YOLOv8独家原创改进173：独家首发最新原创SD_NMS改进点，提升小目标检测精度

于 2024-06-18 21:58:58 发布
阅读量293 收藏
点赞数 9
分类专栏： 芒果YOLOv8原创改进 文章标签： YOLO 目标检测 人工智能
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_38668236/article/details/132592284
版权
芒果YOLOv8原创改进 专栏收录该内容
175 篇文章 211 订阅 ¥239.90 ¥399.90
订阅专栏

💡该教程为属于《芒果书》📚系列，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀
💡本篇文章为YOLOv8独家原创改进：独家首发最新原创 SD_NMS 改进点，提升小目标检测精度。
请添加图片描述

💡对自己数据集改进有效的话，可以直接当做自己的原创改进点来写！！！改进点先到先得

💡🚀🚀🚀内含·改进源代码·，按步骤操作运行改进后的代码即可
重点：🔥🔥🔥有同学已经使用这个 SD_NMS 创新点 在自己的数据集改进做完实验：改进有效

文章目录

该部分改进点为：CSDN博主：芒果汁没有芒果 首发原创内容

在这里插入图片描述

文章目录

SD_NMS 核心代码

第一步

第二步

首先增

了解本专栏 订阅专栏 解锁全文
芒果汁没有芒果
关注
  • 9
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
YOLOv8 更换NMS：DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS详解
走向CTO的路上...
05-20 1294
非最大值抑制（Non-Maximum Suppression，NMS）是目标检测算法中常用的后处理操作，用于消除预测框中的冗余和重叠，只保留最具代表性的预测框。传统的NMS算法基于IoU（Intersection over Union）度量进行计算，但IoU存在一些局限性，例如对尺度和形状敏感，难以区分正负样本等。为了克服IoU的局限性，研究人员提出了多种改进型NMS算法，例如DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS和Soft-NMS等。
CSDN芒果独家原创YOLOv5改进、YOLOv7改进（适用YOLOv8改进）专栏 | 《芒果YOLO改进系列进阶指南》来自人工智能专家老师联袂推荐专栏
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-29 9642
芒果改进YOLO进阶指南，更快的改进YOLO模型
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
08-04
YoloV8改进策略：将CIoU替换成Wise-IoU，幸福涨点，值得拥有，还支持EIoU、GIoU、DIoU、SIoU无缝替换
基于yolov7改进（源码+图片+说明+报告）.rar
04-14
基于yolov7改进（源码+图片+说明+报告）.rar
芒果YOLOv5改进02：NMS 篇：独家首发最新原创EfficiCLNMS改进点，改进有效可以直接当做自己的原创改进点来写
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 3267
YOLOv5、YOLOv7代码实践｜独家原创内容，直接当做原创点也行
Yolov8优化：引入Soft-NMS，提升密集遮挡场景检测精度
06-20 2550
Soft-NMS解决yolov8自带的nms在密集遮挡场景会出现很大的问题，如出现漏检；Soft-NMS的思路：不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度。
YOLOV8改进：soft-nms、DIOU-nms、SIOU-nms、EIOU-nms、WIOU-nms
weixin_45303602的博客
10-11 5540
NMS（Non-Maximum Suppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（bounding box），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。首先，根据目标框的置信度（或者其他评分指标），按照降序排列所有的候选框。选择具有最高置信度的框，并将其添加到最终输出的结果列表中。
人工智能-项目实践-旋转目标检测-基于yolov5的旋转目标检测
03-27
yolov5的改进之处在于优化了训练过程，提升了预测精度，同时保持了速度优势。 在旋转目标检测中，我们面临的问题是如何准确地识别和框出图像中不规则角度的对象。传统的边界框（BBox）无法很好地适应这种情况，因为...
YOLOV7-OBB：You Only Look Once OBB旋转目标检测模型在pytorch当中的实现
11-16
YOLOV7-OBB是基于YOLO（You Only Look Once）系列的深度学习目标检测模型，专门用于处理具有任意形状的旋转目标。该模型在原YOLO架构的基础上进行了改进，以适应物体的四边形边界框（Oriented Bounding Box, OBB），...
使用C++ 与ONNXRuntime部署yolov8旋转目标检测源码+模型(c++).zip
09-01
Yolov8是YOLO（You Only Look Once）目标检测系列的最新版本，该系列算法以其高效和准确的实时目标检测能力而闻名。YOLO框架通过单个神经网络同时预测边界框和类别概率，大大简化了传统目标检测方法的多阶段流程。在...
YOLOv8-使用ONNXRuntime+OpenCV+YOLOv8实现目标检测+实例分割算法-优质项目-项目实战.zip
02-12
YOLO系列以其快速和准确的实时目标检测能力而闻名，而YOLOv8则在此基础上进行了优化，提升了检测速度和精度。在本项目中，开发者使用了ONNXRuntime作为推理引擎，结合OpenCV进行图像处理，实现了YOLOv8的目标检测和...
后处理篇 | YOLOv8 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS 教程
YOLOv8项目贡献者
07-10 4736
YOLOv8 更换 NMS 手把手教程 ，附源码
Yolov8优化：引入Soft-NMS并结合各个IOU变体GIOU、DIOU、CIOU、EIOU、SIOU，进一步提升密集遮挡场景检测精度
06-25 2168
Soft-NMS解决yolov8自带的nms在密集遮挡场景会出现很大的问题，如出现批量漏检；在这个基础上加入各种IOU变体，进一步提升检测精度。
yolov8多batch推理，nms后处理
最新发布
nodototao的博客
03-08 2030
yolov8, 多batch，nms
YOLOV7改进：CVPR 2023 | 在C5模块不同位置添加EMA注意力机制，有效涨点
m0_51530640的博客
06-27 2159
显著的渠道或空间有效性注意力产生机制更加可辨特征表示用各种计算机进行了说明视觉任务。然而，跨通道建模关系与通道降维可能在提取深度视觉表征时带来副作用。本文提出了一种新的高效多尺度注意力(EMA)方法。模块提出。专注于保留信息每个通道上，并减少计算在上方，我们将部分通道重塑为批处理尺寸并将通道尺寸分组为多个子特征构成空间语义特性在每个特性组中分布良好。具体来说，除了将全局信息编码到重新校准每个平行通道的权重支路，两个并联支路的输出特征为的跨维度交互进一步聚合捕获像素级成对关系。
YOLOv7、YOLOv7-tiny改进 PicoDet 主干系列：0.99M，150FPS，移动端超轻量目标检测算法PicoDet
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-01 2911
代码实践｜YOLOv7 改进 PicoDet 主干系列：0.99M，150FPS，移动端超轻量目标检测算法PicoDet
YOLOv8 新世代 NMS 算法：DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS、SIoU-NMS、Soft-NMS 完全解析
一直在水些技术小文
11-08 1122
NMS，或称非极大值抑制，是目标检测中的一个关键步骤。它的主要目标是减少检测结果中的冗余边界框，只保留具有最高置信度的边界框，以提高检测的准确性和效率。NMS 的工作原理是，对于每个检测框，计算其与其他检测框的IoU（交并比），如果IoU高于阈值，则保留置信度较高的框，否则将其抑制。
YOLOV8模型训练+部署（实战）
热门推荐
AI小花猫的博客
06-07 5万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
yolov8改进-添加Wise-IoU，soft-nms
darkredrock的博客
04-21 8327
yolov8中box_iou其默认用的是在原bbox_iou中，GIoU、DIoU、CIoU都是默认关闭，为最普通的Iou，如果其中一个为True的时候，即返回设定为True的那个Iou。
python NMS
09-13
NMS（Non-Maximum Suppression）是一种用于目标检测任务中的技术，它的目的是通过抑制多个重叠的候选框，选择出具有最高置信度的目标框。Python中的NMS实现可以通过以下步骤来完成： 1. 首先，我们需要定义一个函数来计算两个矩形框之间的重叠区域的面积。可以使用两个矩形框的左上角和右下角坐标来计算重叠区域的宽和高，然后计算宽和高的乘积得到面积。 2. 接下来，我们需要定义一个函数来判断两个矩形框是否重叠。可以通过比较两个矩形框的左上角和右下角坐标来确定它们是否有重叠。 3. 然后，我们需要定义一个函数来执行NMS算法。首先，根据矩形框的置信度对所有的候选框进行排序，从置信度最高的开始处理。然后，将该矩形框添加到结果列表中，并移除与该矩形框重叠面积大于一定阈值的所有其他候选框。最后，继续处理下一个置信度较高的矩形框，直到所有矩形框都被处理完毕。 4. 最后，我们可以调用这个NMS函数来对给定的矩形框进行处理，并得到最终的结果。 参考代码实现如下： ```python import numpy as np def calculate_overlap_area(box1, box2): x1 = max(box1 < box2 or box2 < box1 < box2 or box2 < box1
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

芒果汁没有芒果

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