使用Swin Transformer改进YOLOv5：实现小目标检测

普通网友 普通网友 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.3k累计阅读 1.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-07-23 09:44:59 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

YOLOv5是一种流行的目标检测算法，而Swin Transformer则是一种基于Transformer架构的新兴计算机视觉模型。在本文中，我们将结合这两种方法，通过增加Swin Transformer小目标检测头来改进YOLOv5，以提高在小目标检测任务上的性能。

YOLOv5简介

YOLOv5是YOLO（You Only Look Once）系列目标检测算法的最新版本，它以其高速度和准确性而备受关注。YOLOv5采用了单阶段检测的方法，将目标检测任务转化为一个回归问题，并通过一个卷积神经网络直接输出目标的边界框和类别信息。YOLOv5的设计思路简单直接，使得它在实时应用和嵌入式设备上具有很高的实用性。

Swin Transformer简介

Swin Transformer是一种基于Transformer架构的计算机视觉模型，它引入了一种新的分层机制，将图像分为不同的分块，然后在这些分块上应用Transformer网络。相比于传统的Transformer模型，Swin Transformer在处理大尺寸图像时具有更好的可扩展性和高效性。它通过局部感知性和全局关联性相结合的方式，提高了图像特征的建模能力，从而在许多计算机视觉任务上取得了优秀的性能。

YOLOv5与Swin Transformer的结合

为了改进YOLOv5在小目标检测任务上的性能，我们将引入Swin Transformer的思想，并增加一个Swin Transformer小目标检测头。这个检测头将负责处理小目标的检测

了解本专栏 订阅专栏 解锁全文
标签
#transformer #YOLO #目标检测 #计算机视觉
Swin Trasnformer 新型的Transformer架构，专为计算机视觉任务设计 解决了传统Transformer从自然语言处理迁移到计算机视觉任务时面临的两大问题 Swin Transformer是由微软亚洲研究院在今年公布的一篇利用transformer架构处理计算机视觉任务的论文。Swin Transformer 在图像分类，图像分割，目标检测等各个领域已经屠榜，在论文中，作者分析表明，Transformer从NLP迁移到CV上没有大放异彩主要有两点原因：1. 两个领域涉及的scale不同，NLP的token是标准固定的大小，而CV的特征尺度变化范围非常大。 阅读详情

相关推荐

YOLOv5与Swin Transformer融合的目标检测优化实践

目标检测是计算机视觉中的基础任务，其核心在于精准定位和识别图像中的物体。传统CNN通过局部感受野提取特征，而Transformer则擅长建模长距离依赖关系。将Swin Transformer作为YOLOv5的骨干网络，能够结合两者的优势：CNN的高效局部特征提取和Transformer的全局上下文建模能力。这种混合架构通过跨阶段特征融合、自适应空间金字塔池化等技术创新，显著提升了模型在工业质检等复杂场景下的性能。实验表明，改进后的模型在COCO数据集上mAP提升3.8%，特别适合处理细小缺陷检测和多尺度目标

weixin_29062255的博客 289

ST-YOLO：基于Swin Transformer的红外小目标检测算法

目标检测是计算机视觉的核心任务之一，而红外图像中的小目标检测面临特征提取不足、背景干扰等特殊挑战。通过结合Swin Transformer的全局建模能力和YOLOv6的高效检测框架，ST-YOLO算法创新性地解决了这一难题。该技术在军事侦察、消防救援等场景展现出重要价值，特别是在处理10×10像素以下的微小目标时，检测精度显著提升。算法通过热辐射归一化层、改进窗口注意力机制等设计，有效增强了红外小目标的特征表达。实验表明，ST-YOLO在保持实时性的同时，将小目标检测AP提升至56.1%，为安防监控、边境巡

weixin_33802505的博客 486

改进YOLOv5系列：YOLOv5融合Swin Transformer V2结构

YOLOv5是一系列基于深度学习的目标检测模型，采用单阶段检测的思想，在保持较高准确性的同时实现了较快的检测速度。实验结果表明，该改进模型在常见数据集上取得了较好的性能。YOLOv5是目标检测领域的热门模型，而Swin Transformer V2则是近期提出的一种高效的图像分类模型。通过融合YOLOv5和Swin Transformer V2的结构，我们观察到在检测精度和运行速度方面都取得了一定的提升。我们的目标是融合YOLOv5和Swin Transformer V2的结构，以实现更好的目标检测性能。

IpyVariable的博客 621

YOLOv5改进Swin系列：增加Swin-Transformer小目标检测头

增加一个SwinTransformer检测头结构

包括YOLOv5、YOLOv7、YOLOv8等模型改进 1万+

YOLOv5升级：Swin-Transformer改进小目标检测 多任务让计算机视觉策马奔腾

近年来，深度学习在计算机视觉领域取得了巨大的成功。为了进一步提高小目标检测的性能，我们将探讨一种新的方法，即将Swin-Transformer应用于YOLOv5，并添加一个专门用于小目标检测的头部模块。具体来说，我们将YOLOv5的骨干网络替换为Swin-Transformer，这样就可以利用Swin-Transformer的自注意力机制来获取更大范围的上下文信息。综上所述，我们通过将Swin-Transformer引入到YOLOv5中，并添加一个专门处理小目标的头部模块，成功改进了小目标检测的性能。

JjtlReact的博客 1056

Swin-Transformer小目标检测头在YOLOv5上的优化

Swin-Transformer是一种新型的Transformer模型，相比于传统的Transformer模型，它采用了分层的方式来处理图像信息，从而减少了模型的计算量，同时提高了模型的精度。在本文中，我们将使用Swin-Transformer来设计小目标检测头，以提高YOLOv5在小目标检测方面的能力。通过以上步骤，我们成功实现了基于Swin-Transformer的小目标检测头，并将其应用到了YOLOv5模型中，该模型能够更好地处理小目标检测任务。

带你成为别人眼中的大佬！ 1249

23、基于改进YOLOv5的织物缺陷高效智能检测方法

本文介绍了一种基于改进YOLOv5的织物缺陷检测方法，通过引入滑动窗口多头自注意力机制、Swin Transformer模块、加权双向特征网络和广义焦点损失函数，显著提升了小目标检测能力、检测精度和实时性。实验结果表明，该方法在织物缺陷数据集上准确率达到85.6%，mAP达到76.5%，并具有广泛的应用前景，如工业质检、医疗影像和安防监控等领域。

flower的专栏 104

目标检测YOLO实战应用案例100讲-基于深度学习的自动驾驶车辆三维目标检测方法研究与应用

2.1.1目标检测任务目标检测是计算机视觉以及图像处理领域的一个典型任务，已成为近些年来理论和应用的研究热点。目标检测的主要目的是在图像或图像序列中找出存在的目标并分类，同时精确给出各类目标位置信息。随着计算机软硬件和深度学习理论发展，目标检测已广泛应用于智能安防、智慧医疗、智能交通等领域。根据后续任务的需要，可以将目标检测任务分为三个主要的层次：分类、检测以及分割[11]。与分类任务相比，检测更加注重算法模型对图像前景和背景的理。

qq_36130719的博客 2685

目标检测YOLO实战应用案例100讲-基于端到端的自动驾驶道路环境目标检测（续）

Swin Transformer是一种基于移位窗口机制的分层视觉Transformer，它能够 高效、灵活、强大地提取和表示视觉特征，是一种适用于多种视觉任务的骨干网 络。它的整体架构如图3-3所示，图中，Patch Embedding表示将输入图像分割为 多个小块，并将每个小块的像素值连接成一个向量，作为Transformer的输入序 列。Window Shift表示将窗口沿着对角线方向进行一定距离的移动，从而使 得每个窗口内的向量能够与原来不同的向量进行自注意力计算，实现跨窗口信息 交互。

qq_36130719的博客 502

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YoloV8改进策略：BackBone改进|Swin Transformer赋能YoloV8，性能跃升的新篇章

计算机视觉建模长期以来一直由卷积神经网络 (CNN) 主导。从 AlexNet [38] 及其在 ImageNet 图像分类挑战中的革命性表现开始，CNN 架构通过更大的规模 [29, 73]、更广泛的连接 [33] 和更复杂的卷积形式 [67, 17, 81]。随着 CNN 作为各种视觉任务的骨干网络，这些架构的进步导致了性能改进，从而广泛提升了整个领域。另一方面，自然语言处理 (NLP) 中网络架构的演变采取了不同的路径，如今流行的架构是 Transformer [61]。

m0_47867638的博客 3094

树莓派4B（Raspbian buster系统）安装ROS Melodic（附带网络配置和远程桌面控制说明）

树莓派4B（Raspbian buster系统）安装ROS Melodic（附带网络配置和远程桌面控制说明） 一、硬件准备 二、软件准备 三、安装前的准备工作 四、开始ROS的安装 五、运行小乌龟 由于坑比较多希望大家安装的时候尽量不要跳步进行，一定要等每一步运行成功了再往下进行。 一、硬件准备 1、树莓派4B一个 2、SD卡一张（最好是16G以上的我的是用的64G的） 3、显示器、键盘、鼠标 二、软件准备 1、Raspberryimage （写系统使用的） 链接：https://pan.baidu.com

weixin_45315065的博客 1万+

高阶玩法——Dify生成的数据自动写入mysql数据库

采用自定义工具方式，利用 python编写一个服务sql_save_post，将接收到的内容写入指定数据库的表中，并为该服务撰写一个 OpenAPI 的 schema。配置工作流：我们以写入天气预报为例，在生成天气预报内容后，连接自定义工具“sql_save_post”，将所需的字段配置完成后，实现将生成的内容自动写入mysql数据库中。编写OpenAPI的schema：在dify平台的工具栏目，创建自定义工具，输入工具名称“sql_save_post”。工具：sql_save_post；

qq_44493378的博客 8540

基于STM32的智能交通灯管理系统设计

本项目基于STM32微控制器设计了一个智能交通灯管理系统，通过多个传感器模块实现对交通灯的智能化控制。项目涉及硬件电路设计、传感器数据采集和逻辑控制实现，适用于城市交通路口或小区路口。该基于STM32的智能交通灯系统通过超声波传感器实现了流量监测，结合LED和蜂鸣器实现了自动交通信号控制，适用于城市或社区路口。基于STM32CubeMX生成的框架，编写红绿灯切换、流量监测和蜂鸣器控制的代码。以下为主循环，通过不断读取传感器数据，结合交通灯和蜂鸣器模块实现智能交通灯控制。

2401_88410555的博客 2063

【ComfyUI】FluxKontext 身形调优与体态增强

AI身形调优与体态增强解决方案 该工作流通过Flux系列模型实现人物体态的智能化增强，主要特点包括： 采用UNet主体模型+双文本编码器+身形增强LoRA的架构组合 通过ReferenceLatent保持原始姿态的同时强化胸腰臀比例 完整工作流包含图像加载、文本编码、潜空间映射等8个核心节点 支持自动化的前后效果对比展示 应用优势： 保持人物自然姿态的前提下实现局部强化 支持通过Prompt精确控制增强方向 适用于摄影后期、角色美化等创作场景 输出效果稳定且风格统一 使用方

Mr数据杨 1299

Linux C/C++ or 嵌入式面试之《C/C++笔面试系列》(10) C++ 前置后置增减运算符重载形式与比较

C语言的++、–运算符在此不讨论。 文章目录1、前置后置增减运算符重载的形式2、前置和后置运算符的性能比较 1、前置后置增减运算符重载的形式 自增运算符“++”和自减运算符“–”分别包含两个版本。即运算符前置形式(如 ++x)和运算符后置形式(如 x++)，这两者进行的操作是不一样的。因此，当我们在对这两个运算符进行重载时，就必须区分前置和后置形式。C++根据参数的个数来区分前置和后置形式。如果按照通常的方法来重载 ++ 运算符(即作为成员函数重载时不带参数，或者作为非成员函数重载时带有一个参数)，那么重载

二进制君 5831

【Qwen2微调实战】LLaMA-Factory框架对Qwen2-7B模型的微调实践

在人工智能的浪潮中，大型语言模型（LLMs）正逐渐成为研究和应用的热点。它们在自然语言处理（NLP）的各个领域，如文本生成、翻译、问答等任务中展现出了卓越的能力。Qwen2-7B模型，作为该领域的佼佼者，不仅因其庞大的参数量和强大的表示能力受到关注，更因其在微调后能够更好地适应特定任务而备受关注。本文将详细介绍如何利用LLaMA-Factory这一高效的微调框架对Qwen2-7B进行微调，以期达到提升模型在特定任务上的表现。

寻道AI，探索AI无限可能！ 2万+

Visual Studio调试技巧与实用方法总结（实战经验分享）

本文根据多年的项目实战经验，详细介绍一些Visual Studio常用的高效调试手段与技巧。

dvlinker的技术专栏 3万+

置顶必读(2) |《YOLOv8实战：从入门到深度优化》总目录导航 & 学习路线指南（持续更新中）

🏆 本文收录于 《YOLOv8实战：从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例（当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向），坚持持续更新 + 深度解析，质量分长期稳定在 97 分以上，可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 28万+

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
上一篇： YOLOv7: 最新MobileOne重参数化结构 - 苹果最新移动端高效Backbone主干网络模型
下一篇： 计算机视觉编程：Python实现基本图像操作和处理
点赞 0
评论 0
书签 书签 1
普通网友
普通网友
博客等级 码龄3年 42粉丝 0原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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