YOLOv5改进系列(五) 更换Neck之BiFPN，AFPN，BiFusion

已于 2025-04-25 14:09:04 修改
阅读量9.5k 收藏 161
点赞数 63
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： YOLO 人工智能 深度学习 pytorch
于 2023-12-14 21:34:33 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/weixin_44302770/article/details/135004915
版权

文章目录

  • BiFPN
    • 一、BiFPN介绍
      • 1.1 简介
      • 1.2 BiFPN
        • （1）跨尺度连接
        • （2）加权特征融合
      • 1.3 EfficientDet
        • （1）模型框架
        • （2）复合缩放
    • 二、添加方式1：Add操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
    • 三、添加方式2：Concat操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
  • Neck之AFPN
    • 一、AFPN介绍
      • img1.1 简介
      • 1.2 提取多级特征
      • 1.3 渐进架构
      • 1.4 自适应空间融合
      • 1.5 实验
    • 二、更换AFPN的方法
        • 第①步：在common.py中添加AFPN模块
        • 第②步：修改yolo.py文件
        • 第③步：创建自定义的yaml文件
  • BiFusion
        • YOLOv6贡献
        • BiFusion Neck 融合的原理
        • BiFusion Neck结构图
        • 参数量与计算量
        • YOLOv5 BiFusion Neck 配置文件

BiFPN

详细解读

一、BiFPN介绍

1.1 简介

EfficientDet 是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。

EfficientDet = Backbone(EfficientNet) + Neck(BiFPN) + Head(class + box)

img

1.2 BiFPN

（1）跨尺度连接
  • 移除那些只
了解本专栏 订阅专栏 解锁全文
YOLOv5算法改进（6）— Neck网络介绍（AFPN和BiFPN）
突然好想你
10-15 2918
本篇文章就给大家介绍下AFPN和BiFPN，以为后面的Neck网络改进奠定基础，希望大家学习之后能够有所收获！
YOLOv5改进系列(四) 本文(2.5万字) | 更换Neck | BiFPN | AFPN | BiFusion |
专注于人工智能学习，总结
12-29 1652
是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。这里的yaml文件将所有的Concat换成了BiFPN_Add。BiFPN_Add本质是add操作，不是concat操作，因此BiFPN_Add的各个输入层要求大小完全一致（通道数、feature map大小等）
深度学习实战 1 YOLOv5结合BiFPN
qq_41134483的博客
11-03 2万+
BiFPN简单介绍，YOLOv5结合BiFPN （concat操作）
YOLOv5改进-引入BiFPN
weixin_57130167的博客
05-02 7875
YOLOv5模型的Neck部分使用的是FPN+PAN结构，从neck特征融合入手，引入加权双向特征金字塔BiFPN来加强特征图的底层信息，使不同尺度的特征图进行信息融合，从而加强特征信息。
第七章 相机坐标系中的Zc值求解(车道线感知)
专注于人工智能学习，总结
09-28 826
近期参与到了手写AI的车道线检测的学习中去，以此系列笔记记录学习与思考的全过程。车道线检测系列会持续更新，力求完整精炼，引人启示。所需前期知识，可以结合手写AI进行系统的学习。
YOLOv5结合BiFPN
热门推荐
曾星的博客
04-28 3万+
现在yolov5的neck用的是PANet，在efficient论文中提出了BiFPN结构，还有更加不错的性能。所以就尝试将yolov5中的PANet层改为BiFPN。 需要修改的地方 主要是修改yaml配置文件 我修改的是yolov5x.yaml，将concat层连接不同的layer。有三层BiFPN，最后输出为了和yolov5对应，我没有用在论文里写的p3-p7五个节点，我只用了三个。（这里应该要用relu使w>0，我训练报错就没有用relu） 修改common.py class Concat
【YOLOv5改进系列(12)】高效涨点(强推!!!)----使用BiFPN特征融合方式替换yolov5中的PANet网络
慕溪同学的博客
05-12 5799
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
在Yolov5中，使用BiFPN
qq_53821866的博客
10-11 4308
BiFPN（Bi-directional Feature Pyramid Network）是一种用于目标检测任务的特征金字塔网络结构。在传统的目标检测算法中，通常使用特征金字塔网络（Feature Pyramid Network，简称FPN）来提取不同尺度的特征。FPN通过在网络中添加额外的侧分支和上采样操作来获得多尺度的特征图。然而，在FPN中，上采样和下采样操作之间的信息流只是单向的。BiFPN通过在不同尺度的特征金字塔网络中引入双向连接，实现了跨层级的信息交流和融合。
yoloV5更换BiFPN结合小目标检测层
Zeng999212的博客
01-24 1万+
小目标检测层结合BiFPN
YOLOv5改进之BiFPN(含代码，超详细哦)
kay_545
10-05 1万+
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。以下是BiFPN的工作原理概述：1. 特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。2. 双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
改进YOLOv5-添加Bifpn
11-15
yolov5的版本为7.0，如果版本一样，应该是可以添加成功的！
《人工智能专栏》必读150篇 | 阅读推荐 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-28 2040
人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程。6. Python与PyTorch。5. YOLOv8及其改进。2. 深度学习与目标检测。4. YOLOv5改进。
《人工智能专栏》必读150篇 | 专栏介绍 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-25 1134
《人工智能专栏》专栏介绍 & 专栏目录 & Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
《人工智能-机器学习-深度学习-目标检测》专栏目录 & Python与PyTorch | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 |
专注于人工智能学习，总结
09-08 1474
走进神经网络 | 深度神经网络DNN | 卷积神经网络CNN | 区域卷积神经网络RNN | 目标检测 | 经典网络模型二十余种(LeNet-5 | AlexNet | ZFNet | VGGNet | GoogLeNet | ResNet | DenseNet | SeNet | MobileNet | ShuffleNet | RepVGG | MobileOne | FasterNet | R-CNN | SPPNet | Fast RNN | Faster RNN | R-FCN | SSD )
特征融合篇 | YOLOv5/v7 引入 最新 BiFusion Neck | 附详细结构图
weixin_39818775的博客
08-05 1061
在目标检测模型中，特征融合是至关重要的一步，它将来自不同尺度的特征进行融合，以获得更丰富的语义信息和更强的表达能力。FPN 的自上而下特征传播路径容易导致信息丢失FPN 的特征融合方式过于简单，无法充分利用不同尺度特征之间的互补信息为了解决这些问题，本文提出了一种新的方案，即使用 BiFusion Neck 来替换 YOLOv5 和 YOLOv7 中的 FPN。
优化YOLOv5模型的Neck之BiFPN计算机视觉
带你成为别人眼中的大佬！
06-01 907
而在YOLOv5模型的构建过程中，Neck是非常重要的一个环节，它可以将从Backbone中提取的特征图进行归一化、融合、筛选等处理，从而使模型更加稳定和准确。而在Neck中，BiFPN（Bilateral Feature Pyramid Network）是一种比较新颖和有效的设计方案，能够有效地保留特征信息的同时，减少网络参数和运算量，提高模型的效率和性能。其中，YOLOv5是一种非常优秀的目标检测算法，其结合了神经网络和计算机视觉的相关技术，可实现对各种目标的智能识别和追踪，并具有较高的准确度和速度。
yolov5-7.0 添加BiFPN
heromps的博客
05-23 1万+
BiFPN是目标检测中神经网络架构设计的选择之一，为了优化目标检测性能而提出。主要用来进行多尺度特征融合，对神经网络性能进行优化。
YOLOv5改进系列（12）——更换Neck之BiFPN
路人贾的博客
06-30 8062
手把手教你改进YOLOv5系列之更换BiFPN，含两种方式，超级详细！
YOLOv5添加BiFPN
m0_72826890的博客
07-31 1186
在cfg参数中，改为models/BiFPN-yolov5s.yaml。1、修改common.py文件。4、修改train.py并运行。1、修改common.py文件。4、修改train.py文件。5、运行train.py文件。3、修改yolo.py文件。3、修改yolo.py文件。2、新建一个yaml文件。2、新建yaml文件。
BIFPN结构图
最新发布
03-10
### BIFPN架构图及其特点 BiFPN（双向特征金字塔网络）是一种改进型的特征金字塔网络，用于提升目标检测模型中不同尺度特征之间的融合效果。这种结构不仅保留了传统的自顶向下的路径，还增加了自底向上的连接方式，使得低层细节信息能够更好地传递到高层语义表示中去[^2]。 #### BiFPN的关键特性： - **多方向的信息流**：除了标准的从粗粒度到细粒度的特征传播外，BiFPN允许反向传输，即从高分辨率到低分辨率逐级加强特征表达。 - **加权特征融合**：为了优化跨层次间的特征组合，在每次汇聚操作之前会对输入节点应用可学习权重参数，确保重要性的动态调整。 虽然具体的可视化图表未在此处提供，但通常情况下，BiFPN的架构可以通过以下要素来描绘： 1. 多个并行存在的特征提取分支； 2. 自顶向下与自底向上两条主要的数据流动路线； 3. 各层之间存在密集且双向的跳跃链接； 4. 特征融合点配备有相应的权重机制以调节各路贡献比例。 对于希望获取更加直观理解的朋友来说，建议查阅相关论文或者技术文档中的插图部分，那里往往会给出详细的框架布局说明以及工作流程示意。 ```python # 这里仅作为示例展示如何绘制简单的图形，并非实际BIFPN代码实现 import matplotlib.pyplot as plt fig, ax = plt.subplots() ax.set_title('Simplified Illustration of BiFPN') ax.text(0.5, 0.9,'Input', ha='center', va='center') for i in range(1,6): ax.add_patch(plt.Rectangle((i/7-.1,i*.1), .2,.08)) if i>1: # Top-down path plt.arrow(i/7+.05,(i-1)*.1+i*.01,i/7-(i-1)/7,-.09,head_width=0.02) # Bottom-up path with weighted fusion plt.arrow((i-1)/7+.05,i*.1+(i-1)*.01,(i-1)/7-i/7,-.09,head_width=0.02) plt.axis('off') plt.show() ```
评论 5
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

小酒馆燃着灯

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