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 2025-05-06 23:29:11 发布
最新推荐文章于 2025-05-06 23:29:11 发布
阅读量691 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
01-26 244
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。
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
02-01 246
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
PinwheelConv论文解析：AAAI 2025顶会｜PConv风车状卷积用于红外小目标检测，Pinwheel-shaped Convolution and Scale-based Dynamic
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-31 2043
PinwheelConv论文解析：AAAI 2025顶会｜PConv风车状卷积用于红外小目标检测，Pinwheel-shaped Convolution and Scale-based Dynamic
卷积又火了！有史以来最全创新方案汇总！
2401_82426425的博客
01-22 801
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 1086
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
02-01 220
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
02-01 147
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
02-01 153
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
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 2352
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
睡岗检测数据集VOC+YOLO格式1198张1类别
FL1623863129的博客
05-05 491
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。图片数量(jpg文件个数)：1198。标注数量(xml文件个数)：1198。标注数量(txt文件个数)：1198。标注类别名称:["sleep"]sleep 框数 = 1198。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
yolov11 epoch100轮 训练笔记5 kaggle comet
njsgcs的博客
05-05 313
然而comet接不到yolo的sdk。训练17轮map就0.99了。map在50轮后才稳定上升。v5训练100轮才0.6。100轮一眨眼训练完了。有了，就是训练轮次不够。
茶叶病害-目标检测数据集（包括VOC格式、YOLO格式）
DL_data_set的博客
05-05 418
茶叶病害检测，目标检测，yolo，voc
基于OpenMV+STM32+OLED与YOLOv11+PaddleOCR的嵌入式车牌识别系统开发笔记
weixin_46221106的博客
04-26 2918
本文融入了实际开发中获得的宝贵经验，特别是针对嵌入式设备与云端协同AI系统的优化策略。主要是通过OpenMV端收集得到图像，通过wifi模块将数据传递给PyTorch进行数据处理，得到返回的数据后再OLED上进行显示，实物如下图所示。：在本地做智能预筛选（如车牌定位），云端执行复杂OCR，实现精度与延迟的最佳平衡。：通过C++扩展实现OpenMV的NEON指令加速，使图像预处理速度提升3倍。：采用向前兼容的二进制协议，通过version字段实现无缝升级。WebSocket推送结果。
YOLOv8模型训练过程
Tianwen_running的博客
05-01 356
yolov8快速训练自己的数据集，只介绍重点步骤
偷钱包行为检测数据集VOC+YOLO格式922张1类别有增强
FL1623863129的博客
05-05 350
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。有320张图片是原图剩余为增强图片。图片数量(jpg文件个数)：922。标注数量(xml文件个数)：922。标注数量(txt文件个数)：922。标注类别名称:["pick"]使用标注工具：labelImg。标注规则：对类别进行画矩形框。pick 框数 = 925。
YOLOv8的Python基础--函数篇
xiaojin511025的博客
05-06 323
(OpenCV)：图像读取/处理（如。(plt)：数据可视化（如。(np)：数值计算（如。
yolo训练用的数据集的数据结构
最新发布
njsgcs的博客
05-06 196
第一个位是分类，0是classnames[0]对应的物体，现在是cuboid ，旁边四位是anchor的左下角右上角坐标。里面是train的image地址和classnames。训练数据集只看这个data.yaml。每个image一一对应一个label。可以在roboflow上标注。数据有两行就是有两个对象。
ubantu部署yolov5（第四集：模型加速）
qq_62737390的博客
04-30 592
recipe_type 这个是稀疏化的配置直接从官网下，weights这个稀疏化权重也是直接从官网下，你只需要把--data改成自己的数据集的配置文件就可以了。如果太卡，还要改--batchsize。经过我的测试onnx和openvino是最快的。模型导出后，将onnx的路径加到上述二的脚本文件里面，直接运行。但是确实效率没提升多少，onnx的规模确实是下降了。文档上介绍效率很高，但是我实际使用感觉除了模型变小了一点，其他没有什么太大区别。将model_path替换为自己的onnx模型所在的位置。
YOLO旋转目标检测之ONNX模型推理
pengxiang1998的博客
05-02 426
YOLO旋转检测相较于目标检测而言，其只是最后的输出层网络发生了改变，一个最明显的区别便是：目标检测的检测框是xywh，而旋转检测则为xywha，其中，这个a代表angle，即旋转角度，其余的基本相同。
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的改进结构，通过改进网络结构来提升模型的性能。而Wise-IoU损失函数是一种新的损失函数，用于目标检测任务，可以提高模型在涨点方面的表现。 除了上述改进之外，还有其他一些IoU损失函数的改进，例如SIoU、GIoU、EIoU和α-IoU。这些改进可以进一步提高YOLOv8模型的性能和准确率。 如果你想了解更多关于芒果YOLOv8的改进内容，可以参考引用和引用中的文章，这些文章包含了详细的理论部分和完整的源代码实现，可以直接用来进行研究和论文撰写。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [yolov5 代码版 芒果检测 带训练权重，可以直接用](https://download.csdn.net/download/jacke121/42599908)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [YOLOv8改进主干结构系列：最新原创提出改进 QARepNeXt 结构，基于最新 QARepVGG 结构，美团提出的一种量化...](https://blog.csdn.net/qq_38668236/article/details/130743143)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [YOLOv8改进损失函数Wise-IoU：最新YOLOv8结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型...](https://blog.csdn.net/qq_38668236/article/details/131002879)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
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