，隐式扩展感受野。频率域的频谱差异利用。
YOLOv12改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR LSKNet （附网络详解和完整配置步骤）
Limiiiing的博客
03-05 570
LSK module是。
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
热门推荐
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
芒果YOLOv8改进14：多种损失函数IoU 篇：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-22 1万+
YOLOv5代码实践｜改进多种主流损失函数
CSDN独家原创《芒果YOLO改进高阶指南》适用YOLOv5、YOLOv7、YOLOv8等改进专栏，来自人工智能专家老师联袂推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-26 9661
YOLO改进高阶指南｜适用于YOLOv5、YOLOv7、YOLOv8等YOLO系列模型改进
芒果YOLOv8改进03：损失函数IoU篇全新XIoU：首发最新改进｜结合XIoU损失函数，相比较CIoU改进涨点，YOLO改进Trick，提升网络模型性能、收敛速度和鲁棒性
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-17 5343
YOLOv8代码实践｜原创改进βIoU损失函数，YOLO改进Trick，相比较CIoU改进轻松涨点
YOLOv9最新改进系列：融合混合注意力机制CBAM，关注通道和空间特征，助力YOLOv9新模型快速涨点！
B站 Ai学术叫叫兽的文案地
04-17 2390
YOLOv9最新改进系列：融合混合注意力机制CBAM，关注通道和空间特征，助力YOLOv9新模型快速涨点！
YOLO12改进策略【Neck】| 有效且轻量的动态上采样算子：DySample
Limiiiing的博客
03-09 131
通过学习采样来学习上采样DySample。
YOLOv12来了！最快的速度学习她，改进它并发表成果！赋能AI，改变世界！ [特殊字符] YOLOv12 不仅是技术的飞跃，更是推动人工智能应用的强大引擎！选择 YOLOv12，开启智能未来！
B站 Ai学术叫叫兽的文案地
02-19 2654
YOLOv12来了！最快的速度学习她，改进它并发表成果！赋能AI，改变世界！ 🌍 YOLOv12 不仅是技术的飞跃，更是推动人工智能应用的强大引擎！选择 YOLOv12，开启智能未来 立即体验 YOLOv12，感受极速检测的魅力！
YOLOv12最新创新改进系列：融合轻量级视觉变压器(RepViT），从ViT视角重新审视移动端CNN，有效提升模型检测效果！！！1.3ms 延迟 -清华 ICCV 2023 最新开源移动端网络架构！
B站 Ai学术叫叫兽的文案地
04-18 634
YOLOv12最新创新改进系列：融合轻量级视觉变压器(RepViT），从ViT视角重新审视移动端CNN，有效提升模型检测效果！！！1.3ms 延迟 -清华 ICCV 2023 最新开源移动端网络架构！
YOLOv12：以注意力为中心的实时目标检测器
AI浩
02-19 7585
长期以来，改进YOLO框架的网络架构一直是研究重点，但主要集中在基于CNN的改进上，尽管注意力机制已被证明在建模能力上具有显著优势。这是因为基于注意力的模型在速度上无法与基于CNN的模型相媲美。本文提出了一种以注意力为核心的YOLO框架——，它在保持与先前基于CNN模型相当速度的同时，充分利用了注意力机制的性能优势。YOLOv12在精度上超越了所有流行的实时目标检测器，同时保持了具有竞争力的速度。例如，YOLOv12-N在T4 GPU上以1.64毫秒的推理延迟实现了40.6%mAP。
国内警车检测数据集VOC+YOLO格式2874张1类别
FL1623863129的博客
05-10 198
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。标注类别名称:["policecar"]policecar 框数 = 3765。图片数量(jpg文件个数)：2874。标注数量(xml文件个数)：2874。标注数量(txt文件个数)：2874。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
YOLOv1 目标检测算法深度解析
最新发布
sinat_34897952的博客
05-12 736
YOLOv1是一种革命性的目标检测算法，通过将检测任务转化为单一回归问题，实现了端到端的优化。其核心创新包括空间网格划分机制和联合预测编码策略，将输入图像划分为7×7网格，每个网格预测两个边界框和20类概率。网络架构由24个卷积层和2个全连接层组成，输入图像尺寸为448×448×3，最终输出7×7×30的张量。损失函数采用加权MSE损失，包含坐标损失、置信度损失和分类损失。YOLOv1在速度上具有显著优势，但存在小目标检测召回率低和定位精度不足的局限性。
芒果yolov8改进30
02-27
### YOLOv8 改进方法及性能提升技巧 #### 添加 SwinTransformer 注意力机制 为了增强模型对于复杂场景的理解能力，在YOLOv8中引入了Swin Transformer作为骨干网络的一部分。这种架构通过自注意力机制能够捕捉图像中的长距离依赖关系，从而显著提高了小物体检测的效果以及整体精度[^1]。 ```python from mmdet.models import build_detector, build_backbone class CustomYOLOv8(YOLOv8): def __init__(self, *args, **kwargs): super().__init__(*args, **kwargs) # 替换默认backbone为带有swin transformer的版本 self.backbone = build_backbone(dict( type='SwinTransformer', embed_dims=96, depths=[2, 2, 6, 2], num_heads=[3, 6, 12, 24], window_size=7)) ``` #### 双向特征金字塔 BiFPN 的应用 传统FPN仅支持单方向的信息传递，而BiFPN则实现了多尺度特征之间的双向融合。这不仅加强了不同层次间信息交流的有效性，还使得低层细节得以更好地保留下来用于最终预测阶段。实验表明该改动可以带来约1%-2% AP值的增长[^2]。 ```python import torch.nn as nn def add_bifpn(self): from mmcv.cnn.bricks import ConvModule layers = [] for i in range(2): # 堆叠两次BiFPN模块 layer = nn.ModuleDict({ f'top_down_{i}': TopDownPath(), f'bottom_up_{i}': BottomUpPath() }) layers.append(layer) return nn.Sequential(*layers) class TopDownPath(nn.Module): ... class BottomUpPath(nn.Module): ... ``` #### 创新性的 Head 设计与 Loss 函数调整 除了上述提到的技术外，《YOLOv8改进有效涨点》专栏还探讨了许多其他方面的优化措施，比如设计更加高效的头部结构（Head），采用更合理的损失函数形式等。这些改变共同作用下可以使模型达到更高的准确率并保持较快的速度表现。
评论 1
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

zy_destiny

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