【YOLOv8改进】MSBlock : 分层特征融合策略，轻量化网络结构

YOLO大师

已于 2024-07-15 16:02:11 修改

阅读量1.2k

点赞数

分类专栏： YOLOV8基础解析+创新改进+实战案例文章标签： YOLO 论文阅读目标检测

于 2024-03-26 10:59:46 首次发布

原创文章，禁止任何形式转载！

本文链接：https://blog.csdn.net/shangyanaf/article/details/137029177

版权

YOLOV8基础解析+创新改进+实战案例专栏收录该内容

138 篇文章 109 订阅 ¥79.90 ¥99.00

订阅专栏

本文介绍了YOLO-MS，一种基于YOLOv8的改进目标检测器，通过MSBlock和HKS协议提升多尺度特征表示。YOLO-MS在不依赖预训练权重和大规模数据集的情况下，超越了YOLO-v7和RTMDet，实现了更高的AP得分。MSBlock的分层特征融合和异构Kernel选择策略提高了检测效率和准确性。

摘要由CSDN通过智能技术生成

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

我们旨在为目标检测领域提供一种高效且性能卓越的目标检测器，称为YOLO-MS。其核心设计基于一系列调查研究，关于不同核心大小的卷积如何影响不同尺度物体的检测性能。研究结果是一种新策略，能够显著增强实时目标检测器的多尺度特征表示能力。为验证我们策略的有效性，我们构建了一个网络架构，命名为YOLO-MS。我们从零开始在MS COCO数据集上训练我们的YOLO-MS，不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。无需任何附加装置，我们的YOLO-MS就超越了最新的实时目标检测器，包括YOLO-v7和RTMDet，当使用可比较的参数数量和FLOPs时。以YOLO-MS的XS版本为例，仅有4.5M的可学习参数和8.7G FLOPs，就能在MS COCO上达到43%+的AP得分，比相同模型大小的RTMDet高出约2%+。此外，我们的工作还可以作为一个即插即用的模块用于其他YOLO模型。通常，我们的方法显著提高了YOLOv8的AP，从37%+提高到了40%+，而且使用的参数和FLOPs还更少。

创新点

多尺度构建块（MS-Block）设计：YOLO-MS引入了MS-Block，一个具有分层特征融合策略的构建块，旨在增强实时目标检测器在提取多尺度特征时的能力。MS-Block通过将输入特征分割并传递到多个分支中，并在每个分支中应用具有不同Kernel大小的Inverted Bottleneck Block，来编码不同尺度的特征。
异构Kernel选择（HKS）协议：为了更有效地捕捉多尺度语义信息，YOLO-MS提出了一种在不同阶段中采用不同大小Kernel的策略。具体地，在编码器的浅层使用小Kernel卷积处理高分辨率特征，在深层使用大Kernel卷积捕捉更广泛的信息。这种设计使得YOLO-MS能够在保持高效推理的同时，提升对不同尺寸目标的检测性能。
高效性能与准确性的平衡：YOLO-MS在保持较低计算复杂度的条件下，实现了优于当时最先进实时目标检测器的性能。这得益于其精心设计的网络结构和创新的特征表示策略，如MS-Block和HKS协议，使得模型在不依赖任何大规模数据集预训练的情况下，也能在公开数据集上达到高精度。
即插即用的模块化设计：YOLO-MS不仅作为一个独立的目标检测模型存在，