💡💡💡数据集特点：标签大小各异，既有小目标又有大目标，因此考虑多尺度和注意力机制方向优化
💡💡💡解决方案：1）MSAM（CBAM升级版），通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力；2）小目标到大目标一网打尽GPFN；
💡💡💡一种基于YOLO11的高精度船舶（ship-obb）检测算法，mAP50从原始的0.828提升至0.877
消融实验：
MSAM 加入backbone | mAP50从原始的0.828提升至0.862，适用于obb其他既有小目标又有大目标的任务
小目标到大目标一网打尽GPFN | mAP50从原始的0.828提升至0.847，适用于obb其他既有小目标又有大目标的任务
1.船舶（ship-obb）检测系统
1.1D船舶（ship-obb）检测数据集介绍
数据集大小：
874 images for training 343 Images for validation 101 Images for testing
类别1类：
names: 0: ship
细节图：
标签可视化分析
数据集特点：标签大小各异，既有小目标又有大目标，因此考虑多尺度和注意力机制方向优化
2.一种基于YOLO11的高精度船舶（ship-obb）检测算法
1）MSAM（CBAM升级版），通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力；2）小目标到大目标一网打尽GPFN；
结构图如下：
编辑
2.1 MSAM（CBAM升级版）
💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力
💡💡💡 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显
💡💡💡提供多种yaml改进方法
2.2 小目标到大目标一网打尽GPFN
本文提出了GiraffeDet用于高效目标检测，giraffe包含轻量space-to-depth chain、Generalized-FPN以及预测网络
FPN旨在对CNN骨干网络提取的不同分辨率的多尺度特征进行融合。上图给出了FPN的进化，从最初的FPN到PANet再到BiFPN。我们注意到：这些FPN架构仅聚焦于特征融合，缺少了块内连接。因此，我们设计了一种新的路径融合GFPN：包含跳层与跨尺度连接，见上图d。
3.如何提升船舶（ship-obb）检测精度
3.1 原始网络性能
实验结果如下：
原始mAP50为0.828
YOLO11-obb summary (fused): 302 layers, 2,689,022 parameters, 0 gradients, 7.3 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 22/22 [00:09<00:00, 2.23it/s] all 342 337 0.805 0.76 0.828 0.436
3.2 小目标到大目标一网打尽GPFN
mAP50从原始的0.828提升至0.847
YOLO11-obb-CSPStage summary: 338 layers, 3,237,662 parameters, 0 gradients, 7.6 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 22/22 [00:10<00:00, 2.13it/s] all 342 337 0.872 0.76 0.847 0.458
结构图如下：
3.3 MSAM加入backbone
mAP50从原始的0.828提升至0.862
YOLO11-obb-MSAM summary (fused): 270 layers, 2,747,968 parameters, 0 gradients, 6.6 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 22/22 [00:09<00:00, 2.44it/s] all 342 337 0.837 0.825 0.862 0.485
结构图如下：
3.4 一种基于YOLO11的高精度船舶（ship-obb）检测算法
mAP50从原始的0.828提升至0.877
YOLO11-obb-MSAM-CSPStage summary: 351 layers, 3,331,712 parameters, 0 gradients, 7.7 GFLOPs Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 22/22 [00:10<00:00, 2.04it/s] all 342 337 0.886 0.795 0.877 0.482
原文：
https://cv2023.blog.csdn.net/article/details/148494926
