改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

已于 2025-02-19 11:17:32 修改
阅读量6.5k 收藏 19
点赞数 3
分类专栏： YOLOv5/v7进阶实战 YOLOv5/v7改进实战 文章标签： YOLO 深度学习 计算机视觉
于 2023-02-14 14:30:00 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/129024997
版权
本文介绍了如何在YOLOv7中替换IoU计算策略，包括MPDIoU、CIoU、DIoU、EIoU、GIoU、SIoU、WIoU的替换步骤，并详细阐述了Focal_xIoU的实现方法，以提升目标检测的性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

YOLOv7 更换 IoU 之 GIoU / DIoU / CIoU / SIoU / EIoU / WIoU / Focal_GIoU / Focal_DIoU / Focal_CIoU / Focal_SIoU / Focal_EIoU / MPDIoU

  • 新增MPDIoU 🍀

在这里插入图片描述

更换方式：
第一步：将utils/general.py文件中的bbox_iou替换为如下的代码：

class
了解本专栏 订阅专栏 解锁全文
YOLOv7改进：BoTNeT（Bottleneck Transformer）
weixin_45303602的博客
10-10 1019
论文地址Paper本文提出的BoTNet是一种简单高效的网络，有效的将SA应用到多种视觉任务，如图像识别、目标检测、实例分割任务。通过将ResNet50中最后三个bottleneck模块的空间卷积替换为全局的SA操作，有效提升了基线模型在签署任务上的性能。Section I常用的CNN大多采用3x3的卷积核，鉴于卷积操作可以有效的不糊哦局部信息，但是对于一些视觉任务如目标检测、实例分割、关键点检测还需要建立长程依赖关系。比如实例分割中需要收集场景相关的信息才能学习物体之间的关系；
YOLOv7改进：CBAM注意力机制
weixin_45303602的博客
09-28 2781
CBAM注意力机制是由通道注意力机制（channel）和空间注意力机制（spatial）组成。 传统基于卷积神经网络的注意力机制更多的是关注对通道域的分析，局限于考虑特征图通道之间的作用关系。CBAM从 channel 和 spatial 两个作用域出发，引入空间注意力和通道注意力两个分析维度，实现从通道到空间的顺序注意力结构。空间注意力可使神经网络更加关注图像中对分类起决定作用的像素区域而忽略无关紧要的区域，通道注意力则用于处理特征图通道的分配关系，同时对两个维度进行注意力分配增强了注意力机制对模型性能
YOLOV7改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU
热门推荐
qq_37706472的博客
01-28 1万+
在YoloV7中添加EIoU,SIoU,AlphaIoU,FocalEIoU,Wise-IoU的保姆级教程。 一看就会！
YOLOv7改进模块和损失函数学习记录
最新发布
weixin_47418880的博客
03-24 441
仅做学习。
YOLOv7改进：RepVGG结构
weixin_45303602的博客
10-05 1544
我们所说的“VGG式”指的是：没有任何分支结构。即通常所说的plain或feed-forward架构。仅使用3x3卷积。仅使用ReLU作为激活函数。主要创新点为结构重。在训练时，网络的结构是多分支进行的，而在推理时则将分支的参数进行重参数化，合为一个分支来进行的，所以推理的速度要比多分支网络快很多，并且精度也比单分支的网络更高。
【yolo系列：yolov7改进wise-iou】
weixin_47869094的博客
10-07 2346
确定好训练配置后，即可进行性能对比分析，找出哪个版本在实验中取得了明显的提升。
“改进YOLO系列 | YOLOv7 更优训练策略：SIoU / EIoU / WIoU / Focal_xIoU 最全解析“
IpyVariable的博客
09-18 833
目前，目标检测是计算机视觉领域的一个热门研究方向。YOLO（You Only Look Once）系列是目标检测领域中最流行的检测器之一。YOLOv7是YOLO系列的最新版本，在YOLOv7中新引入了四种训练策略，即SIoU、EIoU、WIoU和Focal_xIoU。本文将详细介绍这四种训练策略，并提供相应的源代码实现。
改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU
weixin_39818775的博客
08-11 999
本文将深入探讨YOLOv5目标检测模型中常用的IoU损失函数的改进，包括SIoU、EIoU、WIoU、Focal-xIoU以及新兴的MPDIoU。这些改进旨在更准确地衡量预测框与真实框之间的差异，从而提升模型的定位精度。不同的IoU损失函数在不同的场景下具有不同的优势。选择合适的损失函数可以显著提升YOLOv5模型的定位精度。
YOLOv7改进：结合CotNet Transformer结构
weixin_45303602的博客
09-30 884
京东AI研究院提出的一种新的注意力结构。将CoT Block代替了ResNet结构中的3x3卷积，在分类检测分割等任务效果都出类拔萃论文：Contextual Transformer Networks for Visual Recognition有自注意力的Transformer引发了自然语言处理领域的革命，最近还激发了Transformer式架构设计的出现，并在众多计算机视觉任务中取得了具有竞争力的结果。
YOLOV7改进-添加注意力机制
m0_46700884的博客
07-05 5051
注意力机制一般加在backbone或者是PAN层。，配合yolov7.yaml的文件来结合看！1、在github主页中找到SE.py注意力模块。
YOLOv7改进：CotNet Transformer
本人热爱计算机技术，欢迎爱好技术的朋友一起交流
12-02 1324
有自注意力的Transformer引发了自然语言处理领域的革命，最近还激发了Transformer式架构设计的出现，并在众多计算机视觉任务中取得了具有竞争力的结果。在今天分享的工作中，研究者设计了一个新颖的Transformer风格的模块，即Contextual Transformer (CoT)块，用于视觉识别。同样，当我们读一句话时，大脑也会首先记住重要的词汇，这样就可以把注意力机制应用到自然语言处理任务中，于是人们就通过借助人脑处理信息过载的方式，提出了Attention机制。
yolov7改进--添加CBAM模块（注意力机制）
u012661539的博客
06-06 3979
【代码】改进yolov7--添加CBAM模块（注意力机制）
YOLOv7改进方式：从104层到24层的网络配置压缩，提升改进效率与性能
GzvDart的博客
09-16 691
YOLOv7是一种广泛应用于计算机视觉领域的目标检测算法，但其原始网络模型包含了104层，这给改进和优化带来了一定的困难。为了压缩网络配置，我们减少了横向连接的数量，只保留了对性能影响较大的关键横向连接。然而，为了进一步压缩网络配置，我们简化了残差块的结构。通过以上改进方法和相应的源代码，我们成功将YOLOv7的网络配置从104层压缩到了仅有24层，既提高了改进的效率，又在保持模型性能的同时提升了计算速度。为了简化网络配置，我们采用了更轻量级的检测头结构，例如使用更少的卷积层或减少卷积核的数量。
YOLOV7改进：加入RCS-OSA模块，提升检测速度
AIcurator的博客
08-15 795
凭借速度和精度之间的良好平衡，前沿的YOLO框架已成为最有效的目标检测算法之一。然而，使用YOLO网络在脑肿瘤检测中的性能研究很少。提出了一种新的基于信道Shuffle的重参数化卷积YOLO架构(RCS-YOLO)。我们提出了RCS和RCS的一次聚合(RCS- osa)，将特征级联和计算效率联系起来，以提取更丰富的信息并减少时间消耗。在脑肿瘤数据集Br35H上的实验结果表明，该模型在速度和精度上均优于YOLOv6、YOLOv7和YOLOv8。
YOLOv7改进之strSPPCSPC
weixin_47060902的博客
11-09 539
YOLOv7改进之strSPPCSPC
YOLOv7改进轻量化,引入轻量化骨干网络MobileOne
datayx的文章
10-30 1011
向AI转型的程序员都关注了这个号????????????一、前言MobileOne论文：https://arxiv.org/abs/2206.04040MobileOne github：https://github.com/apple/ml-mobileone二、基本原理使用Reparameterize重参数化实现模型的轻量化，基本模块如下图所示。三、改进方法说明：该部分的改进代码尽可能地根据官方代码的写法与YOL...
YOLOv7系列的改进：ACmix结构与自注意力和卷积的融合
QvisCs的博客
09-19 473
本文将介绍YOLOv7系列的改进，即ACmix结构与自注意力和卷积的融合，以提高其性能和效率。ACmix结构是一种自注意力和卷积的融合模块，通过将自注意力机制与卷积操作相结合，实现了特征的全局感知和局部细节的提取。这样，每个特征图都会经过自注意力模块和卷积模块的交替处理，从而同时实现全局感知和局部细节的提取。ACmix结构是一种自注意力和卷积的融合模块，通过将自注意力机制与卷积操作相结合，实现了特征的全局感知和局部细节的提取。卷积模块是传统的卷积操作，用于提取特征图中的局部细节。2.1 自注意力模块。
YOLOv7改进结构：结合DO-DConv卷积提升性能，构建高效检测器
IlgCrystal的博客
09-17 443
在YOLOv7中，我们引入了一种改进的结构，结合了DO-DConv（Depthwise Orthogonal Dilation Convolution）卷积，以进一步提高检测器的性能。在YOLOv7中，我们使用了DO-DConv卷积替代了部分标准卷积层，以增加感受野并提升特征的表达能力。DO-DConv卷积是一种基于深度可分离卷积和正交膨胀卷积的结合，它能够有效地捕捉目标的细节信息并提高感受野。在YOLOv7中，我们将DO-DConv卷积应用于主干网络和检测头部分，以增强特征表示能力和检测精度。
yolov5换成WIoU
08-17
根据引用和引用的内容，YOLOv5中可以使用WIoU（Weighted IoU）作为一种替代的IoU衡量方式。然而，需要注意的是，引用中提到的代码更改并没有具体提到WIoU的实现。因此，确切的YOLOv5中如何实现WIoU的细节需要进一步的参考或详细了解YOLOv5的源代码。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU](https://blog.csdn.net/weixin_43694096/article/details/129022560)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU](https://blog.csdn.net/weixin_43694096/article/details/129024997)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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

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