YOLOv5/v7/v8 的改进点合集导航页

已于 2023-09-13 14:33:13 修改
阅读量3.5w 收藏 794
点赞数 101
文章标签： 深度学习 人工智能 论文
于 2022-05-17 13:51:57 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/124819989
版权

请添加图片描述

项目地址：Yolov5_Magic
分享一些改进YOLO系列算法的技巧，不同的数据集效果肯定是不同的，有算力的话还是要多尝试。

🌟想了解YOLO系列算法更多教程欢迎订阅我的专栏🌟

对于基础薄弱的同学来说，推荐阅读《目标检测蓝皮书》📘，里面涵盖了丰富的目标检测实用知识，是你迅速掌握目标检测的理想选择！

如果想了解 YOLOv5 和 YOLOv7 系列算法的训练和改进，可以关注专栏《YOLOv5/v7 改进实战》🌟。该专栏涵盖了丰富的YOLO实用教程，专门为改进YOLO的同学而设计。该专栏阅读量已经突破60w+🚀，被誉为全网最经典的教程！所有的改进方法都提供了详细的手把手教学！

《YOLOv5/v7 进阶实战》🏅专栏是在《YOLOv5/v7 改进实战》🌟专栏上进一步推出的更加有难度的专栏，除大量的最新最前沿改进外，还包含多种手把手的部署压缩教程，内容不仅可以用于小论文，也可用于大论文！

想了解 YOLOv8 系列算法教程的同学可以关注这个专栏《YOLOv8改进实战》🍀，这个专栏为博主精心设计的最新专栏，随 YOLOv8 官方项目实时更新，内容以最新最前沿的改进为主，专栏内容包含【检测】【分类】【分割】【关键点】任务！

YOLOv5/v7改进实战

  1. 手把手带你调参YOLOv5 (v5.0-v7.0)（推理）🌟强烈推荐

  2. 手把手带你调参YOLOv5 (v5.0-v7.0)（训练）🚀

  3. 手把手带你调参YOLOv5 (v5.0-v7.0)（验证）

  4. 简单三步 用YOLOv5快速训练自己的数据集

  5. YOLOv5/v7 数据增强方式解析

  6. 手把手带你YOLOv5/v7 (v5.0-v7.0)添加注意力机制(一)（并附上30多种顶会Attention原理图）🌟

  7. 手把手带你YOLOv5/v7 (v5.0-v7.0)添加注意力机制(二)（在C3模块中加入注意力机制）

  8. YOLOv5/v7 如何更换激活函数？

  9. YOLOv5 如何更换BiFPN?

  10. YOLOv7 如何更换BiFPN?

  11. YOLOv5/v7 更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)

  12. YOLOv5/v7 应用轻量级通用上采样算子CARAFE

  13. 空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC🚀

  14. 改进YOLOv5/v7 | 用于低分辨率图像和小物体的模块SPD-Conv

  15. 改进YOLOv5/v7 | GSConv+Slim-neck 减轻模型的复杂度同时提升精度

  16. 改进YOLOv5 | 头部解耦 | 将YOLOX解耦头添加到YOLOv5 | 涨点杀器

  17. 改进YOLOv7 | 头部解耦 | 将YOLOX解耦头添加到YOLOv7 | 涨点杀器

  18. 改进YOLOv5 | Stand-Alone Self-Attention | 搭建纯注意力FPN+PAN结构

  19. 基于Transformer的YOLOv5小目标检测器 | 四头加注意力

  20. 改进YOLOv5 | 引入密集连接卷积网络DenseNet思想 | 搭建密集连接模块

  21. YOLOv5/v7 引入 最新 BiFusion Neck

  22. YOLOv5/v7 引入 YOLOv8 的 C2f 模块

  23. YOLOv5/v7 引入 RepVGG 重参数化模块

  24. YOLOv5/7 更换 DIoU-NMS

  25. 改进YOLOv5 | 在 C3 模块中添加【SE】【CBAM】【 ECA 】【CA】注意力机制 | 附详细结构图🍀

  26. 改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图🍀

  27. 改进YOLOv5 | 在 C3 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图🍀

  28. 改进YOLOv5 | 在 C3 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图🍀

  29. YOLOv5/v7 更换骨干网络之 PP-LCNet

  30. YOLOv5/v7 更换骨干网络之 EfficientNet-B0

  31. YOLOv5/v7 更换骨干网络之 MobileNet V3

  32. YOLOv5/v7 更换骨干网络之 GhostNet

  33. YOLOv5/v7 更换骨干网络之 ShuffleNetv2

  34. YOLOv5/v7 更换骨干网络之 SwinTransformer🍀

YOLOv5/v7进阶实战

  1. YOLOv5剪枝 | 模型剪枝理论篇

  2. YOLOv5剪枝💖 | 模型剪枝实战篇

  3. 知识蒸馏 | 知识蒸馏理论篇

  4. 知识蒸馏🌟 | YOLOv5知识蒸馏实战篇

  5. 知识蒸馏🌟 | YOLOv7知识蒸馏实战篇

  6. YOLOv5安卓部署📱 | 理论+环境配置+实战

  7. PyQt5 | PyQt5环境配置及组件介绍

  8. PyQt5 | PyQt5快速入门

  9. PyQt5🚀 | 手把手教你YOLOv5添加PyQt页面

  10. PyQt5🚀 | 手把手教你YOLOv7添加PyQt页面

  11. YOLOv5/v7 Flask Web 监测平台🍀 | YOLOv5/v7 Flask Web 部署

  12. YOLOv5/v7 Flask Web 车牌识别🍀 | YOLOv7 + EasyOCR 实现车牌识别

  13. YOLOv5 实现 10 种热力图可视化方式教程🍀 | GradCAM XGradCAM ScoreCAM LayerCAM HiResCAM EigenCAM…

  14. YOLOv5/v7/v8算法模型yaml文件史上最详细解析与教程🚀

  15. YOLOv5/v7 更换 20+ 种注意力机制及代码🚀🚀🚀

  16. OMNI-DIMENSIONAL DYNAMIC CONVOLUTION: 全维动态卷积

  17. GhostNetV2: 用长距离注意力增强低成本运算

  18. YOLOv5/7 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS

  19. 【🏅 2023】 YOLOv5/v7 引入选择性注意力 LSK 模块 | 《ICCV 2023 Large Selective Kernel Network》

  20. 【🏅 2023】YOLOv5/v7 | FasterNet 远超 ShuffleNet、MobileNet、MobileViT 等模型

  21. 【🏅 2023】YOLOv5/v7 | FasterNet PConv

  22. 【🏅 2023】YOLOv5/v7 引入渐进特征金字塔网络 AFPN 结构 | 《2023年6月28日最新发表》

  23. 【🏅 2023】YOLOv5/v7 引入谷歌 Lion 优化器

  24. 【🏅 2023】YOLOv5/v7 | BiFormer：视觉变换器与双层路由注意力

  25. 🌟 添加轻量化Decouple_Head 和 ASFF_Head

  26. 🌠 YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU 🍀

  27. 🌟 瓶颈结构改进 MobileBoNe / DenseBoNe / GhostBoNe / InceptionBone / ShuffleBoNe / ResBoNe

  28. 💖在 C3 模块中添加【SE】【CBAM】【 ECA 】【CA】注意力机制

  29. 💖在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制

  30. 💖在 C3 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制

  31. 💖在 C3 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制

  32. 【🏅 2023】YOLOv5 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！🍀🍀🍀

  33. 🌠 YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU 🍀

  34. 💖 YOLOv7 yaml 文件简化

  35. 💖在 ELAN 模块和 ELAN-H 模块中添加 【CA】【ECA】【CBAM】【SE】注意力机制

  36. 💖在 ELAN 模块和 ELAN-H 模块中添加 【SimAM】 【CoTAttention】【SKAttention】【DoubleAtt】注意力机制

YOLOv8改进实战

  1. 从零开始学习目标检测：YOLO算法详解

  2. YOLOv8原理解析：重新定义实时目标检测的速度和精度🌟

  3. 使用YOLOv8训练自己的目标检测数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】🚀

  4. 【全网首发🥇】基础入门篇 | YOLOv8 项目【训练】【验证】【推理】最简单教程 | 订阅后先看这篇！！！🚀

  5. 【全网首发🥇】YOLOv8实现【K折交叉验证】教程：解决数据集样本稀少和类别不平衡的难题🍀🍀🍀

  6. 【全网首发🥇】万字长文，YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务🍀🍀🍀

  7. 关于 YOLOv8 modules.py 拆分成了 init.py block.py conv.py head.py trasnformer.py utils.py

  8. 【关键Bug解析🤖】YOLOv8 Bug 及解决方案汇总 【6.23更新】【训练 & 断点续训】

  9. 【便利性优化👾】YOLOv8 标签透明度调节 | 标签文字大小调节 | 框粗细调节

  10. YOLOv5/v6/v7/v8/RT-DETR 对比试验的一些想法🍀

  11. 【2023🏅】YOLOv8 更换主干网络之 FasterNet | 《Ran, Don‘t Walk: 追求更高 FLOPS 的快速神经网络》

  12. YOLOv8 更换骨干网络之 SwinTransformer | 《基于位移窗口的层次化视觉变换器》

  13. YOLOv8 更换主干网络之 GhostNetV2 | 《GhostNetV2：利用长距离注意力增强廉价操作》

  14. YOLOv8 更换主干网络之 PP-LCNet | 《PP-LCNet: 一种轻量级CPU卷积神经网络》

  15. YOLOv8 更换主干网络之 MobileNeXt |《重新思考瓶颈结构以实现高效移动网络设计》

  16. YOLOv8 更换主干网络之 ShuffleNetv2 | 《ShuffleNet v2：高效卷积神经网络架构设计的实用指南》

  17. YOLOv8 更换主干网络之 EfficientNet | 《EfficientNet：重新思考卷积神经网络的模型缩放》

  18. YOLOv8 更换骨干网络之 MobileNetV3 | 《搜寻 MobileNetV3》

  19. YOLOv8 更换骨干网络之 GhostNet | 《从廉价操作中获取更多特征》

  20. YOLOv8 更换主干网络之 ConvNext | 《纯卷积结构超越 ViTs》

  21. YOLOv8 更换主干网络之 MobileViT |《轻巧、通用、便于移动的视觉转换器》 🍀

  22. 【2023🏅】YOLOv8 更换主干网络之 VanillaNet |《华为方舟实验室最新成果》

  23. 手把手教你 YOLOv8 添加注意力机制 | 适用于【检测/分类/分割/关键点任务】【包含20+种注意力代码及教程】🚀

  24. 【全网首发🥇】在 C2F 模块中添加【SE】 【CBAM】【 ECA 】【CA 】注意力机制 | 附详细结构图🍀

  25. 【全网首发🥇】在 C2F 模块中添加【SimAM】 【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图🍀

  26. 【全网首发🥇】在 C2F 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图🍀

  27. 【全网首发🥇】在 C2F 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图🍀

  28. 【全网首发🥇】在 C2F 模块中添加【ParNet】【CrissCross】【GAM】【ParallelPolarized】【Sequential】注意力机制 | 附详细结构图

  29. 【2023🏅】YOLOv8 引入最新注意力BiFormer | 《BiFormer：视觉变换器与双层路由注意力》

  30. YOLOv8 引入 RepVGG 重参数化模块 |《RepVGG：让VGG风格的卷积神经网络再次伟大》

  31. 用于低分辨率图像和小物体的新 CNN 模块SPD-Conv | 《一种适用于低分辨率图像和小物体的新卷积神经网络构建模块》

  32. 【2023🏅】 YOLOv8 引入具备跨空间学习的高效多尺度注意力 《Efficient Multi-Scale Attention》

  33. 【2023🏅】 YOLOv8 引入选择性注意力 LSK 模块 | 《ICCV Large Selective Kernel Network》

  34. 【2023🏅】YOLOv8 引入空间通道重组卷积 | 《CVPR 2023 Spatial and Channel Reconstruction Convolution》

  35. YOLOv8 应用轻量级通用上采样算子CARAFE | 《特征的内容感知重组》

  36. YOLOv8 应用全维动态卷积 |《 OMNI-DIMENSIONAL DYNAMIC CONVOLUTION》

  37. YOLOv8 应用 BiFPN 结构 | 《 EfficientDet: 可扩展和高效的目标检测》

  38. YOLOv8 应用Slim-neck，更好的neck设计范式 | 《Slim-neck by GSConv：自动驾驶车辆检测器架构的更好设计范式》

  39. 【2023🏅】YOLOv8 引入中心化特征金字塔 EVC 模块 | 《Centralized Feature Pyramid for Object Detection》

  40. 【2023🏅】YOLOv8 引入渐进特征金字塔网络 AFPN 结构 | 《2023年6月28见刊的最新文章》🚀🚀🚀

  41. 【全网首发🥇】YOLOv8超参数调优教程！ 使用Ray Tune进行高效的超参数调优！

  42. YOLOv8 更换损失函数之 CIoU / DIoU / EIoU / GIoU / SIoU / WIoU / Focal_xIoU 最全汇总版

  43. 【2023🏅】损失函数篇 | YOLOv8 更换损失函数之 MPDIoU

  44. YOLOv8 如何进行目标追踪 🍀🍀🍀

  45. 【2023🏅】YOLOv8 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！

  46. YOLOv8 更换 DIoU-NMS / CIoU-NMS / EIoU-NMS/ GIoU-NMS / SIoU-NMS/ Soft-NMS 教程

  47. YOLOv8 添加 大目标检测头 | 小目标检测头

  48. 【2023🏅】YOLOv8 引入谷歌 Lion 优化器

  49. 激活函数汇总篇 | YOLOv8 更换激活函数 | 20+ 种汇总

请添加图片描述

请添加图片描述

Performance

Modelsize
(pixels)		mAPval
0.5:0.95		mAPval
0.5		Speed
CPU b1
(ms)		Speed
V100 b1
(ms)		Speed
V100 b32
(ms)		params
(M)		FLOPs
@640 (B)		Weights
YOLOv5n64028.045.7456.30.61.94.5YOLOv5n
YOLOv5s64037.456.8986.40.97.216.5YOLOv5s
YOLOv5m64045.464.12248.21.721.249.0YOLOv5m
YOLOv5l64049.067.343010.12.746.5109.1YOLOv5l
YOLOv5x64050.768.976612.14.886.7205.7YOLOv5x
YOLOv5n6128036.054.41538.12.13.24.6YOLOv5n6
YOLOv5s6128044.863.73858.23.612.616.8YOLOv5s6
YOLOv5m6128051.369.388711.16.835.750.0YOLOv5m6
YOLOv5l6128053.771.3178415.810.576.8111.4YOLOv5l6
YOLOv5x6
+ TTA		1280
1536		55.0
55.8		72.7
72.7		3136
-		26.2
-		19.4
-		140.7
-		209.8
-		YOLOv5x6
SPP Structure Parameter and GFLOPs
Model参数量(parameters)计算量(GFLOPs)
SPP722588516.5
SPPF723538916.5
SimSPPF723538916.5
ASPP1548572523.1
BasicRFB789542117.1
SPPCSPC1366354921.7
SPPCSPC_group835513317.4
Others Structure Parameter and GFLOPs
Model参数量(parameters)计算量(GFLOPs)
TransposeConv upsampling724191716.6
InceptionConv723359716.2
BiFPN738400617.2
ShuffleNetv238441938.1
CARAFE736944517.0
迪菲赫尔曼
关注
Python库 | Bottleneck-1.2.1.tar.gz
05-12
资源分类：Python库 所属语言：Python 资源全名：Bottleneck-1.2.1.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
YOLOv5改进（一）改进的核心内容
qq_45874142的博客
05-08 1万+
本节介绍了改进YOLOv5中的较难部分：添加自己设计的模块的办法，需要设计自己的模块，并推导一些尺度和通道数，然后在yaml文件中配置模型参数，在yolo.py中配置输出通道数，如果自己推导了整个模型每层的尺寸和通道数，配置这些参数就相对容易。
【YOLO系列】YOLO算法改进史
最新发布
qq_51366016的博客
08-25 1109
目标检测YOLO系列算法改进史
YOLOv5改进：更换骨干网
06-19
PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5进行更换骨干网（backbone）的方法，使其更加轻量或提高性能。本课程在YOLOv5 v6.1版本代码的基础上更换其骨干网，在Windows和Ubuntu系统上演示针对自己的数据集进行骨干网更换、重头训练和性能评估过程，并讲解骨干网网络模型原理以及原代码针对骨干网更换的修改部分。课程中使用和更换了如下的骨干网：YOLOv5s、YOLOv5n、MobileNetV2、MobileNetV3、 ShuffleNetV2、GhostNet、Transformer项目实战过程包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练网络模型以及性能评估。相关课程：《YOLOv5改进：更换骨干网》 https://download.csdn.net/course/detail/37465《YOLOv5改进：添加注意力机制》 https://download.csdn.net/course/detail/37530 《YOLOv5改进：更换Neck（结合BiFPN,ASFF）》 https://download.csdn.net/course/detail/37577 
改进的yolo目标检测（ｙｏｌｏ创新与改进）
阿利同学的博客
05-30 3678
目标检测是计算机视觉领域中的一个重要问题，它需要从图像或视频中检测出物体的位置和类别。近年来，深度学习技术在目标检测领域取得了显著的进展，其中一个重要的方法是基于YOLO（You Only Look Once）算法的目标检测。YOLO算法的优点是速度快，但是在检测小物体和密集物体方面存在一定的问题。因此，本文将介绍一些改进的YOLO目标检测方法，以提高其性能和效率。
YOLO算法创新改进系列项目汇总（入门级教程指南）
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
12-04 1万+
🎄🎄改进YOLOv5/YOLOv7——致力于目标检测领域科研Tricks改进与推荐 | 主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等。
YOLOv5/v7/v8/v10算法网络结构图-原型文件
07-21
### YOLOv5/v7/v8/v10算法网络结构概述 #### 一、YOLOv5架构解析 **1.1 YOLOv5s结构简介** YOLOv5s模型是一种高效的实时目标检测模型，其网络结构设计精巧，能够实现较高的检测精度与较快的处理速度。该模型主要...
可用于YOLOv5/v6/v7/v8训练的农作物杂草数据集
10-21
对于YOLOv5、v6、v7和v8，这些版本分别代表了YOLO模型的不同时期发展和优化。YOLOv5引入了更高效的训练策略和改进的网络结构，如Mosaic数据增强和Path Aggregation Network (PANet)。YOLOv6可能进一步提升了速度和...
yolov5/v7 车牌数据集
11-17
在YOLOv5/v7中，"v7"可能指的是该模型的最新改进或优化版本，通常包括性能提升、更快的训练速度以及可能的精度改进。 数据集分为三个主要部分：train、test和valid。这些文件夹代表训练集、测试集和验证集，它们是...
真实场景下煤矸石目标检测数据集，可直接用于YOLOv5/v6/v7/v8训练
03-18
真实场景下采集的煤矸石训练数据集：891...煤炭mAP@.5：0.896 矸石mAP@.5：0.811 煤炭和矸石的混合物mAP@.5：0.919 可见博客：https://blog.csdn.net/m0_51004308/article/details/136811369?spm=1001.2014.3001.5502
YOLOV8/V7/V5的PCB缺陷检测:可视化界面+GUI+目标计数+视频目标检测与跟踪
07-20
YOLOV8/V7/V5的PCB缺陷检测:可视化界面+GUI+目标计数+视频目标检测与跟踪 该可视化界面的功能丰富，包含内容： 1.GUI+目标计数+视频目标检测与跟踪 2.完整的OLO数据格式制作流程以及代码 3.PCB缺陷数据集和训练好的...
YOLOv5算法改进（1）— 如何去改进YOLOv5算法
突然好想你
08-15 6925
为了让大家能够清楚地了解如何去改进YOLOv5算法以及从哪几方面去进行改进，本篇文章就简单介绍一下本系列的算法改进思想！
【保姆级零基础教程】哪些创新点可以快速改进提升YOLO？
2401_84870184的博客
05-11 2023
本文主要介绍目标检测算法的改进点，通过阅读本文进行对应的改进，同学们对于如何改进创新，可以获得更多体会。
yolov4方法详细介绍---看这一篇就够了！
慕溪同学的博客
07-19 3541
总结一下v4的方法吧，这个版本几乎把当年所有优秀顶会的论文方法都容纳进来了，像SAM注意力机制和sppnet等方法，非常建议大家把这篇论文认真阅读一下
yolov5详解与改进
qq_44089890的博客
04-13 8704
https://github.com/z1069614715/objectdetection_scriptOptimal Transport Assignment（OTA）是YOLOv5中的一个改进，它是一种更优的目标检测框架，可以在保证检测精度的同时，大幅提升检测速度。在传统的目标检测框架中，通常采用的是匈牙利算法（Hungarian Algorithm）进行目标与检测框的匹配。这种算法虽然能够找到最优匹配，但是在实际应用中，由于匹配的计算量过大，往往会导致检测速度过慢。OTA算法通过引入一种新的目标与检
YOLOv5改进系列目录
qq_40992158的博客
08-01 1348
学习完源码后，就要开始学习对模型进行改进。其中包括添加注意力机制，更换主干网络，添加损失函数，更换激活函数，更换NMS，更换neck，增加小目标检测层，更换IoU几大部分。
YOLOv5改进（CONTEXT AUGMENTATION MODULE，CAM）
eagleflying_cau的博客
06-10 1714
方法（a）是加权融合，方法（b）是自适应融合 ，即假设输入的大小可以表示为（bs，C，H，W），可以通过执行卷积运算来获得（bs，3，H，W）的空间自适应权重连接和Softmax。三个通道与三个输入一一对应，通过计算加权和，可以将上下文信息聚合到输出，方法（c）是做concatenation，例：a = np.array([[1,2],[3,4]]),b =np.arrat([[5,6]]),c=np.concatenate((a,b)),c=array([1,2],[3,4],[5,6]).
如何改进YOLOv5？这篇告诉你如何修改让检测更快、更稳！！
qq_53545309的博客
10-29 3962
值得注意的是，由于功能通道的减少，特征图会出现信息丢失，并且在其他level的特征图中只包含一些不太相关的上下文信息。针对这一问题，提出了一种简单而有效的方法，即感受野金字塔(RFP)，以增强特征金字塔的表示能力，并驱动网络学习最优的特征融合模式。而在扩张卷积的卷积运算中，卷积核的元素是间隔的，空间的大小取决于膨胀率，这与标准卷积运算中卷积核的元素都是相邻的不同。FEM主要是根据检测到的交通标志尺度的不同，利用扩张卷积自适应地学习每个特征图中的不同感受野，从而提高多尺度目标检测识别的准确性。
速递 | YOLOv8模型改进的N种方法
小白学视觉
09-04 7342
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识YOLOv8源码到底在哪?很多人也想跟修改YOLOv5源码一样的方式去修改YOLOv8的源码，但是在github上面却发现找到的YOLOv8项目下面TAG分支是空的，然后就直接从master/main下面把源码克隆出来一通修改了，其实这种方式风险很高，而且也不是正确...
迪菲赫尔曼yolo改进
07-28
迪菲赫尔曼（Diffie-Hellman）算法是一种用于密钥交换的加密协议，而YOLO (You Only Look Once) 是一种目标检测算法。这两者之间的关系并不明确，所以需要进一步了解您对于"迪菲赫尔曼YOLO改进"的具体含义。您可以提供更多的背景信息或者具体的问题吗？这样我才能更好地回答您的问题。
评论 91
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

迪菲赫尔曼

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