Limiiiing的博客

如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

本文记录的是基于Shuffle Attention注意力模块的YOLOv9目标检测改进方法研究。通过独特的设计原理，在保持轻量级的同时实现了高效的特征注意力机制，增强了网络的表示能力。本文对YOLOv9的进行二次创新，以增强模型性能。

COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。

在计算机视觉领域，当我们着手训练一个模型时，。其中，将数据集划分为和更是一项基础性且关键的操作。这篇博客分析了这一划分背后的原因、其重要意义以及如何通过代码实现，帮助大家更好地理解和运用这一技巧，。

是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。论文链接：https://arxiv.org/pdf/2301.10051源码链接：https://github.com/Instinct323/wiou此处需要查看的文件是中定义了模型的损失函数和计算方法，我们想要加入新的损失函数就只需要将代码放到这个文件内即可将下方的函数替换原本的函数即可：utils\loss_tal_dual.py是损失函数的辅助分支+主分支损失计算文件。在utils\loss_tal_

在网络模型训练前，大量的数据集是必备的。而对于一些特殊场景中的特殊目标，大量的数据集往往难以获取，无法满足模型训练的基本需求。本文提供了，脚本可一键运行，。

YOLOv9的模型配置文件在中，里面包含yolov9和gelan两类不同的模型，gelan模型是去除辅助分支后的模型文件，在训练过程中还是使用的是yolov9模型，本文以为例（其他文件完全一致），详细介绍一下YOLOv9模型文件中各参数的含义。

本文记录了YOLOv9模型的这一系列过程中可能发生的问题，以及大家非常关心的问题，这里统一做了一个记录和解答。

AutoDL AI算力云是一个提供人工智能算力服务的云平台。丰富的GPU资源：提供多种GPU型号，包括NVIDIA的A100A800L40V100RTX 4090RTX 3090等，能满足我们在不同场景下的需求，无论是进行大规模的AI训练还是复杂的科学计算等任务，都可以找到合适的GPU资源。灵活的付费方式：支持按量付费包日包周包月等多种付费模式。对于短期的实验或不确定时长的项目，可以选择按量付费；如果有长期稳定的算力需求，预付费或包周包月则可能更划算，可以根据自己的需求和预算进行选择。集成主流框架：集成了。

数据集是由微软开发维护的大型图像数据集。数据集标注类型对应任务包括物体检测、关键点检测、实例分割、stuff分割（没有特定形状的物体），全景分割人体关键点， 人体密度检测等。官网数据规模和样本特点数据规模大：总共包含32.8万张图像）。其中标注过的图像超过 20 万张，拥有 150 万个目标实例，数据量丰富，能够为模型训练提供充足的信息。类别丰富：包含80个目标类别和91个“stuff”类别。目标类别涵盖了日常生活中常见的各种物体，如人、动物、交通工具、生活用品等；stuff。

本文主要讲解的是计算机视觉网络模型的性能评价指标，这是每一篇论文中都需要展示的内容。熟悉每一个评价指标也能够帮助我们在训练和改进模型过程中，更好的观察模型的变化效果。

本文记录的是基于蒙特卡罗注意力（MCAttn）模块的YOLOv9目标检测改进方法研究。利用提高的跨尺度特征提取能力，使模型能够更好地传递和融合提取的多尺度特征。Exploiting Scale-Variant Attention for Segmenting Small Medical Objects使用一种基于随机采样的池化操作来生成尺度无关的注意力图。它从三个不同尺度（3×33×33×3、2×22×22×2和1×11×11×1，即池化张量）中随机选择一个1×11×11×1注意力图。给定一个输入张量xxx

本文记录的是利用优化的目标检测网络模型。传统卷积和池化操作会导致信息丢失和压缩缺陷，且传统的注意力机制通常产生固定维度的注意力图，忽略了背景中的丰富上下文信息。本文的利用改进，以在特征传递和融合过程中增加多尺度的学习能力。Exploiting Scale-Variant Attention for Segmenting Small Medical Objects包含一个3×33×33×3卷积和一个1×11×11×1卷积，接着是两个Transformer块和两个卷积操作。它通过堆叠和拆分特征图来连接卷积和Tr

本文记录的是利用优化的目标检测网络模型。标准的卷积操作虽然能有效捕获局部信息，但在处理需要全局信息整合的任务时存在局限性，而自注意力机制能够有效地建模长距离依赖，因此考虑将其引入到视觉架构中。同本文利用将标准卷积和自注意力相结合，提高模型的全局感知能力。Bottleneck Transformers for Visual Recognition是一种将自注意力（Self-Attention）融入计算机视觉任务的骨干架构，其设计的原理和优势如下：是通过将ResNet瓶颈块中的空间3×3卷积替换为来构建的（如图

本文记录的是改进YOLOv9的损失函数，将其替换成，并详细说明了优化原因，优势等。。在改进后，模型能够更加关注高质量的正样本，有助于提高检测性能。

本文记录的是基于NAM模块的YOLOv9目标检测改进方法研究。 许多先前的研究专注于通过注意力操作捕获显著特征，但缺乏对权重贡献因素的考虑，而这些因素能够进一步抑制不重要的通道或像素。而本文利用改进，通过权重的贡献因素来改进注意力机制，提高模型精度。NAM: Normalization-based Attention Module注意力模块的设计的原理和优势如下：​Bin​−μB​​+β，其中μB\mu_{B}μB​和σB\sigma_{B}σB​分别是小批量BBB的均值和标准差；γ\gammaγ和β\be

本文记录的是基于EMA模块的YOLOv9目标检测改进方法研究。EMA认为跨维度交互有助于通道或空间注意力预测，并且解决了现有注意力机制在提取深度视觉表示时可能带来的问题。YOLOv9。

本文记录的是基于NWD的YOLOv9的损失函数改进方法研究。目前的IoU-Loss在一些情况下不能提供梯度来优化网络，例如当预测边界框P和真实边界框G没有重叠（即∣P∩G∣0），或者P完全包含G或反之（即∣P∩G∣P或G），而这两种情况在微小物体检测中非常常见。CIoU和DIoU虽然能处理上述两种情况，但它们基于IoU，对微小物体的位置偏差很敏感。而。

本文记录的是利用优化的目标检测网络模型。通过自注意力机制能够获取全局信息，但资源占用较大。卷积操作资源占用较少，但只能根据卷积核的大小获取局部信息。通过卷积调制操作简化了自注意力机制，更有效地利用了大核卷积，在视觉识别任务中表现出较好的性能。Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition是一种用于视觉识别的新型卷积网络架构，其设计的原理和优势如下：采用金字塔结构，与和网络类似，共四个阶段，每阶段特征图分辨率不同，连

本文带来的是YOLOv9热力图可视化功能，支持，以及。我们经常看到一些论文里绘制了不同的热力图，一方面能够直观的感受其模型的有效性，另一方面也丰富了论文内容。特别是在使用了注意力模块的网络中，热力图就可以验证注意力机制是否真正聚焦到了预期的重要特征上，以便对模型的有效性和合理性进行评估。例如这篇文章中展示的，就很能够表达作者改进后的模型相比之前模型的优越性。

本文记录的是基于FCAttention模块的YOLOv9目标检测改进方法研究。是图像去雾领域新提出的模块能够，在目标检测领域中同样有效。

本文记录的是基于CAA注意力模块的YOLOv9目标检测改进方法研究。。CAA能够有效捕捉长距离依赖，并且参数量和计算量更少。

本文记录的是基于SCSA-CBAM注意力模块的YOLOv9目标检测改进方法研究。现有注意力方法在空间-通道协同方面未充分挖掘其潜力，缺乏对多语义信息的充分利用来引导特征和缓解语义差异。构建一个空间-通道协同机制，

实时检测器架构的轻量级设计GsConv。

为了弥补现有 IoU 损失在不同检测任务中泛化性弱和收敛速度慢的问题，·Inner-IoU·通过引入比例因子 “ratio” 来控制辅助边界框的尺度大小，利用不同尺度的辅助边界框来计算损失，从而加速边界框回归过程。

本文记录的是基于MCA注意力模块的YOLOv9目标检测改进方法研究。普通的轴向注意力难以实现长距离交互，不利于捕获分割任务中所需的空间结构或形状，而MCA注意力，在改进YOLOv9的过程中，能够契合目标形态，更有效的获取目标的全局信息。

本文记录的是改进YOLOv9的损失函数，将其替换成。现有研究通过利用边界框之间的几何关系来提高回归性能，但忽略了困难样本和简单样本分布对边界框回归的影响。不同检测任务中困难样本和简单样本的分布不同，对于简单样本占主导的检测任务，关注简单样本的边界框回归有助于提高检测性能；对于困难样本比例较高的检测任务，需要关注困难样本的边界框回归。，提高检测器在不同检测任务中的性能。实现的。

在Windows10上配置CUDA环境教程YOLOv9网络于2024年2月21日发布，其通过广义高效层聚合网络（GELAN）、可编程梯度信息（PGI）和辅助可逆分支设计等改进点，使得其在目标检测领域取得了显著的性能提升。其中也提供了目标分割的网络结构，本文就来搭建并记录一下。以上就是YOLOv9的分割模型训练自己数据集的全部过程啦，欢迎大家在评论区交流~

在Windows10上配置CUDA环境教程YOLOv9网络于2024年2月21日发布，其通过广义高效层聚合网络（GELAN）、可编程梯度信息（PGI）和辅助可逆分支设计等改进点，使得其在目标检测领域取得了显著的性能提升。在MS COCO数据集上，YOLOv9的四种不同参数数量的模型（v9-T、v9-S、v9-M、v9-C、v9-E）均取得了较高的检测精度，其中最小的模型达到了38.3%的AP，而最大的模型则达到了55.6%的AP。论文摘要翻译。

在训练过程中的变化曲线（Python脚本），用以比较不同算法的收敛速度，最终精度等，并且能够在论文中直观的展示改进效果。变化曲线，数据来源是直接读取三个训练完成的。以下是比较了三个模型的。

AKConv： 具有任意采样形状和任意参数数量的卷积核。

在做一些比较实验中，如何更精确的查看和对比我们的改进模块时候有效，是否有提升，特别是在模型轻量化时，这时候我们就可以打印改进模型每一层的耗时和GFLOPS来比较不同模块的占用量。在YOLOv9中，打印模型每一层的耗时和GFLOPs使用的是。这样就可以查看每一层的耗时和GFLOPs了。

本文记录的是利用Haar小波下采样对YOLOv9网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，

基于拓扑几何约束的动态蛇卷积用于管状结构分割DSConv（Dynamic Snake Convolution，动态蛇形卷积）模块的设计主要是为了更好地处理管状结构的分割任务，解决传统卷积在处理细管状结构时的不足。

本文记录的是基于SimSPPF模块的YOLOv9目标检测改进方法研究。介绍了SPPSPPF以及SimSPPF。SimSPPF的设计更加简化，计算效率更高。

本文记录的是改进YOLOv9的损失函数，将其替换成Shape-IoU。现有边界框回归方法通常考虑GT（Ground Truth）框与预测框之间的几何关系，通过边界框的相对位置和形状计算损失，但忽略了边界框本身的形状和尺度等固有属性对边界框回归的影响。为了弥补现有研究的不足，Shape-IoU提出了一种关注边界框本身形状和尺度的边界框回归方法。

HorNet： 利用递归门控卷积实现高效高阶空间交互GnConv（Recursive Gated Convolution，递归门控卷积）

SCConv：针对特征冗余的空间和通道重构卷积。

传统的非极大值抑制（NMS）算法在目标检测中存在一个问题，即当一个物体的检测框与具有最高得分的检测框M有重叠（在预定义的重叠阈值内）时，会将该检测框的得分设置为零，从而导致该物体可能被遗漏，降低了平均精度。为了解决这个问题，作者提出了Soft-NMS算法。本文将YOLOv9默认的NMS修改成GIoU-NMSDIoU-NMSCIoU-NMSSIoU-NMSEIou-NMS。

通过学习采样来学习上采样DySample。