YOLOv13创新改进 | 注意力改进篇 | ICME 2024 | PPA并行感知块注意力模块，增强小目标特征感知能力，红外小目标任务暴力涨点

已于 2025-08-30 22:59:21 修改
阅读量71 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv13全新有效创新改进+永久更新中 文章标签： YOLO 深度学习 计算机视觉 人工智能 YOLOv13创新改进 小目标涨点模块 目标检测、图像分类、图像分割
于 2025-08-23 18:52:33 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_45972324/article/details/150646919

 一、本文介绍

本文给大家介绍一种PPA并行感知块注意力优化YOLOv13模型！PPA解决小目标在多重下采样过程中关键信息丢失的问题。具体怎么使用请看下文！

专栏改进目录：YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13专栏限时订阅链接：全新YOLOv13创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

目录

 一、本文介绍

二、PPA模块介绍

PPA模块结构图

PPA模块的优势

​ 三、PPA核心代码

 四、手把手教你配置模块和修改task.py文件

1.首先在yolov13/ultralytics/nn/newsAddmodules创建一个.py文件

2.在yolov13/ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件

五、创建涨点yaml配置文件

🚀 创新改进1 :

🚀 创新改进2 : 

六、正常运行

🚀 创新改进1 : 

了解本专栏 订阅专栏 解锁全文
YOLOv11创新改进 | 注意力改进篇 | ICME 2024 | PPA并行感知块注意力模块，红外小目标暴力涨点
Ai缝合怪、助力小伙伴高效发论文
08-20 159
本文提出了一种新型PPA（并行感知块注意力）模块，用于优化YOLOv11模型中的小目标检测性能。该模块通过多分支特征提取策略，有效解决了小目标在下采样过程中信息丢失的问题。PPA模块包含多尺度上下文提取、细粒度区域注意力等核心功能，能保持高分辨率信息传递并促进浅层与深层特征融合。文章详细介绍了PPA模块的结构优势、核心代码实现，并提供了两种改进方案（yolov11n_PPA和yolov11n_C3k2_PPA）的配置方法，包括模块创建、yaml文件修改等具体步骤，为提升小目标检测性能提供了完整的技术方案。
YOLOv13创新改进 | 全网独家Neck改进篇 | ICME 2024 | DASI 维度感知的选择性融合模块，提升小目标显著性，助力红外小目标暴力涨点
Ai缝合怪、助力小伙伴高效发论文
08-23 82
本文提出了一种DASI（维度感知选择性融合）模块用于优化YOLOv13模型，重点解决红外小目标检测中的特征融合问题。DASI模块通过空间和通道维度的注意力机制，智能选择并融合跨层特征，有效抑制背景干扰，提升小目标显著性。文章详细介绍了模块结构、核心代码实现，并提供了从配置文件修改到模型训练的完整指导方案。实验表明，该模块能显著提高红外小目标检测性能，在SIRST数据集上表现优于传统方法。改进方案已集成到YOLOv13框架中，配套提供了完整的yaml配置文件和模块部署教程。
YOLOv11创新改进 | 独家Neck改进篇 | ICME 2024 | DASI 维度感知的选择性融合模块，提升小目标显著性，助力红外小目标暴力涨点
Ai缝合怪、助力小伙伴高效发论文
08-20 145
本文提出了一种改进YOLOv11模型的DASI（维度感知选择性融合）模块，专门针对红外小目标检测任务。DASI模块通过维度感知注意力机制，在跨层特征融合过程中智能选择重要信息、抑制冗余，有效解决了特征维度不一致问题。该模块包含空间和通道两个维度的注意力机制，能显著提升小目标的检测性能。文章详细介绍了DASI模块的结构原理、核心代码实现以及在YOLOv11中的集成方法，包括配置文件的修改步骤。实验表明，该改进显著提升了红外小目标检测的准确率。
【RT-DETR涨点改进】独家注意力改进篇 | ICME 2024 | RT-DETR引入PPA并行感知块注意力模块，增强小目标特征感知能力，红外小目标任务暴力涨点
Ai缝合怪、助力小伙伴高效发论文
09-19 197
本文提出了一种基于PPA（并行感知块注意力）的RT-DETR模型优化方法，用于解决小目标检测中关键信息丢失的问题。PPA模块通过多尺度特征提取和细粒度区域注意力机制，有效增强了小目标的特征感知能力。文章详细介绍了PPA模块的结构设计、核心代码实现，并提供了多种RT-DETR架构的改进方案（包括BasicBlock、BottleNeck等模块的优化），同时给出了具体的yaml配置文件修改方法。实验结果表明，该方法在红外小目标检测任务中表现优异，显著提升了检测性能。该优化方案为RT-DETR模型的小目标检测任务
YOLOv13创新改进 | 独家Neck改进篇 | ICME 2024 | MDCR捕捉不同感受野范围内的空间特征，增强对小目标的判别能力，助力红外小目标检测暴力涨点
Ai缝合怪、助力小伙伴高效发论文
08-23 114
本文提出了一种改进YOLOv13模型的MDCR模块，通过多扩张卷积提取多尺度信息，提升小目标检测性能。该模块采用并联的扩张卷积结构增强目标与背景区分能力，同时保持分辨率不降低。文章详细介绍了MDCR模块的核心代码实现，并提供了在YOLOv13中集成该模块的具体步骤，包括配置文件和task.py文件的修改方法。实验结果表明，该方法有效提升了小目标检测精度，为计算机视觉任务提供了一种新的解决方案。
YOLOv13有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
08-12 748
《YOLOv13改进专栏重磅更新》推出500+创新改进方案，涵盖卷积、主干网络、注意力机制、检测头等核心模块优化。专栏提供完整项目代码及答疑服务，包含YOLOv13网络结构解析、环境配置、模型训练全流程指导。内容分为八大模块：卷积优化、注意力机制、细节涨点、主干网络改进、特征融合、检测头优化、小目标检测及Mamba联合改进等，支持多种创新点组合应用，助力科研论文发表。现开放限时订阅，提供试读章节和详细技术解析。
YOLOv11创新改进 | 独家Neck改进篇 | ICME 2024 | MDCR捕捉不同感受野范围内的空间特征，增强对小目标的判别能力，助力红外小目标检测暴力涨点
Ai缝合怪、助力小伙伴高效发论文
08-20 83
本文提出了一种改进YOLOv11模型的MDCR模块，用于增强红外小目标检测性能。MDCR模块通过多扩张卷积结构提取多尺度上下文信息，在不降低分辨率的情况下扩大感受野，有效提升小目标与背景的区分能力。该模块还包含通道精炼功能，可优化特征表达能力。文章详细介绍了MDCR的结构优势、核心代码实现，以及如何在YOLOv11中配置使用该模块的具体步骤，包括创建yaml配置文件和修改task.py文件等操作指南。实验结果表明，结合MDCR模块的改进模型在小目标检测任务中表现优异。
全新YOLOv11有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
08-12 511
YOLOv11专栏持续更新500+种创新改进方案，涵盖卷积优化、注意力机制、主干网络、Neck特征融合、检测头、小目标检测等核心模块。提供独家创新点组合方案、模型轻量化改进及最新Mamba架构融合技术，配套完整实验代码和训练参数解析。订阅用户可加入专属答疑群，获取一键运行项目支持。专栏包含YOLOv11网络结构详解、配置文件解读等入门必读内容，助力科研论文发表与模型性能提升。限时开放订阅通道，提供多种涨点改进方案组合，满足不同研究需求。
(即插即用模块-Attention部分) 五十八、(2024 ICME) PPA 并行化补丁感知注意力
wei582636312的博客
02-27 1599
红外小目标检测是一项重要的计算机视觉任务，涉及到对红外图像中微小目标的识别和定位，而红外图像通常只包含几个像素。由于红外图像中目标的尺寸小，背景复杂等原因，使得红外图像处理技术遇到了困难。论文提出了一种 并行化补丁感知注意力（Parallelized Patch-Aware Attention）。在红外小目标检测任务中，小目标在多次下采样过程中容易丢失重要信息。而 PPA 的提出则替代了编码器和解码器基本组件中的传统卷积。
20种花粉数据集花粉粒检测数据集VOC+YOLO格式2412张20类别
FL1623863129的博客
10-28 176
标注类别名称:["alder","angelica","angelica_garden","birch","buckwheat","clover","fireweed","grass","hazel","hill_mustard","linden","maple","meadow_pink","mugwort","nettle","pigweed","pine","plantain","sorrel","willow"]标注数量(txt文件个数)：2412。angelica 框数 = 472。
YOLOv5数据加载与增强模块全面解析
2401_85800390的博客
10-24 834
高效性：通过缓存和多进程加载实现高速数据流水线多样性：集成Mosaic、MixUp、随机透视变换等多种先进增强技术灵活性：支持多种输入源和训练模式鲁棒性：完善的错误处理和数据验证机制。
训练好的 YOLO 模型压测指南：从指标到实战
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
10-23 792
训练好的 YOLO 模型压测指南：从指标到实战。 这个模型在实际场景中能扛住多大压力？ 比如摄像头实时推流时会不会卡顿？高峰期并发请求能否及时响应？这就需要通过 “压测” 来验证 —— 本文将用 “介绍 + 代码示例” 带你掌握 YOLO 模型压测的完整流程，从指标定义到工具使用，再到结果分析。 用多线程和 Locust 模拟真实并发，找到性能瓶颈。 根据压测结果 “对症下药”，优先解决最影响业务的指标（如实时场景先保 FPS，高并发场景先保吞吐量）。
通过ML.Net调用yolov5的Onnx模型
weixin_49784554的博客
10-27 482
本文介绍如何在.Net环境调用yolov5的模型，把yolov5的pt模型转成onnx模型，接着通过Microsoft.ML.OnnxRuntime调用yolov5的onnx模型。
YOLOV5
ylqw258369的博客
10-23 385
这个模块是YOLOv5训练和推理 pipeline 的重要组成部分，提供了高效的数据加载和强大的数据增强功能，以提升模型的泛化能力和鲁棒性。--source: 输入源，可以是文件、文件夹、摄像头索引（0）或流媒体URL。--iou-thres: IOU阈值，用于NMS，默认0.5。--img-size: 推理时输入图像的大小，默认640。--agnostic-nms: 是否使用类别无关的NMS。--conf-thres: 置信度阈值，默认0.4。--save-txt: 是否保存检测框到txt文件。
【完整源码+数据集+部署教程】【制造业＆流水线】流水线水泥袋检测系统源码＆数据集全套：改进yolo11-HSPAN
weixin_43860634的博客
10-27 489
【完整源码+数据集+部署教程】【制造业＆流水线】流水线水泥袋检测系统源码＆数据集全套：改进yolo11-HSPAN
Yolo12改进策略：下采样改进|即插即用|25年10最新创新点
m0_47867638的博客
10-28 694
PRNet 的成功在于其返璞归真的设计哲学——珍视并高效利用最原始的信息。它没有堆砌复杂的后处理模块，而是从特征提取的源头（下采样）和特征融合的核心（颈部网络）入手，系统性地解决了小目标检测中的信息退化问题。对于关注模型优化、下采样方法和多尺度特征融合的研究者与工程师而言，PRNet 提供了一个极具启发性的新范式。它不仅在学术上推动了小目标检测的发展，其优异的实时性能也为其在无人机、智慧城市等实际场景中的落地应用铺平了道路。
【完整源码+数据集+部署教程】【后勤＆运输集装箱】集装箱字符识别系统源码＆数据集全套：改进yolo11-ASF-DySample
weixin_43860634的博客
10-24 630
【完整源码+数据集+部署教程】【后勤＆运输集装箱】集装箱字符识别系统源码＆数据集全套：改进yolo11-ASF-DySample
YOLO 后处理nms的纯C++实现，不依托任何的库
Douhaoyu的博客
10-27 490
YOLO 后处理nms的纯C++实现，不依托任何的库
YOLOV5_TensorRT_C++部署
最新发布
qq_35732321的博客
10-28 393
1 安装环境和yolov5代码 1.1 安装GPU驱动、CUDA、CUDNN、GPU版Pytorch。 （方法一）到官网下载GPU版Pytorch. 方法二：用docker安装。 (1)安装docker（到官网https://docs.docker.com/engine/install/ubuntu/，按照指令安装） 、 (2)安装nvida-container-tookit、 (3)拉取pytorch镜像进行测试(找nvida中合适的pytorch容器，https://catalog.ngc.nvida.
小目标检测注意力
05-12
PPA是ICME-2024提出的新型注意力模块，专门针对小目标设计。该模块采用渐进式的金字塔结构聚合多尺度特征，并结合通道和空间注意力优化特征表达。此方法显著提升了小目标检测的效果[^3]。 #### 结果分析 研究表明...
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
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