YOLO12改进-模块-引入边缘 - 高斯聚合模块EGA 适用于小目标、遮挡和低光照等领域

        遥感图像目标检测（RSOD）面临低质量图像的核心挑战，如对比度低、边缘结构不连续、光照变化导致的特征模糊等。传统深度学习方法难以有效捕捉低质量图像中的细节（如模糊目标的边缘）和不确定性（如噪声影响下的特征分布）。EGA 模块的提出旨在通过融合边缘先验信息和高斯建模，解决上述问题，提升特征表示的鲁棒性，尤其适用于小目标、遮挡和低光照等复杂场景。

上面是原模型，下面是改进模型

1. 边缘 - 高斯聚合模块Edge-Gaussian Aggregation Module 介绍 

1. 边缘先验（Edge Priors）

   1. Scharr 算子：一种改进的 Sobel 边缘检测算子，对边缘方向更敏感，具有旋转不变性，能有效提取高频边缘细节。通过水平（Sx​）和垂直（Sy​）方向的卷积核，计算边缘响应的欧氏范数，生成边缘注意力图 Aedge​，增强目标边界的清晰度。

   2. 应用场景：适用于图像浅层（Stage 1），此时特征图分辨率较高，保留丰富的边缘细节，适合定位目标轮廓。

2. 高斯建模（Gaussian Modeling）

   1. 不确定性感知：低质量图像的特征常呈现模糊或噪声干扰，高斯分布可建模特征的概率分布，通过方差估计量化不确定性。固定高斯核（如σ=1.0的 5×5 核）对特征图进行深度卷积，抑制背景噪声，增强显著特征（如目标中心区域）的权重，生成高斯注意力图 Agauss​。

   2. 应用场景：适用于图像深层（Stages 2-4），此时特征图分辨率降低，目标特征更符合高斯分布，通过平滑处理减少噪声对高层语义的影响。

3. 传统与深度学习的融合

          EGA 通过结合传统图像处理中的边缘检测（Scharr）和深度学习中的概率建模（高斯核），构建了空间边界优化与特征空间不确定性管理的双路径框架，弥补了单一卷积操作在低质量图像中的不足。

​      

EGA（Edge - Gaussian Aggregation）结构分阶段处理输入特征：

        Stage 1：采用边缘提取，对输入特征进行处理，生成边缘权重图 Aega​ ，突出图像边缘信息。

        Stages 2 - 4：进行高斯建模，生成高斯权重图 Aega​ ，强调特征的中心区域 。
之后，生成的 Aega​ 与输入特征进行元素相加，经卷积块（Conv Block）处理得到 Fa​ ， Fa​ 与输入特征通过特定运算融合，再经 3×3 卷积，输出最终特征 Fega​ 。

2. YOLOv12与EGA的结合          

        将 EGA（边缘 - 高斯聚合模块）与 YOLOv11 的 C3K2 模块结合时，可在 C3K2 的残差分支中嵌入 EGA，利用其边缘先验和高斯建模能力增强特征细节与抗噪性，实现对低质量遥感图像中多尺度目标的鲁棒检测，在轻量化的同时提升特征表达的丰富度。

3. EGA代码部分

https://github.com/tgf123/YOLOv8_improve/blob/master/YOLOV12.md

 4. 将EGA引入到YOLOv12中

第一: 先新建一个change_model，将下面的核心代码复制到下面这个路径当中，如下图如所示。YOLOv12\ultralytics\change_model。

            ​​​​​​​​​​​​​​​​​​​​ ​​​​​​​  

第二：在task.py中导入包

 ​​​      ​​​​​​​ ​​​​​​​     

第三：在task.py中的模型配置部分下面代码

        ​​​​​​​​​​​​​​ ​​​​​​​ 

第四：将模型配置文件复制到YOLOV12.YAMY文件中

 ​​​​​​​

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorld

if __name__=="__main__":

    # 使用自己的YOLOv12.yamy文件搭建模型并加载预训练权重训练模型
    model = YOLO(r"E:\Part_time_job_orders\YOLO_NEW\YOLOv12_all\ultralytics\cfg\models\12\yolo12_EGA.yaml")
        # .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt')  # build from YAML and transfer weights

    results = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv12\ultralytics\cfg\datasets\VOC_my.yaml',
                          epochs=300,
                          imgsz=640,
                          batch=64,
                          # cache = False,
                          # single_cls = False,  # 是否是单类别检测
                          # workers = 0,
                         # resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',
                          amp = True
                          )