芒果YOLOv8改进186：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响

最新推荐文章于 2025-06-09 23:54:15 发布
最新推荐文章于 2025-06-09 23:54:15 发布
阅读量799 收藏 6
点赞数 3
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/145415453
版权

💡YOLOv8改进专栏完整目录链接： 👉《芒果YOLOv8原创改进专栏》🌟🌟🌟
💡只订阅这一个专栏即可阅读：芒果YOLOv8所有改进内容

尺度动态损失函数 Scale-based Dynamic Loss，根据目标大小改变尺度损失（SLoss）和位置损失（LLoss）的影响，减少IoU波动，稳定提升性能。： SDIoU

重点：🔥🔥🔥YOLOv8 使用这个 最新尺度动态损失函数 Scale-based Dynamic Loss 创新点 在数据集改进做实验即插即用

创新点：提出尺度动态损失函数 Scale-based Dynamic Loss，根据目标大小改变尺度损失（SLoss）和位置损失（LLoss）的影响，减少IoU波动，稳定提升性能。
源代码改进，按操作运行改进后的代码即可
改进源码教程 | 详情如下🥇

文章目录

了解本专栏 订阅专栏 解锁全文
芒果YOLOv5改进108：PinwheelConv风车状卷积，即插即用：更好地与弱小目标的像素高斯空间分布对齐，增强了特征提取，显著增加了感受野，并且只引入了最小的参数增加。
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-26 285
PinwheelConv风车状卷积，即插即用：更好地与弱小目标的像素高斯空间分布对齐，增强了特征提取，显著增加了感受野，并且只引入了最小的参数增加。
YOLO11改进,尺度动态损失函数Scale-based Dynamic Loss，减少标签不准确对损失函数稳定性的影响
Loving_enjoy的博客
04-21 889
2025年CVPR最佳论文提出的尺度动态损失函数（Scale-based Dynamic Loss, SDL），通过构建自适应损失调节机制，不仅实现了对YOLOv11检测精度的指数级提升，更重新定义了损失函数的设计哲学。| SDL损失函数 | **280K** | **±0.05** | **0.68** |1. **量子损失函数**：结合量子计算的不确定性原理，构建更鲁棒的损失模型。- **尺度耦合效应**：不同尺度目标的损失梯度相互干扰，导致收敛震荡。
Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared——风车形卷积与基于尺度的动态损失用于红外小目标检测
Together_CZ的博客
02-18 1261
Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection——风车形卷积与基于尺度的动态损失用于红外小目标检测
卷积又火了！有史以来最全创新方案汇总！
2401_82426425的博客
01-22 840
连续多篇成果登顶CVPR、ECCV等顶会！最新idea开创性提出“风车形卷积”，在红外小目标检测任务中，不仅性能远超SOTA，参数量也狂跌！这主要得益于，其在提高模型特征提取能力、降低计算复杂度方面有着不可替代的优势。比如模型Weak-Mamba-UNet，便实现了准确率近100％的效果！具体来说：CNN能够自动学习特征，无需手动设计特征提取器，通过卷积层和池化层的交替堆叠，就能提取到更具有代表性的特征。且其参数共享和稀疏连接的方式，对减少参数量和计算量大有裨益！
芒果YOLO11改进176：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-01 1242
芒果YOLO11改进186：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
芒果YOLOv5改进109：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-01 309
2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
芒果RT-DETR改进：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-01 277
2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
芒果YOLOv10改进140：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-01 183
2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
芒果YOLOv7改进110：2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-01 191
2025最新顶会论文｜尺度动态损失函数Scale-based Dynamic Loss，即插即用｜以减少标签不准确对损失函数稳定性的影响
掌握YOLOv8：从视频目标检测到划定区域统计计数的实用指南
shrgegrb的博客
06-05 674
本文介绍了基于YOLOv8的视频区域目标计数方法。YOLOv8作为最新的目标检测算法，在效率和精度上都有显著提升。文章首先回顾了YOLOv8的核心改进和基本使用方法，随后详细讲解了视频划定区域目标统计的实现流程。通过定义感兴趣区域(ROI)，对视频帧进行目标检测和跟踪，利用点与多边形位置关系判断目标进出状态，最终实现精确计数。文中还提供了完整的Python实现代码，包括ROI绘制、目标跟踪轨迹可视化以及进出计数等功能。该方法可广泛应用于交通流量统计、商场人流量监测等场景。
yolo模型精度提升策略
最新发布
qq_47798402的博客
06-09 326
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
YoloV8改进策略：Block改进|FCM，特征互补映射模块|AAAI 2025|即插即用
m0_47867638的博客
06-09 630
FBRT-YOLO通过特征互补映射模块（FCM）与多内核感知单元（MKP）的创新设计，解决了航拍图像检测中小目标信息丢失和多尺度适应性不足的核心问题。理论层面：提出空间-语义信息互补映射机制，缓解深层网络位置信息衰减问题；工程层面：轻量化设计（参数量最高降74%）满足嵌入式设备实时需求；应用层面：在Visdrone等数据集上AP提升1.1-2.3%，为无人机安防、灾害监测提供高效解决方案。
[yolov11改进系列]基于yolov11引入轻量级下采样ContextGuided的python源码+训练源码
FL1623863129的博客
06-07 892
摘要： 随着在移动设备上应用语义分割模型的需求迅速增长，当前的顶尖网络由于参数量巨大，不适合移动设备使用，而其他小内存模型则遵循分类网络的原则，忽略了语义分割的固有特征。为了解决这个问题，我们提出了一个轻量级且高效的语义分割网络-上下文引导网络CGNet本文首次提出CG块，改模块通过学习局部特征和周围上下文的联合特征，并进一步用全局上下文改进了这一联合特征。基于CG块，本文开发了CGNet。它在网络的所有阶段捕获上下文信息，并专门为提高分割精度而设计。CGNet还精心设计了减少参数数量和保存内存占用。
Python----目标检测（yolov5-7.0安装及训练细胞）
weixin_64110589的博客
06-05 1136
本文介绍了如何从GitHub下载YOLOv5代码源，创建并激活Python 3.8的虚拟环境，安装必要的依赖项，并准备数据集。接着，详细说明了如何修改数据集的配置文件data.yaml和模型配置文件custom_yolov5s.yaml。文中还提供了运行训练脚本的命令及其参数说明，如批次大小、训练轮次、模型权重等。此外，提到了模型验证和预测的步骤，包括使用val.py进行模型验证和detect.py进行图像检测。整个过程旨在指导用户如何使用YOLOv5进行图像识别任务，从环境搭建到模型训练、验证和预测的全流
[特殊字符] YOLOv10 终极指南：原理详解 + 实战教学 + 创新应用
weixin_45917851的博客
06-04 681
测试环境：RTX 4090, COCO数据集。
Strong Baseline: Multi-UAV Tracking via YOLOv12 with BoT-SORT-ReID 2025最新无人机跟踪
xiaoxu的博客
06-07 820
文章本身的创新性上感觉参考的价值不大，主要是集中在了从之前使用比较多的YOLOX上转换到了使用最新的YOLO12的模型来进行替换，整个代码中yolo12的使用是更有参考价值的。提出了一个基于YOLOv 12和BoT-SORT的跟踪框架，而不是依赖于带有DeepSORT管道的YOLOv5与传统的RGB图像相比，热红外视频具有许多优势，例如在低光照和恶劣天气条件下增强了能见度，使其成为安全和监控应用的理想选择。这里论文中给出的图片信息应该就是热红外视频的跟踪方法。
Python----目标检测（YOLO简介）
weixin_64110589的博客
06-06 2489
[YOLO](You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（AliFarhadi）开发，YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。
钢管连接处腐蚀检测数据集VOC+YOLO格式1194张3类别
FL1623863129的博客
06-08 219
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):["Slippage","corrosion","crack"]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)：1194。标注数量(txt文件个数)：1194。
实现基于Yolo的异常聚集算法
AI浩
06-05 1402
基于YOLO检测算法实现“异常聚集”检测是一个很实用的应用场景，比如人群过度聚集、车辆拥堵、特定物品（如垃圾、危险物）堆积等。。bboxclass_idconfidence这是判断“异常聚集”的核心。利用上一步得到的目标位置信息，分析它们的空间分布。
芒果yolov8改进
08-30
基于引用的信息，芒果YOLOv8改进主要包括使用最新的QARepVGG结构和QARepNeXt结构，以及应用最新的Wise-IoU损失函数。这些改进旨在提高YOLOv8模型的性能和准确率。 具体来说，QARepVGG和QARepNeXt是基于YOLOv8的改进...
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

芒果学AI

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