YOLOv10改进 | 检测头篇 | YOLOv10引入四头检测头

已于 2024-06-25 15:47:04 修改
阅读量1.9k 收藏 5
点赞数 4
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 目标检测 计算机视觉 人工智能 深度学习 机器学习
于 2024-06-24 10:09:42 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/tsg6698/article/details/139915154
版权

1.  改后结构图：

2. 创建一个yolov10nsitou.yaml

# Parameters
nc: 2 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] 

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, SCDown, [1024, 3,
了解本专栏 订阅专栏 解锁全文
芒果YOLOv8改进21：检测头Head篇：即插即用｜增加卷积CNN小目标检测头、超多种Transformer小目标检测头
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-24 1万+
YOLOv8代码实践｜增加卷积CNN小目标检测头、超多种Transformer小目标检测头
YOLOv10改进，YOLOv10检测头融合自适应膨胀卷积 （FADC），添加小目标检测层（四头检测）+CA注意机制，全网首发
最新发布
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
03-23 87
扩张卷积通过在连续元素之间插入间隙来扩大感受野，广泛用于计算机视觉。作者从谱分析的角度提出了三种策略来改进扩张卷积的各个阶段。与将全局膨胀率固定为超参数的传统做法不同，我们引入了频率自适应膨胀卷积 （FADC），它根据局部频率分量在空间上动态调整膨胀率。 随后，我们设计了两个插件模块，以直接提高有效带宽和感受野大小。Adaptive Kernel （AdaKern） 模块将卷积权重分解为低频和高频分量，并按通道动态调整这些分量之间的比率。
YOLOv10实战：红外小目标实战 | 多头检测器提升小目标检测精度
06-22 3523
多头检测器提升小目标检测精度，1）mAP50从0.666提升至0.677
YOLOv8改进 | 检测头篇 | DynamicHead原论文一比一复现 （不同于网上版本，全网首发）
Snu77的博客
01-03 1万+
本文给大家带来的改进机制是DynamicHead(Dyhead)，这个检测头由微软提出的一种名为“动态头”的新型检测头，用于统一尺度感知、空间感知和任务感知。网络上关于该检测头我查了一些有一些魔改的版本，但是我觉得其已经改变了该检测头的本质，因为往往一些细节上才能决定好的效果，我将官方的代码移植到了YOLOv8进行实验，同时该检测头有一些使用细节需要注意，成功实现了大幅度的涨点，mAP涨了百分之三十以上！！！所以检测头对于模型的精度提升是非常大的，同时该检测头有二次创新和三次创新的机会后期我也会发布在群里大
YOLOv10改进 | 检测头篇 | 给YOLOv10换个RT-DETR的检测头（重塑目标检测前沿技术）
Snu77的博客
07-15 1466
本文给大家带来是用RT-DETR模型的检测头去替换YOLOv10中的检测头。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR检测头融入YOLOv10，我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力，打造出一个更加强大的目标检测模型。亲测这一整合不仅提高了模型在复杂场景下的表现，还显著提升了对小目标和遮挡目标的检测能力。此外，模型在多种标准数据集。
YOLOv10改进 | 检测头篇 | ASFF改进YOLOv10检测头（辅助尺度融合检测头）
Snu77的博客
07-15 1920
本文给大家带来的改进机制是利用ASFF改进YOLOv10的检测头形成新的检测头，其主要创新是引入了一种自适应的空间特征融合方式，有效地过滤掉冲突信息，从而增强了尺度不变性。经过我的实验验证，修改后的检测头在所有的检测目标上均有大幅度的涨点效果，此版本为三头版本，后期我会在该检测头的基础上进行二次创新形成四头版本的Detect_ASFF助力小目标检测，本文的检测头非常推荐大家使用。YOLOv10改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、ASFF的基本框架原理。
YOLOv10改进策略【Head】| 增加针对 大目标 的检测层 （四个检测头）
Limiiiing的博客
11-18 503
在目标检测领域，大目标在图像中所占比例大，下采样不足容易缺少大目标的信息，其检测同样是一个具有挑战性的问题。算法以其高效快速的特点受到广泛关注，然而其基础模型在面对大目标时，仍存在一些局限性。本文将介绍如何在中添加大目标检测层，以提高对大目标的检测能力。原始模型结构如下：详细内容参考：YOLOv10原始模型结构介绍 二、有效特征层对应的检测头类别 2.1 P3/8 - small检测头 原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。 适合检测尺寸大概在到像素左右
YOLOv8改进 | 检测头篇 | ASFF改进YOLOv8检测头（全网首发）
热门推荐
Snu77的博客
12-31 1万+
本文给大家带来的改进机制是利用ASFF改进YOLOv8的检测头形成新的检测头Detect_ASFF，其主要创新是引入了一种自适应的空间特征融合方式，有效地过滤掉冲突信息，从而增强了尺度不变性。经过我的实验验证，修改后的检测头在所有的检测目标上均有大幅度的涨点效果，此版本为三头版本，后期我会在该检测头的基础上进行二次创新形成四头版本的Detect_ASFF助力小目标检测，本文的检测头非常推荐大家使用。推荐指数：⭐⭐⭐⭐涨点效果：⭐⭐⭐⭐YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
YOLOv8改进 | 检测头篇 | 辅助特征融合检测头FASFFHead (增加额外目标检测层，独家创新)
Snu77的博客
01-24 1万+
本文的内容为我独家创新，其原理参考了ASFFHead的原理，后期如果大家有使用的可以参考其代码进行绘画结构图，目前该网络的检测头我还没绘画。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
YOLOv11改进 | 检测头篇 | 利用渐近特征金字塔网络AFPN改进yolov11检测头融合P2网络结构(让小目标无所遁形，全网独家首发)
Snu77的博客
11-08 2484
本文给大家带来的最新改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。之前答应大家说出一个四头版本的Detect_FPN本文就是该检测头，利用该检测头实现暴力涨点，让小目标无所遁形。
YOLOv8 | 代码逐行解析(四) | YOLOv8中从检测头到损失函数计算的详解，小白必看（上）
Snu77的博客
07-06 4443
本文给大家带来的是YOLOv8中从检测头结构分析到损失函数各种计算的详解，本文将从检测头的网络结构讲起，同时分析其中的原理（包括代码和网络结构图对比），最重要的是分析检测头的输出，因为检测头的输出是需要输出给损失函数的计算不同阶段的输出不一样所以我们在讲损失函数计算的时候需要先明白检测头的输出和其中的一些参数的定义，本文内容为我独家整理和分析，手打每一行的代码分析并包含各种举例分析对于小白来说绝对有所收获。目录一、本文介绍二、原理介绍2.1 YOLOv8解耦头2.2 YOLOv8解耦头代码分析。
YOLOv5改进 | Head | 将yolov5的检测头替换为ASFF_Detect
kay_545
06-12 4176
yolov5改进，asff检测头，asff
YOLOv10改进，YOLOv10检测头融合DynamicHead，添加小目标检测层（四头检测）+CA注意机制，全网首发
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-27 1039
DynamicHead模块是针对目标检测任务提出的一种新的头部（head）结构，它的设计目的是通过引入多种注意力机制，提升模型的检测能力。核心思想是使得检测头部可以动态地根据输入特征进行自适应调整，从而提高模型在不同尺度、空间、任务等方面的表现。Scale-Aware Attention Module（尺度感知注意力模块）：该模块根据特征的尺度进行调整，使得不同尺度的特征能在合适的尺度下进行融合和处理。它通过为不同尺度的特征赋予权重来优化尺度差异的影响。
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
05-28 5927
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
YOLOV10原理解析，实时端到端目标检测
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。
05-28 3969
近年来，YOLO模型由于其在计算成本和检测性能之间的有效平衡，已成为实时目标检测领域的主流范式。研究人员在YOLO的架构设计、优化目标、数据增强策略等方面进行了深入探索，取得了显著进展。然而，YOLO依赖于非极大值抑制（NMS）进行后处理，这限制了YOLO模型的端到端部署，并对推理延迟产生不利影响。此外，YOLO各组件的设计缺乏全面和深入的检验，导致明显的计算冗余，限制了模型的能力。这使得效率不尽如人意，且有很大的性能提升潜力。所有的YOLO基本上都是由三部分组成的网络。
yolov8改进|改进检测头：Partial_C_Detect
weixin_44379985的博客
05-28 723
将有Detect的位置后面加入Detect_improve。
【YOLO改进】二、YOLOV11-检测头篇
qq_55068938的博客
01-24 7905
目标检测领域里，小目标一直是一个难点问题，虽然我们可以用YOLO+SAHI的方式进行滑动窗口推理以提升准确率，但是他的耗时会线性增强，毕竟一张大图会被切成很多小图去推理，所以在很多场景下无法得到应用。这里，我们从探测头入手，在原有的基础上在增加一个探测头以用于检测小目标。
YOLO改进：添加额外的检测头
qq_36070656的博客
10-14 1万+
在YOLO中添加浅层检测头，提高对小目标的检测能力，并在VisDrone数据集中进行测试
YOLOv10改进，YOLOv10检测头融合DiverseBranchBlock(多样分支块)，添加小目标检测层（四头检测）+CA注意机制，全网首发
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-21 234
YOLOv10检测头融合DiverseBranchBlock(多样分支块)，添加小目标检测层（四头检测）+CA注意机制，多样分支块（DiverseBranchBlock）的代表性设计如下图所示（摘自论文）：1.DiverseBranchBlock(DBB)采用多分支拓扑结构，包括多尺度卷积、顺序1×1 - K×K卷积、平均池化和分支相加。这些具有不同感受野和复杂度的路径操作可以丰富特征空间，就像Inception架构一样。2.DiverseBranchBlock(DBB)可以在推理时等效地转换为单个卷积。
yolov10 检测头
02-11
### YOLOv10 Object Detection Head Implementation YOLO (You Only Look Once) 是一种广泛应用于实时目标检测的算法。随着版本不断迭代更新，YOLO系列模型在速度和精度方面都有显著提升。对于YOLOv10而言，在保持原有优势的基础上引入了一些新特性来增强性能。 #### 使用MobileNetV2作为骨干网络 为了提高计算效率并减少参数数量，可以考虑使用更高效的特征提取器替代传统的卷积神经网络架构。MobileNetV2凭借其独特的倒残差结构以及线性瓶颈设计成为了一个理想的选择[^1]： - **倒残差结构**：传统残差连接通常位于浅层宽通道之后；而MobileNetV2则相反，先经过窄通道再扩展到较宽带宽。 - **线性瓶颈**：非线性激活函数仅作用于较小维度的空间内，从而降低了运算复杂度而不影响表征能力。 这些特点使得MobileNetV2非常适合部署于资源受限环境下的物体识别任务中。 #### 添加LSKAttention机制优化检测效果 除了更换更加轻便有效的主干网之外，还可以集成先进的注意力模块以改善模型表现。特别是针对小尺寸物品难以被准确定位的问题，LSKAttention提供了一种解决方案[^2]: - **多尺度感受野建模**：通过不同大小的感受区域捕捉全局上下文信息，有助于解决因比例尺差异造成的小物件漏检现象。 - **自适应权重分配**：根据不同位置的重要性动态调整关注程度，强化了关键部位的信息传递路径。 以下是基于上述组件实现的一个简化版YOLOv10对象检测头Python代码片段: ```python import torch.nn as nn class YOLOv10DetectionHead(nn.Module): def __init__(self, num_classes=80): super(YOLOv10DetectionHead, self).__init__() # Backbone using MobileNetV2 architecture self.backbone = mobilenet_v2(pretrained=True).features # Add LSK Attention layer after backbone output self.lsk_attention = LargeScaleKernelAttention() # Define prediction layers for bounding boxes and class probabilities self.prediction_layers = nn.Sequential( nn.Conv2d(in_channels=..., out_channels=(num_classes + 5)*3, kernel_size=1), ... ) def forward(self, x): features = self.backbone(x) attended_features = self.lsk_attention(features) predictions = self.prediction_layers(attended_features) return predictions.view(-1, ...) ``` 此段伪代码展示了如何组合MobileNetV2与LSKAttention两大核心要素构建一个现代化的目标检测头部结构。实际开发过程中还需要根据具体应用场景做适当修改和完善。
评论 3
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