YOLOv8改进实战 | 更换主干网络Backbone之2023最新模型LSKNet，旋转目标检测SOTA

最新推荐文章于 2025-07-08 14:09:52 发布
最新推荐文章于 2025-07-08 14:09:52 发布
阅读量2.2k 收藏 1
点赞数 14
CC 4.0 BY-SA版权
分类专栏： YOLO改进系列 YOLOv8改进系列 文章标签： YOLO 目标检测 人工智能
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_45062768/article/details/133934950
本文介绍了YOLOv8系列中采用LSKNet轻量化网络结构作为Backbone，以减少计算量和提高检测速度。通过详细阐述LSKNet的原理和代码实现，包括网络添加、注册、配置yaml文件及模型训练，展示了LSKNet在目标检测尤其是遥感图像检测中的优势。

在这里插入图片描述

前言

传统的YOLOv8系列中，Backbone采用的是较为复杂的C2f网络结构，这使得模型计算量大幅度的增加，检测速度较慢，应用受限，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型时难以被应用的。为了解决这个问题，本章节通过采用LSKNet轻量化主干网络作为Backbone的基础结构，从而在保证检测性能的同时，将网络结构精简到最小，大大减小了模型的参数量和计算量。

目录

一、LSKNet

Large Selective Kernel Network for Remote Sensing Object Detection
Pytorch code：LSKNet

在这里插入图片描述
论文的主要创新点在于提出了一种新的遥感对象检测方法一LSKNet，LSKNet通过动态调整感受野和使用大型深度核和空间选择机制，有效地处理了遥感图像中的广泛上下文和多尺度目标。这使得LSKNet在遥感对象检测中取得了最先进的性能，证明了其方法的有效性。

二、代码实现

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力
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。
04-10 2543
【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码)。LSKNet能够动态调整其大的空间接收场，以更好地模拟遥感场景中各种对象的范围上下文。据我们所知，这是首次在遥感目标检测领域探索大型和选择性核机制。
YOLOv8 更换主干网络为 MobileNeXt：目标检测性能的飞跃提升
一直在水些技术小文
09-20 993
本文将深入探讨 MobileNeXt 的核心概念，讨论其在 YOLOv8 中的应用，并提供详细的示例代码和实际操作指南，以帮助读者全面了解和使用这一技术。需要注意的是，示例代码是简化的，实际应用中需要根据任务和数据集进行适当的自定义。通过卷积和池化层，它逐渐减小特征图的大小，并在不同的层次上捕获不同尺度的信息，以更好地检测各种大小的目标。：MobileNeXt 与 YOLOv8 的检测头（Detection Head）结合，将提取的特征与预测边界框的信息融合在一起，生成最终的目标检测结果。
YOLOv8 更换主干网络之 PP-LCNet：下一代目标检测的突破
一直在水些技术小文
09-20 832
YOLO（You Only Look Once）是目标检测领域的经典算法之一，其快速和准确的检测能力使其备受欢迎。YOLOv8 是 YOLO 系列的最新版本，引入了一种新的主干网络 PP-LCNet（Progressively Pooled Local Context Network），为目标检测带来了更高的性能和效率。在本文中，我们将深入探讨 YOLOv8 中 PP-LCNet 的集成，介绍 GhostNetV2，以及如何进行实际操作。
全网首发！Yolov8_obb旋转框训练、测试、推理手把手教学（DOTA1.0数据集map50已达80%）
热门推荐
小嘤熊的博客
01-11 2万+
其中，images/train和images/val放置原始图片文件，labels/train_original和labels/val_original分别放置原始的标签文件，labels/train和labels/val为空，然后运行步骤(3)的代码，运行结束转换后的标签会保存在labels/train和labels/val中，格式如下。（4）新建yolov8-obb.yaml，修改nc和scales，我使用的是yolov8n.（2）构建数据集，安装下面目录格式，其他test可为空，一定要对应。
yolov8旋转目标检测从原理到模型训练、部署、验证、推理（附代码）
QQ_1309399183的博客
10-25 1769
yolov8旋转目标检测从原理到模型训练、部署、验证、推理（附代码）
超详细YOLOv8更换backbone
weixin_44900686的博客
01-05 5994
本文是记录自己使用yolov8修改backbone的一个总结，并不涉及具体代码，具体代码在网上很多，写本文的主要原因是目前网上大部分的模块注册教程都或多或少不可用，需要大量搜索才能解决问题，本文在读者有代码的情况下，绝对一次解决所有问题。这里不需要专门自己编写，在图中文件夹，直接复制一个已存在的yaml文件进行修改就好了，一般来说其它专门添加模块的教程会给一个yaml，这里我可以给一个yaml的示例，大家可以对照图中的yolov8.yaml来对比，看看区别。首先在顶部导入你的代码，如图。
YOLO11改进 | 主干网络 | 动态调整目标的感受野的LSKNet【旋转目标检测SOTA】
kay_545
10-20 1335
yolo11改进，yolo11
YOLOv10涨点改进： block优化 | LSKblockAttention助力旋转目标检测，南开大学提出LSKNet：遥感旋转目标检测新SOTA
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-04 611
LSKblockAttention助力旋转目标检测，南开大学提出LSKNet
YOLOv13改进：block优化 | LSKblockAttention助力旋转目标检测，南开大学提出LSKNet：遥感旋转目标检测新SOTA
最新发布
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
07-08 201
根据需要调整空间中每个目标的感受野，从而有效提升检测精度
YOLOv9改进策略 ：主干篇 | 南开大学提出LSKNet，遥感旋转目标检测新SOTA ，ICCV 2023
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-31 627
动态调整特征提取骨干的感受野，以便更有效地处理被检测大小物体的不同的检测能力
YOLOv8改进 更换旋转目标检测的主干网络LSKNet
分享一些自己改进代码的实例
12-27 5280
手把手教你在yolov8中加入南开大学新研究的遥感旋转目标检测新SOTA：LSKNet，可动态调整空间感受视野，亲测在多个数据集上均有涨点！
yolov8旋转目标检测部署教程（附代码c++_python）
QQ_1309399183的博客
10-25 595
yolov8旋转目标检测部署教程（附代码c++_python）
YOLOv8 更换主干网络之 ConvNext
一直在水些技术小文
09-20 1129
YOLO (You Only Look Once) 系列是计算机视觉领域的瑰宝，其快速而准确的目标检测算法一直备受瞩目。最新的 YOLOv8 引入了名为 ConvNext 的主干网络，宣称纯卷积结构超越了传统的 Vision Transformers（ViTs）。本文将深入探讨 YOLOv8 中 ConvNext 的核心概念，提供示例和代码，以便读者深入了解这一令人兴奋的技术突破。
YOLOv8升级之路：将主干网络替换为FasterNet
一直在水些技术小文
09-20 2362
YOLO（You Only Look Once）系列模型以其高效的实时目标检测能力而闻名，而YOLOv8作为其中的一员，将更先进的FasterNet主干网络引入其中，为目标检测性能带来了显著提升。本文将深入探讨YOLOv8和FasterNet的结合，为你呈现一篇详细的教程，包括示例和代码，以帮助你了解如何实现这一强大的目标检测模型。其中一个最显著的改进是将主干网络替换为FasterNet，这一变化使得YOLOv8在保持高效率的同时，具备了更强大的检测能力。接下来，我们需要加载YOLOv8的检测头部。
YOLOv8 更换主干网络之 EfficientNet：目标检测的新革命
一直在水些技术小文
09-20 1131
本文将深入研究 EfficientNet 的核心思想，探讨其在 YOLOv8 中的应用，并提供示例代码和实际操作指南，以帮助读者更好地理解和应用这一技术。YOLOv8 作为 YOLO 系列的最新版本，引入了 EfficientNet 作为主干网络，以实现更高的性能和更低的计算成本。：EfficientNet 与 YOLOv8 的检测头（Detection Head）结合，将提取的特征与预测边界框的信息进行融合，以生成最终的目标检测结果。：收集和准备你的目标检测数据集，确保它包含了你关注的目标类别。
YOLOv8 利用MobileNetV3替换Backbone
走向CTO的路上...
11-13 1407
将MobileNetV3替换YOLOv8的Backbone可以显著降低模型的推理速度和存储空间，同时保持较高的模型精度，适用于对性能和资源要求较高的移动端和嵌入式设备部署场景。MobileNetV3是一种轻量级的深度卷积神经网络架构，它通过深度可分离卷积、轻量级线性瓶颈层和高效的Squeeze-and-Excitation注意力机制等设计，在保证模型性能的前提下大幅降低了模型的计算量和参数量。
YOLOv8旋转目标检测Yolov8n-obb详细实例+rolabelimg
m0_63172128的博客
06-18 2936
解压后，进入项目中运行一下命令即可驱动，roLabelImg-master也可以放lib-site-packages。# 把旋转框 cx,cy,w,h,angle，或者矩形框cx,cy,w,h,转换成四点坐标。4、文件requirements.txt ，安装配置环境。
YOLOv8-OBB 旋转目标检测训练自己的数据
乐亦亦乐的博客
07-13 2393
注意：yolov8 训练时使用png图像格式，如果不是，需要转换成png，或者更改代码！为方便可以将图片批量处理成png格式！下载链接：https://pan.baidu.com/s/1UsnDucBDed8pU1RtaVZhQw?在满足以上pytorch运行环境下，直接pip安装即可！也可以将代码git到本地！2. 新建项目文件夹，用于存放数据集以及相关配置文件，权重等。3. 将dota数据格式转换为yolo_obb格式；此外，您可以使用训练好的模型批量预标记当前数据集。4 . 创建\修改训练配置文件。
YOLOv8目标检测模型调参与实战详解
YOLOv8模型调参详解是当前深度学习目标检测领域中极为重要且实用的技术内容，尤其在计算机视觉应用日益广泛的大背景下，掌握其参数配置和优化方法对提升模型性能具有决定性意义。本文围绕“YOLOv8模型调参”这一核心...
评论 1
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

w94ghz

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