<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Z1986185459的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Z1986185459</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Z1986185459]]></copyright><item><title><![CDATA[Mamba-YOLO训练方法2]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/151751446</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/151751446</guid><author>Z1986185459</author><pubDate>Tue, 16 Sep 2025 10:46:01 +0800</pubDate><description><![CDATA[创不创环境无所谓，在base下也可以完成。]]></description><category></category></item><item><title><![CDATA[Mamba-YOLO的训练踩坑记录]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/148419689</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/148419689</guid><author>Z1986185459</author><pubDate>Wed, 04 Jun 2025 09:48:34 +0800</pubDate><description><![CDATA[到这一步之后，环境的配置应该是可以顺利解决了。然后就和yolo一样，数据集yaml文件的路径修改，模型配置yaml中类别的修改，然后就是训练文件的修改，原始文件中，一些数值很大不利于我们的训练。最近使用服务器跑了Mamba-YOLO，但是在配置环境的时候花费了很长的时间才解决，所以进行记录，同时也希望有缘人可以刷到，节约他们的时间，将精力花费在模型的改进等方面，而不是将时间花费在配置环境上面。vim和mamba-yolo都要下载，因为我是先按照网上配置了vim的环境，然后配置的mamba-yolo的环境。]]></description><category></category></item><item><title><![CDATA[YOLO-World：实时开放词汇目标检测]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/147711644</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/147711644</guid><author>Z1986185459</author><pubDate>Mon, 05 May 2025 13:38:01 +0800</pubDate><description><![CDATA[(a)传统的目标检测器，只能检测由训练数据集预先定义的固定词汇中的对象，固定词汇限制了开放场景的扩展，（b）之前的开放词汇检测器，倾向于开发大型重量级的检测器用于开放词汇检测，同时将图像和文本作为输入进行预测，这对于实际应用是耗时的，（c）轻量级检测器强大的开放词汇性能，不再使用在线词汇，而是提出了一种提示-检测范式，用于高效的推理，用户根据提示生成一系列提示，这些提示将被编码为离线词汇，可以重新参数化为模型的权重来部署和进一步实现加速。ti是区域Bi对应的文本，ti可以是类别名称，名词短语或者物体描述。]]></description><category></category></item><item><title><![CDATA[自适应稀疏卷积与全局上下文增强用于无人机图像上的快速目标检测]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/147703784</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/147703784</guid><author>Z1986185459</author><pubDate>Sun, 04 May 2025 22:30:27 +0800</pubDate><description><![CDATA[首先开发了一种上下文增强的分组归一化（CE-GN）层，通过用全局上下文替换基于稀疏采样特征的统计，然后设计了一种自适应多层掩码策略，来生成不同尺度下的最佳掩码比率，实现紧凑的前景覆盖，从而提高准确率和效率。为了解决这个问题，尝试通过插值恢复周围的上下文，提出一种叫CESC的模块，利用焦点信息和全局上下文进行增强，同时提高后续计算的稳定性，对特征图Xi进行点卷积，生成全局上下文特征Gi，由于SC只处理Xi中的少量元素，Gi在多次SC之后变得稳定，无需额外的计算成本。本文提出：全局上下文增强自适应卷积（]]></description><category></category></item><item><title><![CDATA[yolov9：使用可编程梯度信息学习你想学习的内容]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/139399341</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/139399341</guid><author>Z1986185459</author><pubDate>Mon, 03 Jun 2024 11:25:26 +0800</pubDate><description><![CDATA[摘要：

  现在的深度学习主要关注于如何设计最合适的目标函数，使得模型的预测结果能够最接近真实情况。同时，必须设计一个适当的架构，可以帮助获取足够的信息进行预测。现在的方法活路了一个事实，当输入的数据经过逐层的特征提取和空间变换之后，大量的信息就会丢失。本文研究数据通过深度网络传输时数据丢失的重要问题，提出可编程梯度信息（PGI）来应对深度网络实现多个目标所需的各种变换。PGI可以为目标任务计算目标函数提供完整的输入信息，从而获得可靠的梯度信息来更新网络权值。此外，还设计了一种基于梯度路径规划的新型轻]]></description><category></category></item><item><title><![CDATA[YOLOv9 用于儿童手腕创伤 X 射线图像中的骨折检测]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/138803868</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/138803868</guid><author>Z1986185459</author><pubDate>Mon, 13 May 2024 16:19:10 +0800</pubDate><description><![CDATA[Moon提出了基于YOLOX模型的计算机辅助面部骨折诊断（CA-FBFD）系统，有效减少了医生在面部CT扫描中诊断面部骨折的工作量，虽然YOLO系列模型在医学图像识别上面是一个热门的研究话题，但是没有人将YOLOv9用在骨折检测方面。深度学习技术在医学图像中的应用[1-4]已经取得了越来越令人满意的结果，使其成为流行的研究热点，特别是在骨折检测方面[5-7]。2.本文采用YOLOv9算法解决X射线图像断裂检测中的信息丢失问题，旨在在低特征X射线图像的模型训练过程中保留更多信息，提高模型的性能。]]></description><category></category></item><item><title><![CDATA[An Improved YOLOv8 Algorithm for Rail SurfaceDefect Detection：改进的YOLOv8钢轨表面缺陷检测算法]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/137816805</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/137816805</guid><author>Z1986185459</author><pubDate>Wed, 17 Apr 2024 16:20:42 +0800</pubDate><description><![CDATA[摘要：

针对铁路轨道表面缺陷检测中小目标和密集遮挡目标检测带来的问题，提出一种基于YOLOv8模型的铁路轨道缺陷检测算法。

1、使用SPD-Conv替换原始YOLOv8n中的卷积，来增强模型对中小目标的关注，同时保留原始网络的结构。

2、其次，我们将EMA注意力机制集成到neck中，使得模型能够利用不同层级的信息来提高特征表达能力。

3、最后，我们使用Focal-SIoU损失函数代替原始的CIoU函数，调整正负样本的权重，对难以分类的样本进行更加严厉的惩罚。

这一增强功能提高了模型准确识别具有挑战]]></description><category></category></item><item><title><![CDATA[The improved YOLOv8 algorithm based on EMSPConvand SPE‑head modules：基于EMSPConv和SPE-head模块的改进YOLOv8算法]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/137223153</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/137223153</guid><author>Z1986185459</author><pubDate>Mon, 01 Apr 2024 15:20:32 +0800</pubDate><description><![CDATA[摘要：

针对大多数作物叶病检测算法模型复杂度高、泛化能力低、检测性能欠佳的挑战，本文提出了一种轻量级增强型YOLOv8算法。首先，通过结合 GhostNet 减少特征冗余的优点和 MobileNet 使用组卷积概念融合不同通道特征的能力，增强了主干网络。这提高了网络从大量相似的冗余特征图中提取关键特征的能力。其次，为了提高检测精度，同时减少模型参数和计算量，本文引入了 slim-Neck 模块。最后，针对检测头参数和计算量占模型一半以上的问题，论文利用共享参数的概念重构了检测头，并集成了增强多尺度信息识别]]></description><category></category></item><item><title><![CDATA[RCS-YOLO：用于脑肿瘤的快速、高准确的检测]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/137145313</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/137145313</guid><author>Z1986185459</author><pubDate>Sun, 31 Mar 2024 14:53:48 +0800</pubDate><description><![CDATA[OSA的2.1，如图3所示。为了评估所提出的RCS-YOLO模型，我们使用了2020年脑肿瘤检测数据集（Br35H）[3]，“train”和“val”两个文件夹中共有701张图像，其中500张图像是“train”选择“val”文件夹中的其他201张图像作为训练集，而“val”文件夹中的其他201张图像作为测试集。尽管许多先进的CNN可以提供更高的精度，但复杂的多分支设计（例如ResNet中的残差加法和Inception中的分支串联）使得模型很难去实施和定制，降低了推理速度并且减少了内存的利用率。]]></description><category></category></item><item><title><![CDATA[BGF-YOLO：增强型 YOLOV8 与多尺度注意力特征融合，用于脑肿瘤检测]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/137051741</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/137051741</guid><author>Z1986185459</author><pubDate>Wed, 27 Mar 2024 10:31:32 +0800</pubDate><description><![CDATA[BiFPN、AFPN、GFPN的结构是为了能够快速地将特征融合到各个层次上，并通过增加更多的层次来提高特征融合的效果，以满足不同层次特征融合的需要。我们对回归损失的影响进行了消融研究，包括计算两个轴对齐矩形之间的距离的广义 IoU (GIoU)  、距离 IoU (DIoU)  的最佳目标小于 CIoU ，高效 IoU (EIoU) 明确测量三个几何因素的差异，Scylla-IoU (SIoU) 重新定义了惩罚指标，WIoU v3 是基于两层注意力的动态非单调聚焦机制回归损失函数。]]></description><category></category></item><item><title><![CDATA[YOLOv5和YOLOv8中隐藏标签，只显示检测框的方法]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/137048209</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/137048209</guid><author>Z1986185459</author><pubDate>Tue, 26 Mar 2024 16:24:57 +0800</pubDate><description><![CDATA[在我们平时发表论文的过程中，会遇到这样的需求，在进行推理的时候，仅需要在推理图片上面显示出检测框。不需要显示标签信息，尤其是在目标众多的时候，标签之间相互遮挡，使得图片的质量下降。话不多说，怎么实现这个过程，见下面步骤。在这个文件下面找到下面标红这一行，注释掉，然后进行推理，就不会有标签信息了。v5就比较简单了，网上有很多。这边我也列出来吧，方便大家使用。然后将hide-labels改为True就可以。在v5工程根目录下找到detect.py文件。就可以实现和上面v8一样的效果了。]]></description><category></category></item><item><title><![CDATA[ASF-YOLO：一种基于注意力尺度序列融合的细胞实例分割YOLO模型]]></title><link>https://blog.youkuaiyun.com/Z1986185459/article/details/136660554</link><guid>https://blog.youkuaiyun.com/Z1986185459/article/details/136660554</guid><author>Z1986185459</author><pubDate>Tue, 26 Mar 2024 15:33:27 +0800</pubDate><description><![CDATA[摘要：

我们提出了一种基于注意力尺度序列融合的ASF-YOLO框架，该框架融合了空间和尺度特征，来实现快速准确的细胞实例分割。建立在YOLO分割框架上面，采用多尺度序列特征融合模块（SSFF）模块来增强网络的多尺度信息提取能力，采用三重特征编码器（TPE）模块来融合不同尺度的特征映射，增加详细信息。我们引入了通道和位置注意力机制（CPAM）来继承SSFF模块和TPE模块，它关注于信息通道和空间位置相关的小物体，以此来提高检测和分割性能。在两个细胞数据集上的实验表现了提出的ASF-YOLO模型的卓越的分割准]]></description><category></category></item></channel></rss>