YOLO创新改进大师_社区达人页

2024年05月

• 05.31 12:35:20
  发表了文章 2024-05-31 12:35:20

  【YOLOv8改进】MSBlock : 分层特征融合策略 (论文笔记+引入代码)

  YOLO-MS是一个创新的实时目标检测器，通过多尺度构建块(MS-Block)和异构Kernel选择(HKS)协议提升多尺度特征表示能力。它在不依赖预训练权重和大型数据集的情况下，在MS COCO上超越了YOLO-v7和RTMDet，例如YOLO-MS XS版本（4.5M参数，8.7G FLOPs）达到了43%+的AP，比RTMDet高2%+。MS-Block利用分层特征融合和不同大小的卷积，而HKS协议根据网络深度调整Kernel大小，优化多尺度语义信息捕获。此外，YOLO-MS的模块化设计允许其作为即插即用的组件集成到其他YOLO模型中，提升它们的检测性能。
• 05.31 12:32:15
  发表了文章 2024-05-31 12:32:15

  【YOLOv8改进】MobileViT 更换主干网络： 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码)

  MobileViT是针对移动设备的轻量级视觉Transformer网络，结合CNN的局部特征、Transformer的全局注意力和ViT的表示学习。在ImageNet-1k上，它以600万参数实现78.4%的top-1准确率，超越MobileNetv3和DeiT。MobileViT不仅适用于图像分类，还在目标检测等任务中表现出色，且优化简单，代码已开源。YOLOv8引入了MobileViT块，整合卷积和Transformer结构，提升模型性能。更多详情可参考相关专栏和链接。
• 05.31 12:27:19
  发表了文章 2024-05-31 12:27:19

  【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码)

  YOLO目标检测专栏探讨了MobileNetV3的创新改进，该模型通过硬件感知的NAS和NetAdapt算法优化，适用于手机CPU。引入的新架构包括反转残差结构和线性瓶颈层，提出高效分割解码器LR-ASPP，提升了移动设备上的分类、检测和分割任务性能。MobileNetV3-Large在ImageNet上准确率提升3.2%，延迟降低20%，COCO检测速度增快25%。MobileNetV3-Small则在保持相近延迟下，准确率提高6.6%。此外，还展示了MobileNetV3_InvertedResidual模块的代码实现。
• 05.31 12:24:48
  发表了文章 2024-05-31 12:24:48

  【YOLOv8改进】CoordAttention： 用于移动端的高效坐标注意力机制 (论文笔记+引入代码)

  该专栏聚焦YOLO目标检测的创新改进与实战，介绍了一种新的移动网络注意力机制——坐标注意力。它将位置信息融入通道注意力，通过1D特征编码处理，捕获长距离依赖并保持位置精度。生成的注意力图能增强目标表示，适用于MobileNetV2、MobileNeXt和EfficientNet等网络，提高性能，且几乎不增加计算成本。在ImageNet分类和下游任务（目标检测、语义分割）中表现出色。YOLOv8中引入了CoordAtt模块，实现位置敏感的注意力。更多详情及配置见相关链接。
• 05.31 12:22:33
  发表了文章 2024-05-31 12:22:33

  【YOLOv8改进】iRMB： 倒置残差移动块 (论文笔记+引入代码)

  该专栏聚焦YOLO目标检测的创新改进与实战案例，提出了一种融合CNN和Transformer优点的轻量级模型——倒置残差移动块(iRMB)。iRMB旨在平衡参数、运算效率与性能，适用于资源有限的移动端。通过集成多头自注意力和卷积，iRMB在ImageNet-1K等基准上超越SOTA，同时在iPhone14上展现出比EdgeNeXt快2.8-4.0倍的速度。此外，iRMB设计简洁，适用于各种计算机视觉任务，展示出良好的泛化能力。代码示例展示了iRMB模块的实现细节。更多详细信息和配置可在相关链接中找到。
• 05.31 12:05:41
  发表了文章 2024-05-31 12:05:41

  【YOLOv8改进】 MSDA：多尺度空洞注意力 (论文笔记+引入代码)

  该文介绍了DilateFormer，一种新提出的视觉变换器，它在计算效率和关注接受域之间取得平衡。通过分析ViTs，发现浅层的局部性和稀疏性，提出了多尺度扩张注意力（MSDA），用于局部、稀疏的块交互。DilateFormer结合MSDA块和全局多头自注意力块，形成金字塔架构，实现各视觉任务的顶尖性能。与现有最佳模型相比，在ImageNet-1K分类任务上，DilateFormer性能相当但计算成本降低70%，同时在COCO检测/分割和ADE20K语义分割任务上表现优秀。文章还展示了MSDA的创新点，包括多尺度聚合、局部稀疏交互和减少自注意力冗余。此外，
• 05.31 11:58:58
  发表了文章 2024-05-31 11:58:58

  【YOLOv8改进】MCA：用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码)

  YOLO目标检测专栏介绍了YOLO的创新改进和实战案例，包括多维协作注意力（MCA）机制，它通过三分支架构同时处理通道、高度和宽度注意力，提高CNN性能。MCA设计了自适应组合和门控机制，增强特征表示，且保持轻量化。该模块适用于各种CNN，实验证明其在图像识别任务上的优越性。此外，文章还展示了如何在YOLOv8中引入MCA层的代码实现和相关任务配置。
• 05.31 11:37:13
  发表了文章 2024-05-31 11:37:13

  【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码)

  该专栏聚焦YOLO目标检测的创新改进与实战，介绍了轻量级CNNs和注意力机制在移动设备上的应用。文章提出了一种名为GhostNetV2的新架构，结合了硬件友好的DFC注意力机制，强化了特征表达能力和全局信息捕获，同时保持低计算成本和高效推理。GhostNetV2在ImageNet上以167M FLOPs达到75.3%的top-1准确率，优于同类模型。创新点包括DFC注意力、模型结构优化和效率提升。源代码可在GitHub和MindSpore平台上找到。此外，还提到了YOLOv8的相关实现和任务配置。
• 05.31 11:33:20
  发表了文章 2024-05-31 11:33:20

  【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码).md

  YOLO目标检测专栏探讨了卷积神经网络的创新改进，如Ghost模块，它通过低成本运算生成更多特征图，降低资源消耗，适用于嵌入式设备。GhostNet利用Ghost模块实现轻量级架构，性能超越MobileNetV3。此外，文章还介绍了SegNeXt，一个高效卷积注意力网络，提升语义分割性能，参数少但效果优于EfficientNet-L2。专栏提供YOLO相关基础解析、改进方法和实战案例。
• 05.31 11:25:35
  发表了文章 2024-05-31 11:25:35

  【YOLOv8改进】MSCA: 多尺度卷积注意力 (论文笔记+引入代码).md

  SegNeXt是提出的一种新的卷积网络架构，专注于语义分割任务，它证明了卷积注意力在编码上下文信息上优于自注意力机制。该模型通过结合深度卷积、多分支深度卷积和1x1逐点卷积实现高效性能提升。在多个基准测试中，SegNeXt超越了现有最佳方法，如在Pascal VOC 2012上达到90.6%的mIoU，参数量仅为EfficientNet-L2 w/ NAS-FPN的1/10。此外，它在ADE20K数据集上的mIoU平均提高了2.0%，同时保持相同的计算量。YOLOv8中引入了名为MSCAAttention的模块，以利用这种多尺度卷积注意力机制。更多详情和配置可参考相关链接。
• 05.31 11:09:37
  发表了文章 2024-05-31 11:09:37

  【YOLOv8改进】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小对象问题 (论文笔记+引入代码)

  YOLO目标检测专栏探讨了CNN在低分辨率和小目标检测中的局限性，提出SPD-Conv新架构，替代步长卷积和池化层，通过空间到深度层和非步长卷积保持细粒度信息。创新点包括消除信息损失、通用设计和性能提升。YOLOv5和ResNet应用SPD-Conv后，在困难任务上表现优越。详情见YOLO有效改进系列及项目实战目录。
• 05.31 11:07:11
  发表了文章 2024-05-31 11:07:11

  【YOLOv8改进】 AFPN ：渐进特征金字塔网络 (论文笔记+引入代码).md

  YOLO目标检测专栏介绍了YOLO的有效改进和实战案例，包括AFPN——一种解决特征金字塔网络信息丢失问题的新方法。AFPN通过非相邻层直接融合和自适应空间融合处理多尺度特征，提高检测性能。此外，还展示了YOLOv8中引入的MPDIoU和ASFF模块的代码实现。详情可参考提供的专栏链接。
• 05.31 11:03:28
  发表了文章 2024-05-31 11:03:28

  【YOLOv8改进】BiFPN：加权双向特征金字塔网络 (论文笔记+引入代码)

  该专栏深入研究了YOLO目标检测的神经网络架构优化，提出了加权双向特征金字塔网络（BiFPN）和复合缩放方法，以提升模型效率。BiFPN通过双向跨尺度连接和加权融合增强信息传递，同时具有自适应的网络拓扑结构。结合EfficientNet，构建了EfficientDet系列检测器，在效率和准确性上超越先前技术。此外，介绍了YOLOv8如何引入MPDIoU并应用BiFPN进行可学习权重的特征融合。更多详情可参考提供的专栏链接。
• 05.31 11:00:31
  发表了文章 2024-05-31 11:00:31

  【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码)

  YOLO目标检测专栏介绍了YOLO的有效改进和实战案例，包括卷积、主干网络、注意力机制和检测头的创新。提出了一种新的边界框回归损失函数MPDIoU，它基于最小点距离，能更好地处理不同宽高比的预测框，包含重叠、中心点距离和尺寸偏差的全面考虑。MPDIoU损失函数在YOLACT和YOLOv7等模型上的实验显示了优于现有损失函数的性能。此外，还介绍了WIoU_Scale类用于计算加权IoU，以及bbox_iou函数实现不同IoU变体的计算。详细实现和配置可在相应链接中查阅。
• 05.28 22:55:03
  发表了文章 2024-05-28 22:55:03

  【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码)

  YOLO目标检测专栏探讨了边框回归损失的创新方法，强调了目标形状和尺度对结果的影响。提出的新方法Shape-IoU关注边框自身属性，通过聚焦形状和尺度提高回归精度。实验显示，该方法提升了检测效果，超越现有技术，在多个任务中达到SOTA。论文和代码已公开。
• 05.28 22:48:34
  发表了文章 2024-05-28 22:48:34

  【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码)

  YOLO目标检测专栏探讨了IoU损失的局限性，并提出创新改进。分析发现，不同尺度的辅助边框对高IoU和低IoU样本的回归有不同影响。因此，提出了Inner-IoU Loss，利用尺度因子ratio控制辅助边框大小以优化损失计算。实验验证了该方法能提升检测效果，增强泛化能力。创新点包括根据样本特性选择辅助边框尺度和Inner-IoU Loss的设计。更多详情见YOLO目标检测创新改进与实战案例专栏。
• 05.28 22:37:05
  发表了文章 2024-05-28 22:37:05

  【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）

  YOLO目标检测创新改进与实战案例专栏介绍了YOLO的有效改进，包括使用新型视觉Transformer——Swin Transformer。Swin Transformer解决了Transformer在视觉领域的尺度变化和高分辨率问题，采用分层结构和移位窗口自注意力计算，适用于多种视觉任务，如图像分类、目标检测和语义分割，性能超越先前最佳模型。此外，文章还展示了如何在YOLOv8中引入Swin Transformer，并提供了相关代码实现。
• 05.27 23:20:04
  发表了文章 2024-05-27 23:20:04

  【YOLOv8改进-论文笔记】RFAConv：感受野注意力卷积，创新空间注意力

  【YOLO目标检测专栏】探索空间注意力局限，提出感受野注意力（RFA）机制，解决卷积核参数共享问题。RFAConv增强大尺寸卷积核处理能力，不增加计算成本，提升网络性能。已在YOLOv8中实现，详情见YOLO目标检测创新改进与实战案例专栏。
• 05.27 23:15:40
  发表了文章 2024-05-27 23:15:40

  【YOLOv8改进-论文笔记】SCConv ：即插即用的空间和通道重建卷积

  该文介绍了一种针对卷积神经网络（CNN）的改进方法，名为SCConv，旨在减少计算冗余并提升特征学习效率。SCConv包含空间重构单元（SRU）和通道重构单元（CRU），分别处理空间和通道冗余。SRU利用分离-重构策略抑制空间冗余，而CRU通过分割-变换-融合策略减少通道冗余。SCConv可直接插入现有CNN架构中，实验结果显示，整合SCConv的模型能在降低复杂性和计算成本的同时保持或提高性能。此外，文章还展示了如何在YOLOv8中应用SCConv。
• 05.27 09:15:21
  发表了文章 2024-05-27 09:15:21

  【YOLOv8改进】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务

  YOLO目标检测专栏介绍了DSCNet，它针对血管和道路等管状结构的分割任务进行优化。DSCNet采用动态蛇形卷积(DSConv)聚焦细长结构，多视角融合策略增强全局形态理解，且通过持久同调的连续性约束损失改善拓扑连续性。DSConv在2D和3D数据集上表现优于传统方法，实现更高精度和连续性。该技术已应用于yolov8，提升对管状结构的检测效果。
• 05.27 09:10:21
  发表了文章 2024-05-27 09:10:21

  YOLOv8改进-论文笔记】 AKConv(可改变核卷积)：任意数量的参数和任意采样形状的即插即用的卷积

  AKConv是一种可改变核卷积，旨在解决传统卷积的局限，包括固定大小的卷积窗口和卷积核尺寸。AKConv提供灵活的卷积核参数和采样形状，适应不同尺度特征。其创新点包括：1）支持任意大小和形状的卷积核；2）使用新算法确定初始采样位置；3）应用动态偏移调整采样位置；4）优化模型参数和计算效率。AKConv已应用于YOLOv8，提高网络性能。相关代码可在<https://github.com/CV-ZhangXin/AKConv>找到。

2022年01月

• 01.14 11:19:57
  发表了文章 2022-01-14 11:19:57

  2022 年你应该尝试的 8个 JavaScript 新功能🔥

  **本文主要介绍几个已经进入stage4的提案，这几个提案有望在2022年逐步纳入标准。**（请注意：纳入标准并不等同于浏览器支持）

  

2021年12月

• 12.16 17:24:23
  发表了文章 2021-12-16 17:24:23

  Vue3入门到精通--reactive以及reactive相关函数

  Vue3入门到精通--reactive以及reactive相关函数
• 12.16 17:22:33
  发表了文章 2021-12-16 17:22:33

  Vue3入门到精通--ref以及ref相关函数

  Vue3入门到精通--ref以及ref相关函数
• 12.16 17:19:45
  发表了文章 2021-12-16 17:19:45

  Vue3入门到精通-setup

  Vue3入门到精通-setup
• 12.16 17:18:15
  发表了文章 2021-12-16 17:18:15

  for of 和 for in 的区别

  for of 和 for in 的区别
• 12.16 17:16:14
  发表了文章 2021-12-16 17:16:14

  【第06题】八枚银币

  【第06题】八枚银币
• 12.16 17:15:30
  发表了文章 2021-12-16 17:15:30

  【第05题】骑士走棋盘

  【第05题】骑士走棋盘
• 12.16 17:14:02
  发表了文章 2021-12-16 17:14:02

  【第04题】老鼠走迷官（一）

  【第04题】老鼠走迷官（一）
• 12.16 17:13:12
  发表了文章 2021-12-16 17:13:12

  【第03题】 巴斯卡三角形

  【第03题】 巴斯卡三角形

  
• 12.16 17:12:24
  发表了文章 2021-12-16 17:12:24

  【第02题】费式数列（Fibonacci数列）

  【第02题】费式数列（Fibonacci数列）
• 12.16 17:11:36
  发表了文章 2021-12-16 17:11:36

  【第01题】汉若塔

  【第01题】汉若塔
• 12.16 16:46:41
  发表了文章 2021-12-16 16:46:41

  lintcode-1851 · 购买通行证

  lintcode-1851 · 购买通行证
• 12.16 16:45:36
  发表了文章 2021-12-16 16:45:36

  lintcode-2000 · 查询名称为 System Design 的课程信息

  lintcode-2000 · 查询名称为 System Design 的课程信息
• 12.16 16:44:48
  发表了文章 2021-12-16 16:44:48

  lintcode-4.丑数

  lintcode-4.丑数
• 12.16 16:43:36
  发表了文章 2021-12-16 16:43:36

  lintcode-1483 · 最高平均分

  lintcode-1483 · 最高平均分
• 12.16 16:41:49
  发表了文章 2021-12-16 16:41:49

  makingcss 一个提高CSS编写效率的网站

  makingcss 一个提高CSS编写效率的网站

  
• 12.16 16:36:26
  发表了文章 2021-12-16 16:36:26

  图片在点击之后

  图片在点击之后

  
• 12.16 16:29:12
  发表了文章 2021-12-16 16:29:12

  面试必问的Cookies，你知道多少 【1】

  面试必问的Cookies，你知道多少 【1】
• 12.16 16:25:46
  发表了文章 2021-12-16 16:25:46

  手撕源码，实现一个Koa。

  手撕源码，实现一个Koa。