💡💡💡本文主要内容：介绍了多模态的现状，以及复现至YOLO11，实现基于YOLO11的中期融合，下一步计划打算魔改提升多模态的性能。
1. 多模态(可见光+红外光）介绍
红外光与可见光之间具有极佳的互补性。可见光不仅在夜间展现出的特征不明显,白天条件下逆光拍摄、树荫等图像部分较暗的环境也会大幅度影响图像特征。相反,红外光在光照条件不足的情况下可以展现出更加明显的图像特征,但是没有色彩信息相关的特征。所以如何设计好一种红外光与可见光的模态融合机制实现模态之间的互补,依旧具有挑战性。
LLVIP是北京邮电大学采集的一个用于微光视觉的可见光-红外光数据集。该数据集包含16836对图像,其中大部分是在夜晚昏暗的场景中拍摄,所有图像均在时间和空间上严格对齐。作者将该数据集与其他可见光和红外数据集进行了比较,并评估了一些流行的视觉算法的性能,包括图像融合和行人检测。
1.1 多模态融合算法
在目标检测（object detection）领域，数据融合策 略至关重要，尤其是在整合多模态数据和提升检测性 能方面。根据数据整合的时间点和方式，融合策略可 分为前期融合（early fusion）、中期融合（mid fusion） 和后期融合（late fusion）。每种策略在目标检测任务 中都有其独特的应用和优势。多模态融合算法类型如 图 1 所示。
如图 1 所示，根据检测网络中融合位置的不同， 多模态目标检测方法可以分为 3 类：前期融合、中期 融合（特征级融合）和后期融合。如图 1(a)为前期融 合，前期融合在特征提取之前进行图像融合。前期融 合方法首先将红外图像和可见光图像进行初步融合， 然后将融合后的图像输入到检测模型中。这种方法允 许模型在最初的特征提取阶段就同时处理所有输入 数据，从而捕捉到不同数据源之间的复杂关系。图 1(b) 为中期融合，中期融合方法通过分别提取红外图像和 可见光图像的特征，再将这些特征在检测网络中进行 融合。这种方法不仅允许不同数据源的独立特征提取， 还可以在特征级别上捕捉到更高层次的交互。图 1(c) 为后期融合，后期融合在目标检测中意味着各个数据 源经过独立的模型处理后，将输出结果在最终决策层 面进行整合。3 种融合方式各有其优缺点，为充分满 足本文研究的需要，本文在对 3 种融合方式进行实验 对比，并在较好的融合方式上进行算法改进。
实验对比：由表 3 可以看出，在三种融合方式中，在召回率， 精确率和平均精度三种指标中，中期融合的结构都要优于前期融合和后期融合，因此本文在中期融合的基础上对模型进行改进。
红外检测效果：
参考文献：
崔家礼，王涵，郑瀚，胡征慧．基于 BPP-YOLO v8 的多模态目标检测算法 [J/OL]．红外技术. https://link.cnki.net/urlid/53.1053.TN.20240830.1105.002
2.如何复现至YOLO11
2.1 数据集格式要求
|-datasets |-LLVIP |-images # RGB |-image # 红外图 |-labels # RGB和红外图公用同一份标签
数据集分布情况：
2.2 基于YOLO11的中期融合可视化
yolo11n-RGBT-midfusion.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license # Ultralytics YOLO11 object detection model with P3/8 - P5/32 outputs # Model docs: https://docs.ultralytics.com/models/yolo11 # Task docs: https://docs.ultralytics.com/tasks/detect # Parameters nc: 80 # number of classes scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs ch: 4 # YOLOv8.0n backbone backbone: # [from, repeats, module, args] - [-1, 1, Silence, []] # 0-P1/2 # visible - [0, 1, SilenceChannel, [0,3]] # 1-P1/2 - [-1, 1, Conv, [64, 3, 2]] # 2-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 3-P2/4 - [-1, 2, C3k2, [256, False, 0.25]] - [-1, 1, Conv, [256, 3, 2]] # 5-P3/8 - [-1, 2, C3k2, [512, False, 0.25]] - [-1, 1, Conv, [512, 3, 2]] # 7-P4/16 - [-1, 2, C3k2, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] # 9-P5/32 - [-1, 2, C3k2, [1024, True]] # 10 # infrared - [ 0, 1, SilenceChannel, [ 3,4 ] ] # 11-P1/2 - [ -1, 1, Conv, [ 64, 3, 2 ] ] # 12-P1/2 - [ -1, 1, Conv, [ 128, 3, 2 ] ] # 13-P2/4 - [ -1, 2, C3k2, [ 256, False, 0.25 ] ] - [ -1, 1, Conv, [ 256, 3, 2 ] ] # 15-P3/8 - [ -1, 2, C3k2, [ 512, False, 0.25 ] ] - [ -1, 1, Conv, [ 512, 3, 2 ] ] # 17-P4/16 - [ -1, 2, C3k2, [ 512, True ] ] - [ -1, 1, Conv, [ 1024, 3, 2 ] ] # 19-P5/32 - [ -1, 2, C3k2, [ 1024, True ] ] #20 - [[6, 16], 1, Concat, [1]] # cat backbone P3 21 - [[8, 18], 1, Concat, [1]] # cat backbone P4 22 - [[10, 20], 1, Concat, [1]] # cat backbone P5 23 - [ -1, 1, SPPF, [ 1024, 5 ] ] # 24 - [ -1, 2, C2PSA, [ 1024 ] ] # 25 # YOLO11n head head: - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 22], 1, Concat, [1]] # cat backbone P4 - [-1, 2, C3k2, [512, False]] # 28 - [-1, 1, nn.Upsample, [None, 2, "nearest"]] - [[-1, 21], 1, Concat, [1]] # cat backbone P3 - [-1, 2, C3k2, [256, False]] # 31 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 28], 1, Concat, [1]] # cat head P4 - [-1, 2, C3k2, [512, False]] # 34 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 25], 1, Concat, [1]] # cat head P5 - [-1, 2, C3k2, [1024, True]] # 37 (P5/32-large) - [[31, 34, 37], 1, Detect, [nc]] # Detect(P3, P4, P5)
2.3 训练可视化结果
YOLO11n-RGBT-midfusion summary (fused): 324 layers, 3,784,883 parameters, 0 gradients, 9.30 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 109/109 [00:52<00:00, 2.07it/s] all 3463 8302 0.895 0.816 0.879 0.482 Speed: 0.3ms preprocess, 2.6ms inference, 0.0ms loss, 1.4ms postprocess per image
F1_curve.png：F1分数与置信度（x轴）之间的关系。F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0，1之间。越大越好。
TP：真实为真，预测为真；
FN：真实为真，预测为假；
FP：真实为假，预测为真；
TN：真实为假，预测为假；
精确率（precision）=TP/(TP+FP)
召回率(Recall)=TP/(TP+FN)
F1=2*（精确率*召回率）/（精确率+召回率）
PR_curve.png ：PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系。
预测结果：
