YOLOv10改进专栏
文章平均质量分 96
本专栏会持续复现顶会,以及一些最新的模块调用,用于改进YOLOv9的测试精度,力求详细明了,以论文的角度,手把手的教程专为学习,改进YOLO模型算法的同学设计,欢迎大家订阅。
Limiiiing
研究方向:计算机视觉;专注于计算机视觉模型改进与应用,图像处理,目标定位
展开
-
YOLOv10改进策略【损失函数篇】| Shape-IoU:考虑边界框形状和尺度的更精确度量
本文记录的是改进YOLOv10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与之间的几何关系,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。原创 2024-09-27 14:38:55 · 289 阅读 · 0 评论 -
YOLOv10改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制
这篇文章带来一个经典注意力模块的汇总,虽然有些模块已经发布很久了,但后续的注意力模块也都是在此基础之上进行改进的,对于初学者来说还是有必要去学习了解一下,以加深对模块,模型的理解。原创 2024-09-27 09:52:45 · 159 阅读 · 0 评论 -
YOLOv10训练自己的数据集(从代码下载到实例测试)
在Windows10上配置CUDA环境教程YOLOv10是YOLO(You Only Look Once)系列的最新版本,由清华大学的研究人员在Ultralytics Python包的基础上开发完成,并于2024年5月发布。作为一种实时端到端目标检测器,YOLOv10在性能、效率和精度方面均取得了显著提升,是计算机视觉领域的一项重要进展。主要特点无NMS的一致双分配训练策略:YOLOv10引入了无NMS的一致双分配训练策略,结合了一对多和一对一分配策略的优势。原创 2024-07-30 16:42:11 · 2579 阅读 · 7 评论