yolov8添加P2小目标检测头与添加P6超大目标检测头

已于 2025-08-05 14:40:56 修改
阅读量9 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv8深度学习算法工程师-学习手册 文章标签： YOLO 目标检测 目标跟踪
于 2025-08-03 14:45:00 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.youkuaiyun.com/FJN110/article/details/149880386

在这里插入图片描述
蓝色线条为原模型，绿色线条为优化后的小目标模型，map提升4.5!
在这里插入图片描述

我们先理解什么叫做上下采样、再理解要选择哪一层作为检测头和分辨率越大检测目标越小等问题，然后再来添加小目标检测头就会容易理解很多！

原理介绍

一、上采样（Upsampling）

1. 定义

上采样是指将特征图的空间尺寸变大（例如从 20×20 → 80×80），用来提升图像的分辨率。常见于解码器结构或特征融合中。

2. YOLO 中的上采样

YOLO 使用 nn.Upsample 进行上采样，主要参数有：

nn.Upsample(scale_factor=</
了解本专栏 订阅专栏 解锁全文
yolov5添加P2小目标检测头与添加P6超大目标检测头
FJN110的博客
08-03 9
文章摘要：本文详细解析了YOLO目标检测算法中的上下采样原理与应用。上采样通过插值算法放大特征图（如最近邻插值），用于恢复空间信息；下采样通过步长卷积缩小特征图，提取高级语义特征。YOLO结构中上下采样对称使用，常配合C3模块进行特征整合，其中大分辨率特征图适合检测小目标，小分辨率适合检测大目标。文章还提供了添加4倍小目标检测头的实现思路，通过上采样、特征融合和C3模块构建检测头，并给出YOLOv5模型结构修改的代码示例。最后通过结构图直观展示了各层级的特征传递关系。
检测头篇 | YOLOv8 添加 大目标检测头 | 小目标检测头 | 4头BiFPN
YOLOv8项目贡献者
04-24 1万+
YOLOv8 添加 大目标检测头 | 小目标检测头 🍀新增小目标头加 BiFPN
检测头篇 | YOLOv8改进之添加小目标检测头 / 添加大目标检测头 / 减少检测头
突然好想你
05-25 6713
本文首先给大家展示原始YOLOv8的网络结构图，然后再对其进行改变，即增加小目标检测头、增加大目标检测头和减少检测头。🌈
YOLOv11改进 | Neck篇 | 给yolov11分别增加小目标检测层P2和大目标检测层P6
Snu77的博客
11-06 4139
本文给大家带来的最新改机制是给YOLOv11增加分别增加小目标P2和大目标检测层P6（两个yaml文件），有的读者可能检测的目标是小目标，那么我们增加小目标检测层是非常容易涨点的，或者你的检测目标是图片占比很大的（很少有这样的）那么增加大目标检测层是非常好的选择，本文根据YOLOv8官方提供的P2和P6两个版本yaml文件，进行YOLOv11的参考性移植，大家可以选择P2或者P6作为自己的一个论文创新点.欢迎大家订阅我的专栏一起学习YOLO！
YOLOv5改进（二）-- 目标检测优化点（添加小目标头检测）
qq_44231797的博客
04-14 1万+
YOLOv5优化点，小目标检测
YOLOv11添加P6大目标检测层，其他YOLO算法同理
m0_57201440的博客
05-13 169
【代码】YOLOv11添加P6大目标检测层，其他YOLO算法同理。
YOLOv11改进 | 检测头篇 | 辅助特征融合检测头FASFFHead添加小目标检测头 (让小目标无所遁形、全网独家创新)
Snu77的博客
11-09 4741
本文给大家带来的改进机制是由我独家创新的FASFFHead检测头，我根据ASFFHead检测头(只能用于三头检测)的基础上进行二次创新，解决由于跨尺度融合的特征丢失情况，同时本文的内容全网无第二份，非常适合大家拿来发表论文，该检测头为四头版本，增加小目标检测层或者大目标检测层，在配合上本文的检测头，针对小目标或者大目标进行二次提取，效果非常好。本文的内容也是购买专栏的读者想要四头版本的ASFF检测头，所以我针对这一需求进行了二次创新产生了本文的检测头。
YOLOv11改进 | 融合改进篇 | 利用尺度统一检测头DynamicHead融合P2增加小目标检测层（让小目标无所遁形）
Snu77的博客
11-08 2634
本文给大家带来的最新改进机制是针对性的改进，针对于小目标检测增加P2层针对于大目标检测增加P6层利用DynamicHead(原版本一比一复现，全网独一份，不同于网上魔改版本)进行检测，其中我们增加P2层其拥有更高的分辨率，这使得模型能够更好地捕捉到小尺寸目标的细节。我们增加P6层是一个较低分辨率但具有更大感受野的特征层。对于大尺寸目标，这意味着模型可以更有效地捕捉到整体的结构信息。在这些的基础上我们配合DynamicHead可以使模型根据不同尺寸的目标动态调整其检测策略，进一步提升模型的精度。
目标检测算法——YOLOv7改进|增加小目标检测层
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 2万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
YOLOv8结构深度优化指南：融入注意力机制与定制化模块提升检测性能
QQ_778132974的博客
07-31 118
注意力机制增强特征选择能力优化C2f结构提升特征提取效率动态卷积适应复杂场景变化双向特征金字塔实现多尺度深度融合解耦检测头优化任务分配实验表明，改进模型在COCO数据集上mAP提升7.0%，同时保持实时检测速度。这些模块化改进方案可根据实际需求灵活组合，为不同应用场景提供定制化解决方案。代码实现已开源：https://github.com/username/enhanced-yolov8。
使用yolo11训练饮料瓶盖缺陷检测质量检测数据集VOC+YOLO格式1432张5类别步骤和流程
FL1623863129的博客
08-03 728
训练完成后，最佳权重保存路径为：runs/detect/train/weights/best.pt，如果多次运行命令runs/detect/train2,runs/detect/train3文件夹生成只需要到数字最大文件夹查看就可以找到模型。经过上面训练可以使用模型做一步部署，比如使用onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。
【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
08-01 1343
YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金
YOLO V11 + BotSort行人追踪定位项目
qq_48496633的博客
08-01 848
基于yolo11+botsort的实时多目标追踪定位停留分析
【HZ-T536开发板免费体验】Cangjie Magic调用视觉语言大模型（VLM）真香，是不是可以没有YOLO和OCR了？
研究兴趣：智能物联网、嵌入式系统、人工智能
08-04 883
本文介绍了在T536开发板上交叉编译CangjieMagic框架并调用智谱AI视觉语言模型(VLM)的过程。通过修改配置文件、配置stdx库、安装必要依赖等步骤，成功在开发板部署VLM模型。测试结果显示，该模型能准确识别图像中的公交车车牌信息(鄂B·5C805)，验证了VLM在嵌入式设备上替代传统OCR/YOLO方案的可行性。整个部署过程涉及库文件裁剪(47M)、curl安装等关键操作，为后续开发智能代理(AI Agent)奠定了基础。文章展示了CangjieMagic简化大模型调用的优势，为嵌入式AI应用
YOLOv11 环境配置全流程 | 从零开始搭建训练与推理环境
shrgegrb的博客
07-31 846
YOLOv11环境配置与训练全流程指南 本文详细介绍了YOLOv11目标检测模型的环境配置、训练与推理全流程。内容包括： 环境要求：列出GPU、CUDA、Python等组件的版本要求，提供快速检查脚本 Windows配置： CUDA 12.6和cuDNN 8.9.7安装步骤 使用Conda创建隔离环境 PyTorch GPU版本安装方法 IDE环境配置 Linux配置：提供Ubuntu 22.04下的CUDA、cuDNN安装命令和Conda环境搭建 Docker方案：提供一键式容器化部署命令 训练实战： 数
YOLO12 改进、魔改｜IDC模块，通过将大核卷积分解为高效并行的小核与带状核分支，提高多尺度感知能力。
qq_64693987的博客
07-31 730
摘要：针对大核卷积网络在GPU上内存访问成本高、吞吐量下降的问题，研究者提出InceptionNeXt模块，通过多分支并行结构（3×3小核、正交带状核和恒等映射）分解大核卷积，在保持大感受野的同时提升计算效率。该方法适用于目标检测和语义分割任务，能平衡全局上下文与局部细节捕捉，并已集成到YOLOv12中，通过改进特征提取结构实现速度与精度的双重提升。具体实现包括代码结构修改、模型配置调整及训练流程优化。（149字）
【图像算法 - 06】YOLO 全家桶人体姿态识别完全指南：从 YOLOv8 到 YOLO12 核心原理 + 代码实战，新手入门保姆级教程（附视频详解）
qq_42910179的博客
08-02 1270
人体姿态识别的核心任务是“定位关键点 + 构建骨架”关键点（Keypoints）：人体中具有标志性的位置，如鼻子、肩膀、手肘、手腕、髋部、膝盖、脚踝等（主流数据集通常定义 17 或 21 个关键点）。骨架（Skeleton）：通过连接相邻关键点（如肩膀→手肘→手腕），形成人体肢体结构，从而描述人体姿态。简单类比：如果把人体看作 “木偶”，关键点就是木偶的 “关节”，骨架就是连接关节的 “绳子”，姿态识别就是通过算法找到这些 “关节” 并拉紧 “绳子” 的过程。理论讲完，进入最核心的实战环节。我们以。
复现YOLOV5+训练指定数据集
m0_49629753的博客
08-03 535
2.配置环境：创建虚拟环境yolo5报错：ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.解决方案：按照要求下载对应库文件。4.成功运行coco128数据集。
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现路口车辆速度的追踪识别（C#代码UI界面版）
最新发布
xianzuzhicai的博客
08-04 780
Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现路口车辆速度的追踪识别（C#代码UI界面版）
yolov8增加p6检测层
01-24
### 如何在YOLOv8中添加P6检测层 为了增强大目标的检测能力，可以在YOLOv8架构中引入额外的检测层——即P6层。这不仅有助于提升模型对于不同尺度物体的识别精度，还能够进一步优化多尺度特征融合的效果。 #### 修改配置文件 首先需调整网络结构定义文件（通常是`.yaml`），向其中加入新的路径描述[P6]，确保该层位于现有最高分辨率之上一层的位置[^2]： ```yaml backbone: ... neck: - from: [-1, -3] module: yolov8.BiFPN args: fpn_layers: [P2, P3, P4, P5, P6] # 新增P6作为第五个输出分支 head: ... ``` #### 更新锚框设置 为了让新增加的P6层更好地适应特定尺寸的目标物，应该重新计算适用于此层次的最佳先验框大小分布。可以采用K-means++算法来完成这一过程，并将得到的结果更新到相应的配置项下[^4]。 #### 调整训练参数 考虑到新引入了一个更深层次用于提取更大范围内的上下文信息，可能需要适当延长总的迭代次数或是微调学习率衰减策略以保证整个系统的稳定收敛。此外，由于增加了更多的计算量，建议监控GPU内存占用情况并适时降低batch size防止溢出。 #### 实现代码片段展示 下面给出一段Python伪代码用来说明如何基于上述修改后的配置启动YOLOv8训练流程: ```python from ultralytics import YOLO model = YOLO('yolov8.yaml') # 加载自定义配置好的模型定义 results = model.train(data='coco128.yaml', epochs=100, imgsz=640) # 开始训练指定轮次 ``` 通过以上步骤即可成功实现在YOLOv8基础上扩展支持P6级别的多尺度对象探测功能。
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

博导ai君

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