一种低照度目标检测新策略：IAT集成YOLOv8实现暗光与雾霾环境下的性能优化【附核心实战代码】

最新推荐文章于 2025-04-24 17:17:08 发布
最新推荐文章于 2025-04-24 17:17:08 发布
阅读量3k 收藏 13
点赞数 9
文章标签： 目标检测 YOLO 性能优化 目标跟踪
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_52908342/article/details/144361121
版权

本文收录于专栏：精通AI实战千例专栏合集

https://blog.csdn.net/weixin_52908342/category_11863492.html

从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。
每一个案例都附带关键代码，详细讲解供大家学习，希望可以帮到大家。正在不断更新中

文章目录

一种低照度目标检测新策略：IAT集成YOLOv8实现暗光与雾霾环境下的性能优化【附核心实战代码】

文章简介

随着深度学习和计算

了解本专栏 订阅专栏 解锁全文
YOLOv8：利用轻量级低照度图像增强网络IAT
走向CTO的路上...
08-15 1053
YOLOv8作为目前最先进的目标检测算法之一，在精度和速度方面取得了显著进步。然而，YOLOv8模型在低光照条件下的目标检测任务中仍存在一些不足，例如容易受到噪声干扰和对比度不足的影响，导致检测精度下降。为了解决这个问题，本文提出了一种利用轻量级低照度图像增强网络IAT（Illumination Adaptive Transformer）改进YOLOv8模型的方法，有效提升了模型在暗光条件下的目标检测精度。
YOLO出击暗夜目标检测！中科大提出端到端的暗目标检测框架PE-YOLO
weixin_44887311的博客
08-03 1509
而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。结果表明，与其他暗光检测器和暗光增强模型相比，PE-YOLO取得了先进的结果，分别达到了78.0%的mAP和53.6的FPS，可以适应不同的暗光条件下的目标检测。作者在暗光目标检测数据集ExDark上验证了作者方法的有效性，结果显示与其他暗目标检测器和暗光增强模型相比，PE-YOLO取得了先进的结果，分别达到78.0%的mAP和53.6的FPS，适用于暗场景中的目标检测。
基于YOLOv8的暗光低光环境下（ExDark数据集）检测，加入多种优化方式---DCNv4结合SPPF ，助力自动驾驶（一）
02-06 5310
加入 DCNv4结合SPPFmAP@0.5由原始的0.682提升至0.694
YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）
Snu77的博客
03-08 6788
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
【目标检测】——PE-YOLO精读
怡宝2号
10-06 2181
卷积神经网络（CNNs）在近年来如何推动了物体检测的发展。许多检测器已经被提出，而且在许多基准数据集上的性能正在不断提高。然而，大多数现有的检测器都是在正常条件下对高质量图像进行研究。在真实环境中，经常会出现许多糟糕的光照条件，如夜晚、暗光和曝光过度，这些条件会降低图像的质量，影响检测器的性能。前人的解决方案：…略本文采用了金字塔增强网络（PENet）和YOLOv3。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。
【论文笔记】a Light Weight Transformer for Image Enhancement and Exposure Correction
王北先森
05-16 447
现实世界中具有挑战性的照明条件(低光，曝光不足和过度曝光)不仅会造成不愉快的视觉外观，而且会污染计算机视觉任务。相机采集原始rgb数据后，通过图像信号处理器(ISP)呈现标准的sRGB图像。通过将ISP管道分解为局部和全局图像组件，我们提出了一种轻量级的快速照明自适应转换器(IAT)，可以从低光或过曝光条件下恢复正常照明的sRGB图像。具体来说，IAT使用注意力查询来表示和调整与isp相关的参数，如色彩校正、伽马校正。
项目快过：Illumination-Adaptive-Transformer | You Only Need 90K Parameters to Adapt Light
a486259的博客
11-25 835
本文是为数不多将过暗与过曝基于一种网络结构实现的模型，算法运行速度极其快，但并没有在一个训练任务中使模型兼容过暗与过曝调节能力。同时，在下游任务中，作者的实验较少，只是表现在过暗图像目标检测中取得了良好的效果。如果仅是为了做过暗图像矫正，可以考虑使用[SCI网络](https://hpg123.blog.csdn.net/article/details/140417597)。推荐SCI理由：1、不容易存在将图像矫正为过曝；2、SCI作者分享了大量的下游应用效果，其表明在语义分割与目标检测中均取得显著效果。但
IAT：实时完成暗光增强, 曝光矫正的超轻量级Transformer网络
qq_29462849的博客
07-07 4694
作者丨信息门下奶狗@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/535695807编辑丨极市平台导读本工作提出了一种超轻量级的快速照明自适应Transforme—IAT，用于实时完成暗光增强和曝光矫正，网络总体的Parameter数量仅仅只需要 90k+。今年四月入学了UTokyo新办的RCAST的PHD项目，开始了新的PHD生涯。入学...
精通AI领域技术实战千例专栏—学习人工智能的指南宝典
热门推荐
一键难忘的博客
11-12 2万+
精通AI领域技术实战千例专栏—学习人工智能的指南宝典 “人工智能是一个非常大的交叉学科，本身就有一个庞大的体系。” 通班的领衔创立者，北大人工智能研究院院长、讲席教授朱松纯介绍说。因此，仅仅把人工智能视为应用领域，课程只集中在某个研究热点上，完全无法满足培养人工智能复合型领军人才的需要： “一个人只有把人工智能六个领域都搞懂了、融会贯通了，你才能说你是人工智能领域的人才或者专家。”
BERT大火却不懂Transformer？读这一篇就够了
BigDataDigest的博客
01-08 1万+
大数据文摘与百度NLP联合出品编译：张驰、毅航、Conrad、龙心尘编者按：前一段时间谷歌推出的BERT模型在11项NLP任务中夺得STOA结果，引爆了整个NLP界。而BERT取得成功的一个关键因素是Transformer的强大作用。谷歌的Transformer模型最早是用于机器翻译任务，当时达到了STOA效果。Transformer改进了RNN最被人诟病的训练慢的缺点，利用self-attent...
基于深度学习Yolo8的驾驶员疲劳与分心行为检测系统
XiaoCoder的博客
04-23 210
③：技术栈：Python、PySide6、OpenCV、YOLOv8、Matplotlib、NumPy。②：开发环境：Python3.8+、PyCharm/VSCode。①：疲劳检测：眨眼频率监测、哈欠检测、Perclos模型评分。②：分心行为识别：手机使用检测、抽烟行为检测、喝水行为检测。④：数据统计：行为数据可视化、疲劳指标统计、数据导出功能。①：系统环境：Windows/Mac/Linux。③：实时监控：摄像头实时画面显示、状态实时更新。【三】疲劳检测模型与行为分析统计。
YOLOv11改进：轻量化模型MobileNetv4
最新发布
qq_44231797的博客
04-24 597
它通过整合多种先进技术，如通用反转瓶颈（UIB）、针对移动设备优化的注意力机制（Mobile MQA），以及先进的架构搜索方法（NAS），实现了在不同硬件上的高效运行，成功打造出一系列在移动设备上表现最优的模型，兼顾计算效率和精度，实现了在多种硬件平台上的帕累托最优性能。**MobileNetV4（MNv4）**是最新一代的MobileNet，其核心原理在于实现了跨各种移动设备的高效性能,**预处理（pre-process）：**0.6毫秒（ms）**推理（inference）：**6.6毫秒（ms）
[AI]从零开始的TensorRT加速推理YOLO11教程
c858845275的博客
04-23 720
讲解了TensorRT的安装，.trt模型的转换以及spacewalk01/yolov11-tensorrt项目的编译与项目集成！
开源项目实战学习之YOLO11：ultralytics-cfg-datasets-yaml文件（二）
kngines
04-24 424
开源项目实战学习之YOLO11：ultralytics-cfg-datasets-yaml文件（二）
YOLO11改进：backbone主干改进 | StarNet：超强轻量级Backbone
Loving_enjoy的博客
04-24 307
在实时目标检测领域，模型精度与推理速度的博弈始终是白热化的焦点。当YOLOv11以**56.3 mAP**和**214 FPS**的震撼成绩刷新COCO榜单时，微软却悄然祭出一项颠覆性架构——**StarNet**，用0.7秒延迟在移动端实现73.5%的ImageNet精度。这场看似平行的技术竞赛，实则暗藏着目标检测轻量化的未来密码。本文将深度解构YOLOv11的Backbone改进与StarNet的创新本质，揭示二者融合将如何重塑实时检测的技术版图。## 一、YOLOv11的Backbone革命：从C3到
YOLOv11改进-双Backbone架构：利用双backbone提高yolo11目标检测的精度
qq_64693987的博客
04-24 1298
YOLOv11 的 Backbone 基于 CSPNet 的改进版本，通过引入 C3K2 模块、C2PSA等进一步优化了特征流的传递效率，同时减少冗余计算，提高了模型的参数利用率。目前主流的设计路径主要包括三类：CNN 与 CNN 的轻量级组合、CNN 与 Transformer 的语义增强组合，以及 CNN 与 Mamba 的状态建模组合。同时使用CNN+CNN双backbone的网络结构中，可以对CNN结构进行改进，如再其中一个分支中添加频域、注意力机制等操作，增强模型的边缘、语义特征等。
使用ultralytics的yolo11训练自定义数据集的图像分类模型+预测+导出onnnx模型+trtexec转engine模型
深耕AI
04-23 266
训练完成后，就会在ultralytics-clas/runs/classify/train目录下，得到一些文件。其中，weight文件里面，就是训练得到的模型文件.pt，有两个best和last。就会得到输出结果：包含分类标签，预测得分，结果，速度，输入图的大小。打开Pycharm设置环境并编写训练代码。
YOLO 模型的深度剖析及其在生物医药领域的创新应用
m0_44975814的博客
04-23 524
YOLO（You Only Look Once）系列模型自 2015 年问世以来，经历了多次重大技术革新，其发展轨迹深刻影响着目标检测领域。初代 YOLO 将目标检测任务革命性地转化为单一神经网络的回归问题，在一个前向传播过程中完成图像中所有目标的定位与分类，相比传统滑动窗口算法，检测速度提升显著。然而，初代模型在小目标检测和定位精度上存在不足，后续版本围绕这些痛点展开持续优化。YOLOv2 通过引入锚框机制，在预测边界框时使用预定义的尺寸模板，大幅提升了定位准确性。
yolov8改进 低照度增强
12-30
### YOLOv8低照度图像增强改进方法 #### 轻量级低照度图像增强网络IAT的应用 为了改善YOLOv8在暗光环境中的表现，一种有效的策略是引入轻量级低照度图像增强网络IAT。此网络能够有效地提升原始输入图片的质量，使得后续的目标检测更加精准[^1]。 ```python import torch from yolov8 import YOLOv8 from iat_network import IATNetwork def enhance_and_detect(image_path, model_weights='yolov8.pth'): # 加载预训练好的YOLOv8模型 yolo_model = YOLOv8() yolo_model.load_state_dict(torch.load(model_weights)) # 初始化IAT网络用于图像增强 enhancer = IATNetwork() # 对输入图像进行增强处理 enhanced_image = enhancer.enhance(image=image_path) # 使用增强后的图像作为YOLOv8的输入来进行目标检测 detections = yolo_model.detect(enhanced_image) return detections ``` #### SCINet对于黑暗目标检测性能的贡献 除了IAT之外，SCINet也是一个重要的工具来解决低光照下物体识别难题。通过其独特的架构——即级联照明学习与权重共享机制，SCINet可以在不增加过多计算成本的情况下大幅改善图像质量，进而帮助YOLOv8更好地完成任务[^2][^4]。 ```python class EnhancedYOLOv8(YOLOv8): def __init__(self, scinet=None): super().__init__() self.scinet = scinet def detect(self, image): if self.scinet is not None: # 如果存在SCINet，则先对其进行图像增强操作 image = self.scinet.enhance(image) # 执行标准的目标检测流程 results = super().detect(image) return results ``` #### 结合传统方法的优势 值得注意的是，在某些情况下，简单而快速的传统算法可能更适合嵌入到像YOLO这样的实时系统中。尽管它们不如现代深度学习技术那样复杂多变，但在特定应用场景里却能发挥重要作用[^3]。
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

一键难忘

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