【保姆级教程|YOLOv8改进】【6】快速涨点，SPD-Conv助力低分辨率与小目标检测

最新推荐文章于 2025-03-19 14:23:24 发布
最新推荐文章于 2025-03-19 14:23:24 发布
阅读量1.1w 收藏 190
点赞数 42
分类专栏： YOLOv8网络结构改进 文章标签： YOLO 目标检测 人工智能 YOLOv8改进
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_42589613/article/details/136070709
版权

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~

《------正文------》

前言

论文发表时间：2022.08.07

github地址：https://github.com/LabSAINT/SPD-Conv
paper地址：https://arxiv.org/pdf/2208.03641v1.pdf

在这里插入图片描述

文章提出了一个新的CNN构建模块称为SPD-Conv，用来替换每个步长卷转层和每个池化层（从而完全消除它们）。SPD-Conv由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成。本文详细介绍了如何在yolov8中引入SPD-Conv，助力助力低分辨率与小目标检测，并且使用修改后的yolov8进行目标检测训练与推理。本文提供了所有源码免费供小伙伴们学习参考，需要的可以通过文末方式自行下载。

本文改进使用的ultralytics版本为：ultralytics == 8.0.227

目录

1.SPD-Conv简介

在这里插入图片描述

摘要：卷积神经网络（CNN）在许多计算机视觉任务中取得了显著的成功，例如图像分类和目标检测。然而，它们的性能在图像分辨率低或对象较小的更艰难任务中会急剧下降。在本文中，我们指出这一问题源于现有CNN架构中一个有缺陷但常见的设计，即使用步长卷积和/或池化层，这导致了细微信息的丢失和较少有效特征表示的学习。为此，我们提出了一个新的CNN构建模块称为SPD-Conv，用来替换每个步长卷转层和每个池化层（从而完全消除它们）。SPD-Conv由一个空间到深度（SPD）层和一个非步长卷积（Conv）层组成，可以应用于大部分（如果不是全部的话）CNN架构。我们在两个最有代表性的计算机视觉任务下解释了这种新设计：目标检测和图像分类。然后，我们通过将SPD-Conv应用于YOLOv5和ResNet创建了新的CNN架构，并通过实验证明，我们的方法显著优于最先进的深度学习模型，尤其是在图像分辨率低和对象较小的更艰难任务上。

论文主要亮点如下：

  • 我们发现了现有CNN架构中一个有缺陷但常见的设计，并提出了一种新的构建模块，称为SPD-Conv，以取代旧的设计。SPD-Conv在不丢失可学习信息的情况下下采样特征图，彻底抛弃了如今广泛使用的带步长的卷积和池化操作。
  • SPD-Conv代表一种通用且统一的方法，可以很容易地应用于大部分（如果不是全部的话）基于深度学习的计算机视觉任务。
  • 使用两个最具代表性的计算机视觉任务，目标检测和图像分类，来评估SPD-Conv的性能。具体来说，我们构建了YOLOv5-SPD、ResNet18-SPD和ResNet50-SPD，并在COCO-2017、Tiny ImageNet和CIFAR-10数据集上与几种最先进的深度学习模型进行了比较。结果显示在AP和top-1精度上都有显著的性能提升，特别是在小物体和低分辨率图像上。

1.1 网络结构

在这里插入图片描述

1.2 性能对比

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

2.YOLOv8添加SPD-Conv

YOLOv8网络结构前后对比

在这里插入图片描述

定义FasterNet相关类

在ultralytics/nn/modules/block.py中添加如下代码块，为space_to_depth模块代码：
在这里插入图片描述

并在ultralytics/nn/modules/block.py中最上方添加如下代码：
在这里插入图片描述

修改指定文件

在ultralytics/nn/modules/__init__.py文件中的添加如下代码:
在这里插入图片描述

在 ultralytics/nn/tasks.py 上方导入相应类名,并在parse_model解析函数中添加如下代码：
在这里插入图片描述

       elif m is space_to_depth:
            c2 = 4 * ch[f]

在这里插入图片描述

在ultralytics/cfg/models/v8文件夹下新建yolov8-FasterNet.yaml文件，内容如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 1]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 1]]  # 1-P2/4
  - [-1, 1, space_to_depth, [1]]  # 2 -P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 1]]  # 4-P3/8
  - [-1, 1, space_to_depth, [1]]
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 1]]  # 7-P4/16
  - [-1, 1, space_to_depth, [1]]
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 1]]  # 10-P5/32
  - [-1, 1, space_to_depth, [1]]
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 13

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 8], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 16

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 5], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 19 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 1]]
  - [-1, 1, space_to_depth, [1]]
  - [[-1, 16], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 23 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 1]]
  - [-1, 1, space_to_depth, [1]]
  - [[-1, 13], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 27 (P5/32-large)

  - [ [ 19, 23, 27 ], 1, Detect, [ nc ] ]  # Detect(P3, P4, P5)

3.加载配置文件并训练

加载yolov8-BiLevelRoutingAttention.yaml配置文件，并运行train.py训练代码:

#coding:utf-8
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('ultralytics/cfg/models/v8/yolov8-SPD-Conv.yaml')
    model.load('yolov8n.pt') # loading pretrain weights
    model.train(data='datasets/TomatoData/data.yaml', epochs=50, batch=4)

注意观察，打印出的网络结构是否正常修改，如下图所示：
在这里插入图片描述

4.模型推理

模型训练完成后，我们使用训练好的模型对图片进行检测：

#coding:utf-8
from ultralytics import YOLO
import cv2

# 所需加载的模型目录
# path = 'models/best2.pt'
path = 'runs/detect/train/weights/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/Riped tomato_8.jpeg"

# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')

# 检测图片
results = model(img_path)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=2,fy=2,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

在这里插入图片描述

【源码免费获取】

为了小伙伴们能够，更好的学习实践，本文已将所有代码、示例数据集、论文等相关内容打包上传，供小伙伴们学习。获取方式如下：

关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【yolov8改进】即可免费获取

在这里插入图片描述

结束语

关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！

YOLOv8改进策略：引入SPD-Conv技术以实现小目标精准检测
qq_62660798的博客
01-21 4046
SPD-Conv是一种空间深度卷积技术，旨在增强小目标检测的性能。相较于传统的Depthwise Convolution，SPD-Conv引入了空间注意力机制，更有利于捕捉小目标的细节信息。通过引入空间关注力，SPD-Conv更加注重目标的空间分布，有助于捕捉小目标的微小特征。相比传统卷积，SPD-Conv在保持高性能的同时拥有更少的参数数量，有助于减少模型的复杂性。SPD-Conv在相同计算资源下能够实现更高的感知力，提高整体模型的效率。
穿越遮挡的涨点神器：Yolov8小目标检测性能提升之SEAM与MultiSEAM
一直在水些技术小文
11-10 2020
SEAM与MultiSEAM技术的引入为Yolov8带来了小目标遮挡物检测性能的显著提升。在实际应用中，这两项技术不仅简化了模型更新的流程，同时也提高了模型的鲁棒性。随着深度学习领域的不断发展，我们期待更多类似的创新，为目标检测任务带来更多的突破。（注：本文中的示例代码仅为演示用途，实际应用中可能需要根据具体情况进行调整和优化。
Yolov8大幅涨点！Yolov8+GEM注意力机制
第欧根尼的酒桶的博客
01-18 2747
相较原版YOLOv8s模型，我们添加了全局注意力机制，即可以通过保留空间和通道信息之间的关联来提高模型的性能。将输入特征映射通过通道注意力子模块和空间注意力子模块形成GAM的输出特征。
模块学习篇#1：浅析SPD-Conv的基本原理（应用理解向）
最新发布
hjs314159的博客
03-19 1292
SPD-Conv（Spatially Separated and Deformable Convolution）是一种针对低分辨率图像和小物体检测优化的卷积操作，其创新之处在于通过避免传统卷积中的步长大于1的卷积和池化操作，从而更好地保留图像的细节信息。SPD-Conv通过对输入图像进行空间划分，将其分割成多个子图，并通过特征融合的方式将这些子图合并，最终通过一个步长为1的卷积层进行进一步处理，从而获得更为精细的特征表示。这种结构特别适用于处理低分辨率图像，能够提升模型在小物体检测等任务中的表现。
卷积篇 | YOLOv8改进之引入用于低分辨率图像和小物体检测的CNN模块SPD-Conv
突然好想你
04-03 1366
SPD-Conv（Symmetric Positive Definite Convolution）是一种新颖的卷积操作，它主要应用于处理对称正定矩阵（SPD）数据。在传统的卷积神经网络（CNN）中，卷积操作通常用于处理图像数据，而SPD-Conv的引入则将卷积扩展到了处理更加复杂的数据结构，例如在计算机视觉、医学影像分析和材料科学等领域中广泛存在的对称正定矩阵数据。🌈
YOLOv8改进 | Conv篇 | SPD-Conv空间深度转换卷积（高效空间编码技术）
走向CTO的路上...
06-20 2100
在YOLOv8中引入SPD-Conv（Symmetric Positive Definite Convolution）空间深度转换卷积可以显著提高模型的性能，尤其是在目标检测的小目标检测精度和多尺度目标检测性能方面。SPD-Conv是一种新颖的卷积操作，它通过将图像空间信息转换为深度信息来提高卷积神经网络（CNN）的特征提取能力。添加SPD-Conv空间深度转换卷积是一种有效的改进方案，可以显著提升模型的性能，使其成为移动端目标检测、嵌入式系统目标检测和实时目标检测等任务的优选方案。
《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有110+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进
kay_545
06-17 5819
yolov8改进机制，上百种创新技巧详细介绍
YOLOv10改进 | Conv篇 |YOLOv10引入SPD-Conv卷积
tsg6698的博客
06-20 1361
然而，在图像分辨率较低或物体较小的更艰巨的任务中，它们的性能会迅速下降。然后，我们通过将 SPD-Conv 应用于 YOLOv5 和 ResNet 来创建新的 CNN 架构，并根据经验表明，我们的方法显着优于最先进的深度学习模型，特别是在低分辨率图像和小物体的更艰巨的任务上。接着，一个非跨步卷积层被用来进一步处理经过SPD层变换后的特征，该层使用可学习的参数来减少通道的数量，这样做是为了防止由于增加的通道导致的信息冗余，同时尽可能保留判别性的特征信息。大家根据自己的数据集实际情况，修改nc大小。
基于YOLOv8的交通摄像头下车辆检测算法（六）：SPD-Conv，低分辨率图像和小物体等更困难任务，涨点明显
会AI的学姐
11-02 1293
SPD-Conv小目标检测&复杂场景首选，实现涨点，在交通摄像头下车辆检测项目中，mAP50从原始的0.745提升至0.802
目标检测算法——YOLOv7改进|增加小目标检测层
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 2万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
03-10 5350
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-26 1万+
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）！！！
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
目标检测算法——YOLOv5/v7改进之结合最强视觉识别模块CotNet（Transformer）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
03-31 6752
CoTNet：新型主干网络&获得图像识别竞赛冠军的Contextual Transformer 来啦！！！ 论文题目：《Contextual Transformer Networks for Visual Recognition》 小伙伴们，CNN再次强势回归啦！京东AI开源最强ResNet变体CoTNet：一种即插即用的视觉识别模块。 近期工作太忙了！！！小海带抽空将YOLOv5算法与CotNet进行了创新性结合，发现效果还不错！并且涨点明显！！！ 该论文主要是设计了一种新颖的Tran
YOLOv8 改进 006：SPD-Conv 空间深度转换卷积替换 CNN 传统卷积神经网络
m0_46496775的博客
08-09 5984
SPD-Conv（Space-to-Depth Convolution）是一种新的 CNN 模块，旨在提高低分辨率图像和小物体目标检测的性能。它通过将特征图的空间维度转换为深度维度来增强特征表示，从而弥补低分辨率图像信息不足的问题。在本文中，给大家带来的教程是 YOLOv8 之 使用 SPD-Conv 空间深度转换卷积替换 CNN 传统卷积神经网络。
Yolov8涨点神器：用于微小目标检测的上下文增强和特征细化网络ContextAggregation，助力小目标检测，暴力涨点
05-26 4614
CONTAINER(CONText AggregatIon NEtwoRK)，一种用于多头上下文集成（Context Aggregation）的广义构建模块引入到yolov8，在多个数据集上实现暴力涨点
最新改进YOLOv8系列：YOLOv8改进ShuffleNetV2，有效涨点！
B站 Ai学术叫叫兽的文案地
09-04 8061
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:ShuffleNetV1结构的问题：如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
【YOLOv8改进】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小目标问题
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
02-06 7371
卷积神经网络（CNNs）在许多计算机视觉任务中取得了巨大成功，例如图像分类和目标检测。然而，当面对图像分辨率低或对象较小的更加困难的任务时，它们的性能迅速下降。在本文中，我们指出这一问题根源于现有CNN架构中一个有缺陷但常见的设计，即使用了步长卷积和/或池化层，这导致了细粒度信息的丢失和较不有效的特征表示的学习。为此，我们提出了一种新的CNN构建块，名为SPD-Conv，用以替代每个步长卷积层和每个池化层（从而完全消除它们）。
YOLOv8的改进的方法
2401_88440984的博客
02-04 1205
YOLOv8的改进的方法
yolov8小目标检测涨点
08-15
根据引用和引用的信息，YOLOv5在目标检测中使用了多个检测头，能够多尺度对目标进行检测。然而，对于微小目标的检测可能存在检测能力不佳的问题。为了解决这个问题，可以添加一个专门用于检测微小目标的检测头，这样能够显著提升检测的准确性和mAP值。这一改进在多个数据集上验证过，并取得了明显的涨点效果，尤其是对于小目标和遮挡物的检测精度提升明显。 然而，目前尚未有关于YOLOv8的正式发布或提及，因此无法准确回答YOLOv8在小目标检测方面的涨点情况。我只能根据提供的信息为您解答。如果YOLOv8有新的特性或改进，可能需要查阅最新的文献或官方发布来获取更多详细信息。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [涨点技巧：基于Yolov5的微小目标检测，多头检测头提升小目标检测精度](https://blog.csdn.net/m0_63774211/article/details/129619067)[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^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 18
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

阿_旭

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