YOLOv5改进 | Conv篇 | DiverseBranchBlock(DBB)多元分支模块（有效涨点）

已于 2024-04-21 20:17:23 修改
阅读量2.5k 收藏 32
点赞数 18
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 python 目标检测 pytorch
于 2023-12-20 06:00:00 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/135050752
版权
本文详细介绍了如何在YOLOv5中应用Diverse Branch Block (DBB)，这是一种增强卷积神经网络性能的技术。DBB通过训练时的复杂分支结构增加特征表达能力，而在推理时转换为单一卷积层，保持高效。文章涵盖了DBB的基本原理、多样化分支结构、训练与推理分离以及如何在YOLOv5中添加DBB的详细步骤，包括代码和yaml配置文件的修改。实验表明，DBB能有效提升YOLOv5的性能，推荐在残差连接、Neck部分和检测头前添加DBB模块。

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。

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

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

训练结果对比图-> 

​

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的完整代码

四、手把手教你添加Diverse Branch Block机制

4.1 细节修改教程

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 DBB的yaml文件(仔细看这个否则会报错)

4.2.1 DBB的yaml文件一

4.2.2 DBB的yaml文件二

4.2.3 DBB的yaml文件三

了解本专栏 订阅专栏 解锁全文
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）
Snu77的博客
12-08 6820
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。⭐⭐⭐⭐。
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）
特征融合超强突破！准确率超99%，简直封神！
2401_88556812的博客
04-10 974
特征融合（Feature Fusion）作为机器学习与模式识别领域的核心研究方向之一，旨在通过多源、多模态或多层次特征的协同整合，提升模型的表征能力和泛化性能。语义对齐匹配模块（Semantics Aligner）：设计了一个插件模块，将目标查询和编码图像特征投影到相同的特征嵌入空间，使目标查询能够更容易地与具有相似语义的相关区域匹配。兼容性：SAM-DETR++作为一种插件模块，可以轻松集成到现有的DETR收敛解决方案中，与其他方法（如SMCA-DETR和DN-DETR）结合使用时，性能进一步提升。
结构重参数化之三：Diverse Branch Block
00000cj的博客
04-04 8149
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...
【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。
10-28 502
【YOLOv11改进 - 卷积Conv】Diverse Branch Block（DBB）：多样分支模块
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 1809
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。
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
08-23 645
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...
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 4218
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 1801
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 1485
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
01-20 879
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 1050
YOLOv8创新，yolov8改进，yolov8
c2f-dbb模块结构
最新发布
04-29
<think>嗯，用户想了解C2f-DBB模块的结构组成。首先我需要回忆一下之前的引用内容。根据引用[1]，C2f-DBB是YOLOv8中C2f模块的改进版本，替换成了C2f-DBB模块，通过叠加和融合小模块来增加深度，降低计算成本，同时提升分辨率和捕获更多上下文信息。还有引用[4]提到DBB是多元分支模块，结合不同尺度和复杂度的分支，属于重参数化技术。 C2f模块原本的结构是怎样的呢？YOLOv8的C2f可能类似于C3模块，但可能有更多的分支或更复杂的连接。C3模块通常包含多个Bottleneck模块，而C2f可能在此基础上有所变化。现在替换为DBB模块，所以需要理解DBB的结构。 根据引用[2]，DBB模块设计时考虑了与现有架构的兼容性，比如ResNet，所以应该能直接嵌入而不改变宏观结构。引用[4]提到DBB有多个分支，包括不同卷积核大小、深度可分离卷积等，训练时多分支，推理时重参数化为单一卷积。 所以C2f-DBB应该是在C2f的基础上，将原有的卷积或Bottleneck替换为DBB模块。可能的结构是：输入先经过一个卷积层，然后分成多个分支，每个分支是不同的DBB结构，比如3x3卷积、1x3+3x1卷积组合、深度可分离卷积，或者池化层等。这些分支的输出会被拼接（concat）起来，再经过另一个卷积层进行融合，最后可能还有残差连接。 另外，引用[1]提到叠加模块并连续融合每个小模块，可能意味着每个小模块都是DBB的一个分支，或者多个DBB模块堆叠。而引用[3]中的iRMB模块使用了倒置残差和EMA注意力机制，可能DBB模块也结合了类似的注意力机制，但根据引用[4]，DBB更注重多分支结构。 需要确认的是，C2f-DBB是否在C2f的每个子模块中使用DBB代替原来的Bottleneck？例如，原来的C2f可能有多个Bottleneck，现在替换成多个DBB模块，每个DBB内部包含多个分支，训练时多分支，推理时合并。 因此，C2f-DBB的结构可能包括以下几个部分：输入进入一个基础卷积层，然后分成多个分支，每个分支处理不同的特征，最后合并并经过最后的卷积。同时，由于是重参数化模块，训练时有多个分支，推理时合并成单一结构，减少计算量。 可能的结构步骤是：输入→1x1卷积降维→多个DBB分支（如3x3卷积、1x3+3x1组合、深度可分离卷积、池化+1x1卷积）→拼接各分支输出→1x1卷积升维→残差连接（如果有的话）。 此外，引用[1]提到增加了结构深度但以更低计算成本实现更高分辨率，所以可能DBB模块通过多分支结构有效提取多尺度特征，同时重参数化减少推理时的计算量。 总结下来，C2f-DBB模块的结构组成包括基础卷积层、多分支DBB结构、特征拼接、融合卷积，以及可能的残差连接。每个DBB分支有不同的卷积操作，训练时保持多分支，推理时合并，从而平衡训练效果和推理效率。</think>### C2f-DBB模块结构组成解析 C2f-DBB模块是YOLOv8中C2f模块的改进版本，通过集成**Diverse Branch Block（DBB）**[^4]实现性能提升。其核心结构可分为以下部分： --- #### 1. **基础卷积层** - **功能**：输入特征图的通道调整和初步特征提取 - **组成**： - 1×1卷积层：用于通道降维或升维 - 批归一化（BatchNorm）和激活函数（如SiLU） - **数学表示**： $$F_{\text{base}} = \text{Conv}_{1\times1}(X)$$ --- #### 2. **多元分支结构（DBB核心）** 包含4类并行分支[^4]，训练时独立运行： 1. **主分支**： - 3×3标准卷积 - 公式：$B_1 = \text{Conv}_{3\times3}(F_{\text{base}})$ 2. **组合卷积分支**： - 1×3卷积 → 3×1卷积（等效于3×3感受野） - 公式：$B_2 = \text{Conv}_{1\times3}(\text{Conv}_{3\times1}(F_{\text{base}}))$ 3. **深度可分离卷积分支**： - 深度卷积（DWConv） → 点卷积（PWConv） - 公式：$B_3 = \text{PWConv}(\text{DWConv}(F_{\text{base}}))$ 4. **池化分支**： - 平均池化 → 1×1卷积 - 公式：$B_4 = \text{Conv}_{1\times1}(\text{AvgPool}(F_{\text{base}}))$ --- #### 3. **特征融合与重参数化** - **训练阶段**： - 多分支输出直接相加： $$F_{\text{fuse}} = B_1 + B_2 + B_3 + B_4$$ - **推理阶段**： - 通过结构重参数化将多分支合并为单3×3卷积[^2] - 公式： $$W_{\text{fused}} = W_1 + W_2^{\text{comb}} + W_3^{\text{dw-pw}} + W_4^{\text{pool}}$$ （其中$W$表示卷积核参数） --- #### 4. **残差连接与最终输出** - 引入短路连接增强梯度流： $$F_{\text{out}} = F_{\text{base}} + F_{\text{fuse}}$$ - 最终通过1×1卷积调整通道数，与原始C2f模块输出对齐 --- ### 结构优势分析 1. **多尺度特征融合**：并行分支捕获不同粒度的上下文信息[^1] 2. **计算效率**：重参数化技术降低推理时计算成本（GFLOPs仅增加0.04）[^4] 3. **兼容性**：保持YOLO宏观架构不变，可直接替换原C2f模块[^2]
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