YOLOv11改进专栏
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YOLOv11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
-
YOLOv11改进策略【损失函数篇】| Slide Loss,解决简单样本和困难样本之间的不平衡问题
本文记录的是改进YOLOv11的损失函数,将其替换成Slide Loss,并详细说明了优化原因,注意事项等。Slide Loss函数可以有效地解决样本不平衡问题,为困难样本赋予更高的权重,使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大,而困难样本相对稀疏,可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。原创 2024-09-30 14:26:35 · 434 阅读 · 0 评论 -
YOLOv11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YOLOv11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 2024-09-30 14:18:25 · 438 阅读 · 0 评论 -
YOLOv11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2024年9月30日,YOLOv11是最新发布的计算机视觉模型。支持多种任务,包括目标检测、实例分割、图像分类、姿态估计、有向目标检测以及物体跟踪等,本文主要讲述其检测任务的模型搭建训练流程。以上就是YOLOv11训练自己数据集的全部过程啦,欢迎大家在评论区交流~原创 2024-09-30 13:44:14 · 658 阅读 · 0 评论 -
YOLOv11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 2024-09-30 14:07:26 · 250 阅读 · 0 评论