YOLOv8改进 | Conv篇 | 添加DiverseBranchBlock多元分支模块（有效涨点，重参数化模块高效推理）

已于 2024-03-18 10:04:58 修改
阅读量6.8k 收藏 36
点赞数 45
分类专栏： YOLOv8有效涨点专栏 文章标签： 深度学习 人工智能 计算机视觉 YOLO pytorch python 目标检测
于 2023-12-08 08:00:00 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/java1314777/article/details/134864265
版权
本文介绍了如何在YOLOv8中添加Diverse Branch Block（DBB）以增强模型性能。DBB利用多样化分支结构增加训练时的复杂性，但在推理时通过转换保持高效。通过手把手教程，详细讲解了DBB的原理、代码实现和添加方法，并提供了不同配置的yaml文件供训练参考。尽管GFLOPs有所增加，但实验证明DBB能有效提高模型的特征表示能力。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

本文带来的改进机制是YOLOv8模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv8的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.4。

推荐指数：⭐⭐⭐⭐

打星原因：为什么打四颗星是因为我觉得这个机制的计算量会上涨，这是扣分点，其次涨幅效果也比较一般但是有涨点，当然可能是数据集的原因毕竟不同的数据集效果不同

专栏目录：YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、Diverse Branch Block原理

2.1 Diverse Branch Block的基本原理

2.2 多样化分支结构

 2.3 训练与推理分离

2.4 宏观架构不变

三、Diverse Branch Block的核心代码

四、手把手教你添加Diverse Branch Block机制

4.1 Diverse Branch Block的添加教程

4.1.1 修改一

4.1.2 修改二 

4.1.3 修改三 

4.1.4 修改四 

4.2 Diverse Branch Block的yaml文件和训练截图

4.2.1 Diverse Branch Block的yaml版本一(推荐)

4.2.2 Diverse Branch Block的yaml版本二

4.2.3Diverse Branch Block的yaml版本三

4.2.2 Diverse Branch Block的训练过程截图 

了解本专栏 订阅专栏 解锁全文
【YOLOv11改进 - 卷积Conv】Diverse Branch Block（DBB）：多样分支模块
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
10-28 503
【YOLOv11改进 - 卷积Conv】Diverse Branch Block（DBB）：多样分支模块
DiverseBranchBlock:多样的分支块
03-27
多元分支程序块：将卷积构建为类似初始的单元（PyTorch）（CVPR-2021） 这是PyTorch的实现。 MegEngine版本位于 论文： : 将很快更新整个仓库。 更新：发布了DiverseBranchBlock。 重构转换代码。 将在几个小时后释放。 有时我称其为ACNet v2，因为'DBB'比ASCII中的'ACB'大2位。 （哈哈）
结构重参数化之三：Diverse Branch Block
00000cj的博客
04-04 8150
paperDiverse Branch Block: Building a Convolution as an Inception-like Unit codehttps://github.com/DingXiaoH/DiverseBranchBlock 前言 有了前两篇文章ACNet和RepVGG的铺垫，本文就忽略背景介绍，直接进入核心内容的讲解。本文首先总结了六种不同的结构重参数化的转换方法，然后借鉴Inception的多分支结构提出了一种新的building block：Di...
网络参数重组论文四（Diverse Branch Block）
蓝鲸鱼的博客
10-05 2010
本系列文章介绍一种最近比较火的设计网络的思想，即利用网络的重参数化（意义在于训练时间模型有一组参数，而推理时间模型有另一组参数），把多层合成一层，进行网络加速。 Diverse Branch Block: Building a Convolution as an Inception-like Unit中了介绍一些可以用于参数重组的变换，可以根据这些变换组合成为一个可替代卷积层的模块，在训练过程中使用这些复杂的模块，在测试过程中将模块参数重组为简单的卷积。 1. 6种参数变换 在文中，作者总结了6种变换来对D
引领未来AI的魔力方块：多样化分支块（Diverse Branch Block）深度解析
gitblog_01170的博客
08-23 646
引领未来AI的魔力方块：多样化分支块（Diverse Branch Block）深度解析 DiverseBranchBlock项目地址:https://gitcode.com/gh_mirrors/di/DiverseBranchBlock 在深度学习领域，构建高效且强大的神经网络一直是研究者们不懈追求的目标。今天，我们带您深入了解一项创新技术——Diverse Branch Block (DB...
YOLOv10改进 | Conv篇 | 添加DiverseBranchBlock多元分支模块（有效涨点，重参数化模块高效推理）
Snu77的博客
07-09 1333
本文带来的改进机制是YOLOv10模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv10的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.04。⭐⭐⭐⭐。
YOLOv11改进 | Conv篇 | 重参数化多元分支模块DiverseBranchBlock二次创新C3k2（有效涨点，重参数化模块高效推理）
Snu77的博客
10-31 1810
本文带来的改进机制是YOLOv11模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv11的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.04。
YOLOv5改进 | Conv篇 | DiverseBranchBlock(DBB)多元分支模块（有效涨点）
Snu77的博客
12-20 2578
本文带来的改进机制是YOLOv5模型与多元分支模块（Diverse Branch Block）的结合，Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。我将其放在了YOLOv5的不同位置上均有一定的涨点幅度，同时这个DBB模块的参数量并不会上涨太多，我添加三个该机制到模型中，GFLOPs上涨了0.04。⭐⭐⭐⭐。
DiverseBranchBlock 开源项目教程
gitblog_00689的博客
08-21 344
DiverseBranchBlock 开源项目教程 DiverseBranchBlock项目地址:https://gitcode.com/gh_mirrors/di/DiverseBranchBlock 1. 项目的目录结构及介绍 DiverseBranchBlock 项目的目录结构如下： DiverseBranchBlock/ ├── configs/ │ └── example_conf...
【重参数化】《Diverse Branch Block: Building a Convolution as an Inception-like Unit》 2021
u010087277的博客
04-08 4221
摘要：我们提出一种通用的卷积网络构造块用来在不增加任何推理时间的前提下提升卷积网络的性能。我们将这个块命名为分离分支块（Diverse Branch Block）。通过结合不同尺寸和复杂度的分离分支（包括串联卷积、多尺度卷积和平均池化层）来增加特征空间的方法，它提升了单个卷积的表达能力。完成训练后，一个DBB(Diverse Branch Block)可以被等价地转换为一个单独的卷积操作以方便部署。不同于那些新颖的卷积结构的改进方式，DBB让训练时微结构复杂化同时维持大规模结构，因此我们可以将它作为任意结构
YOLOv5改进 | 多尺度特征提取 | 结合多样分支块及融合的高级设计（CVPR2021）
qq_44224801的博客
08-04 1802
YOLOv5改进 | 多尺度特征提取 | 结合多样分支块及融合的高级设计（CVPR2021）
【RT-DETR有效改进】重参数化模块DiverseBranchBlock助力特征提取（附代码 + 修改教程）
Snu77的博客
02-08 1486
本文给大家带来的是改进机制是一种替换多元分支模块（Diverse Branch Block），Diverse Branch Block (DBB) 是一种用于增强卷积神经网络性能的结构重新参数化技术。这种技术的核心在于结合多样化的分支，这些分支具有不同的尺度和复杂度，从而丰富特征空间。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，
DiverseBranchBlock: “无痛涨点”的ACNet再进化，清华大学&旷视科技提出Inception类型的DBB
程序员深度学习
03-27 642
1. 摘要 本文提出一种可以提升CNN性能且“推理耗时无损”的通用模块组件，我们将其称之为Diverse Branch Block(DBB)，它通过组合不同尺度、不同复杂度的分支(不同分支采用卷积序列、多尺度卷积或者均值池化)丰富特征空间的多样性达到提升单个卷积(注：推理时合并为单个卷积)表达能力的目的。一旦完成训练，一个DBB可以等价地转换为单个卷积以方便布署。 不同于ConvNet架构的推陈出新，DBB在训练时采用了复杂的“微结构”且保持网络整体结构不变；而在推理/部署时，DBB这种复杂结构可以等价转.
YOLOv11改进，YOLOv11检测头融合DiverseBranchBlock(多样分支块)，并添加小目标检测层（四头检测），适合目标检测、分割等任务
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
01-20 880
YOLOv11检测头融合DiverseBranchBlock(多样分支块)，并添加小目标检测层（四头检测）。多样分支块（DiverseBranchBlock）的代表性设计如下图所示（摘自论文）：1.DiverseBranchBlock(DBB)采用多分支拓扑结构，包括多尺度卷积、顺序1×1-K×K卷积、平均池化和分支相加。这些具有不同感受野和复杂度的路径操作可以丰富特征空间，就像Inception架构一样。2.DiverseBranchBlock(DBB)可以在推理时等效地转换为单个卷积。
【6-4】YOLOv10添加【Axial Attention】【HaloAttention】等注意力机制 【超30种先进模块随心选】【注意力机制篇】
up主为在读研究生，从事cv研究4余年，绝对靠谱。
07-04 1174
Axial Attention 是一种高效的注意力机制，专门设计用于多维数据如图像和视频。它通过分解高维注意力操作，分别在各个轴上执行，从而减少计算复杂度并提高模型的效率。Axial Attention 的核心思想是将多维注意力分解为一系列一维的注意力操作，这样可以显著降低计算成本，同时保持全局上下文信息的捕获能力。对于一个二维特征图（例如图像），Axial Attention 分别在水平轴和垂直轴上计算注意力。
YOLOv8 | 卷积模块 | 即插即用的可变核卷积AKConv【附代码+小白可上手】
kay_545
05-24 1053
YOLOv8创新，yolov8改进，yolov8
YOLOv10改进 | Conv篇 | YOLOv10引入SAConv模块
tsg6698的博客
06-16 338
在本文中，我们在目标检测的主干设计中探索了这种机制。在 COCO test-dev 上，DetectoRS 在目标检测方面实现了最先进的 55.7% 框 AP，在实例分割方面实现了 48.5% 的掩模 AP，在全景分割方面实现了 50.0% PQ。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~3.3 在tasks.py里引用。
YOLOv8改进 | 注意力机制 | 添加Deformable-LKA
最新发布
03-12
### 将注意力机制与 Deformable-LKA 集成至 YOLOv8 #### 1. 注意力机制简介 注意力机制允许模型聚焦于输入数据的关键部分，从而提高特定任务的表现。对于目标检测而言，这有助于更好地捕捉物体边界和细节。 #### 2. Deformable-LKA 组件解析 Deformable-LKA 是一种结合了大卷积核的感受野优势与可变形卷积灵活性的新型注意力模块[^3]。它能够动态调整卷积操作的位置偏移量，使得网络可以灵活应对不同尺度的目标对象及其变化形态。 #### 3. 在 YOLOv8 中集成 Deformable-LKA 为了在 YOLOv8 上实现该功能，需按照如下方式修改架构： - **替换原有层**：将原有的标准卷积层替换成带有 Deformable-LKA 的版本。 - **位置选择**： - 对于 C2f 层次结构中的某些中间特征图应用此机制； - 或者是在最终预测头部之前加入额外的一层或多层含有 Deformable-LKA 的组件。 ```python from yolov8.models import * import torch.nn as nn class DeformConvWithLKA(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=7, stride=1, padding=3): super().__init__() self.offset_conv = nn.Conv2d(in_channels, 2 * (kernel_size**2), kernel_size=kernel_size, stride=stride, padding=padding) self.deform_conv = ModulatedDeformConvPack( in_channels=in_channels, out_channels=out_channels, kernel_size=(kernel_size,kernel_size), stride=stride, padding=padding, dilation=1, deform_groups=1) def forward(self,x): offset=self.offset_conv(x).clamp(-max_offset,max_offset) output=self.deform_conv(x,offset) return output ``` 上述代码展示了如何创建一个基于 PyTorch 的 `ModulatedDeformConvPack` 来构建具有 LKA 功能的新类 `DeformConvWithLKA`[^4]。 #### 4. 训练配置调整 当引入新的组件后，可能还需要相应地调整超参数设置，比如学习率、批量大小等，以确保最佳收敛性和泛化能力。 #### 5. 性能评估 经过这些改动之后，应该使用合适的指标（如 mAP）来衡量改进前后系统的差异，并通过对比实验验证所做更改的有效性[^1]。
评论 3
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

Snu77

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