RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR LSKNet （附网络详解和完整配置步骤）

已于 2025-03-27 08:56:49 修改
阅读量156 收藏
点赞数
分类专栏： RT-DETR改进专栏 文章标签： 深度学习 计算机视觉 目标检测 YOLO RT-DETR
于 2025-01-21 10:45:26 首次发布
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_42591591/article/details/145277743
版权

一、本文介绍

本文记录的是基于LSKNet的RT-DETR目标检测改进方法研究。LSKNet利用大核卷积获取上下文信息进行辅助，使模型能够产生具有各种大感受野的多个特征的同时，动态地根据输入调整模型的行为，使网络更好地适应图像中不同物体的检测需求。本文在RT-DETR的基础上配置了原论文中LSKNET_T、LSKNET_S两种模型，以满足不同的需求。

专栏目录：RT-DETR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

专栏地址：RT-DETR改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 主干网络 | 一体化去雾网络AOD-Net【原理 + 代码】
kay_545
07-17 2791
yolov8改进，yolov8，去雾网络，AODNet
YOLOv10改进，YOLOv10改进主干网络为StarNet，CVPR2024，助力模型涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-08 190
StarNet 是一种基于“星形操作”特性的高效神经网络架构，充分利用了星形操作在低维空间计算时能产生高维特征的优势，主要用于提高深度神经网络的表示能力，同时保持计算效率。星形操作（star operation）是 StarNet的核心运算。其特点是能够在计算上保持高效的同时，通过元素级乘法将低维特征映射到高维空间，显著提升特征的表达能力。星形操作将输入特征通过元素级乘法转换成一个高维空间的特征表示，从而增加隐式维度。这个操作是通过两个权重矩阵与输入特征的元素级乘积实现的。
RT-DETR改进策略【独家融合改进】| AssemFormer + HS-FPN 减少目标尺度变化影响，增加多尺度的学习能力
最新发布
Limiiiing的博客
03-19 136
HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。
YOLOv11改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新
Limiiiing的博客
10-16 548
LSK module是。
论文阅读 【CVPR-2022】 A ConvNet for the 2020s
weixin_42155685的博客
04-02 476
A ConvNet for the 2020s studyai.com 搜索论文: A ConvNet for the 2020s 摘要(Abstract) The “Roaring 20s” of visual recognition began with the introduction of Vision Transformers (ViTs), which quickly superseded ConvNets as the state-of-the-art image classification
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
B站 Ai学术叫叫兽的文案地
09-14 5568
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR ConvNeXt V2 （附网络详解和完整配置步骤）
Limiiiing的博客
01-21 163
是一种全新的ConvNet模型家族，旨在提升纯卷积神经网络在各类下游任务中的性能。它在模型结构设计上有独特的出发点，结构原理涉及多个创新组件，并且在性能上展现出显著优势。
RT-DETR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
12-03 7425
1️⃣本专栏已更新150多种不同的改进方法，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。2️⃣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，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，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。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
YOLOv8改进，YOLOv8采用RT-DETR检测头，CVPR 2024
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-24 984
RT-DETR（Real-Time DEtection TRansformer）的核心思想是将 Transformer 架构应用于实时目标检测中，并通过改进编码器和解码器的结构，提升检测速度和准确性，从而超越传统的YOLO系列模型。RT-DETR核心细节：高效的混合编码器：RT-DETR提出了一种高效的混合编码器，通过解耦不同尺度特征的交互，减少了计算冗余。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
热门推荐
Snu77的博客
11-05 4万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
改进YOLO系列 | YOLOv5/v7 更换骨干网络之 MobileNeXt
YOLOv8项目贡献者
02-22 5374
包含YOLOv5/YOLOv7的yaml文件
YOLOv8改进，MobileNetV3轻量化架构改进特征提取网络，助力涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-10 1939
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
YOLOv10改进策略【Backbone/主干网络】| CVPR 2024替换骨干网络为 UniRepLKNet，解决大核 ConvNets 难题
Limiiiing的博客
02-05 294
是一种通用感知大核卷积神经网络，其模型结构设计旨在解决现有大核卷积神经网络存在的问题，并探索卷积神经网络在多模态领域的通用感知能力。
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
qq_45972324的博客
09-09 583
在本文中，我们介绍了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及各种不同模型大小的最先进的性能。我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。此外，我们还演示了如何通过简化的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。基于倒置残差结构，其中快捷方式连接位于薄瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性的来源。
YOLOv8改进 | 主干篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）
Snu77的博客
01-02 6532
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
主干网络篇 | YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
YOLOv8项目贡献者
01-02 3679
YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
主干网络篇 | 使用 Timm 库替换 YOLOv8 主干网络 | 1000+ 主干融合YOLOv8
YOLOv8项目贡献者
12-13 6743
YOLOv8 替换1000+ 主干网络！！！🚀🚀🚀
YOLOv10改进 | 主干/Backbone篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv10
Snu77的博客
07-12 1169
本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv10的主干，RT-DETR是今年由百度推出的第一款实时的ViT模型，其在实时检测的领域上号称是打败了YOLO系列，其利用两个主干一个是HGNet一个是ResNet，其中HGNet就是我们今天来讲解的网络结构模型（亲测这个HGNet网络比YOLO的主干更加轻量化和精度更高的主干，非常适合轻量化研究的读者），这个网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析。
YOLOv10的网络架构解析
2401_84670644的博客
11-04 3188
YOLOv10作为YOLO系列的最新成员，在网络架构、优化策略和数据增强等方面进行了全面改进。其NMS-free训练的一致双重分配策略、整体效率-准确性驱动的模型设计以及探索大核卷积和部分自注意力模块等技术亮点，使得YOLOv10在实时目标检测领域取得了显著进展
YOLOv8改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8（超级轻量化精度更高）
01-04
### 改进YOLOv8主干网络的方法 为了使YOLOv8更加轻量化并提升检测精度，可以采用来自RT-DETR的PPHGNetV2作为新的特征提取器[^1]。这种方法不仅能够增强模型的表现力，还能减少计算资源的需求。 #### 替换原有主干网络 原有的YOLOv8主干网络被PPHGNetV2所替代。PPHGNetV2是一种基于Transformer架构设计而成的新颖骨干网路，它具有更强的数据表达能力和更低的参数复杂度。通过这种替换操作，可以在不显著增加额外开销的情况下获得更好的性能表现[^2]。 #### 调整超参数设置 当引入新类型的主干之后，可能需要重新调整一些训练过程中的超参数配置，比如学习率、批量大小等。这些改变有助于让整个系统更好地适应新型号带来的变化，并最终体现在更高的mAP得分上[^3]。 #### 训练与验证流程 完成上述修改后，按照常规方式准备数据集并对改进后的YOLOv8进行充分训练。期间应密切关注损失函数的变化趋势以及各类评估指标的结果反馈。经过多轮迭代优化直至收敛稳定为止。最后，在测试集上面检验最终版模型的实际效能是否达到了预期目标——即实现了更高精度的同时也保持了良好的运行效率。 ```python import torch from yolov8 import YOLOv8 from pphgnet_v2 import PPHGNetV2 def replace_backbone(yolo_model_path, new_backbone=PPHGNetV2()): # 加载原始YOLOv8模型权重 yolo = YOLOv8() checkpoint = torch.load(yolo_model_path) yolo.load_state_dict(checkpoint['model']) # 将原主干部分替换成PPHGNetV2 yolo.backbone = new_backbone return yolo # 使用示例代码片段 if __name__ == "__main__": improved_yolov8 = replace_backbone('path_to_original_weights.pth') ```
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

Limiiiing

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