优化改进YOLOv5算法之添加DCNv3模块,有效提升目标检测效果

目录

前言

1 DCNv3原理

1.1 DCNv2

1.2 DCNv3

1.3 模型架构

2 YOLOv5算法中加入DCNv3模块

2.1 common.py文件配置

2.2 yolo.py配置

2.3 创建添加优化点模块的yolov5x-C3-DCNv3.yaml


前言

InternImage: Exploring Large-Scale Vision Foundation Models withDeformable Convolutions

GitHub - OpenGVLab/InternImage: [CVPR 2023 Highlight] InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions

拿到文章之后先看了一眼在ImageNet1k上的结果,确实很高,超越了同等大小下的VAN、RepLKNet、ConvNext等先进的大核注意力CNN模型,同时也超过了Swin、DeiT3、CoAtNet等ViT模型。回顾自从Vision Transformer被提出之后,通过大量数据训练出的ViT大模型刷新了许多视觉任务的记录,这得益于ViT的MHSA机制能够建模长距离依赖,具有相当低的归纳偏置,从而能够在海量数据中学习到强大鲁棒的特征表达。相反的&

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
yolov8的小目标检测可以通过加入DCNv3来实现。DCNv3是可变形卷积网络的一种改进结构,被称为目标检测的"涨点神器",在yolov8中使用DCNv3可以提高3到4个点的性能。特别是对于小目标的检测效果较好。同时,还有其他一些方法可以用于提升yolov8的小目标检测性能,例如引入CVPR2023 InternImage中的新机制,扩展DCNv3,可以助力涨点,提高COCO的mAP指标。此外,还可以使用基于yolov5的轻量级上采样CARAFE算子,来提升小目标的检测性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [YOLOv8添加DCNv3可变形卷积](https://blog.csdn.net/weixin_70423469/article/details/131702564)[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: 50%"] - *2* *3* [涨点优化:基于Yolov5的红外小目标性能提升,多种网络结构组合DCNV3、CARAFE、多头检测器等](https://blog.csdn.net/m0_63774211/article/details/130881380)[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: 50%"] [ .reference_list ]
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

AI追随者

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
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