YOLOv5改进 | 主干篇 | 利用SENetV2改进网络结构 (全网首发改进)

已于 2024-01-14 02:09:21 修改
阅读量2.2k 收藏 28
点赞数 17
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 人工智能 深度学习 python 计算机视觉 目标检测 pytorch
于 2023-12-28 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/135228895
本文详述如何在YOLOv5中结合SENetV2，提升目标检测性能。SENetV2通过Squeeze-and-Excitation操作增强通道间的关系，实现在不大幅增加参数量的前提下提升模型表现。文中提供了SENetV2的框架原理、核心代码、详细修改教程、yaml配置文件及成功运行截图，指导读者在YOLOv5的残差连接、neck部分和检测头等位置灵活应用SENetV2。

 一、本文介绍

本文给大家带来的改进机制是SENetV2，其是2023.11月的最新机制(所以大家想要发论文的可以在上面下点功夫)，其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型，而是一个可以和现有的任何一个模型相结合的模块(可以看作是一种通道型的注意力机制但是相对于SENetV1来说V2又在全局的角度进行了考虑)。在SENet中，所谓的挤压和激励（Squeeze-and-Excitation）操作是作为一个单元添加到传统的卷积网络结构中，如残差单元中(后面我会把修改好的残差单元给大家大家直接复制粘贴即可使用)亲测大中小三中目标检测上都有一定程度的涨点效果。

推荐指数：⭐⭐⭐⭐⭐

涨点效果：⭐⭐⭐⭐⭐

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新 

目录

 一、本文介绍

 二、SENetV2框架原理

三、SENetV2核心代码

  四、手把手教你添加SENetV2网络结构

修改一

修改二

修改三

修改四

修改五

修改五 

修改六 

修改七

五、SENetV2的yaml文件

六、成功运行记录 

七、本文总结

 二、SENetV2框架原理

​

论文地址：官方论文地址点击即可跳转

代码地址：官方代码地址点击即可跳转

了解本专栏 订阅专栏 解锁全文
YOLOv5改进实战（导读篇） | YOLOv5 7.0 网络结构超详细解读
w94ghz的博客
09-21 1万+
YOLOv8改进 | 主干篇 | 利用SENetV2改进网络结构 (全网首发改进)
Snu77的博客
12-25 7341
本文给大家带来的改进机制是SENetV2，其是2023.11月的最新机制(所以大家想要发论文的可以在上面下点功夫)，其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型，而是一个可以和现有的任何一个模型相结合的模块(可以看作是一种通道型的注意力机制但是相对于SENetV1来说V2又在全局的角度进行了考虑)。在SENet中，所谓的挤压和激励（Squeeze-and-Excitation）操作是作为一个单元添加到传统的卷积网络结构中，如残差单元中。
【目标检测】YOLOv5：修改自己的网络结构
兴趣使然的创作者
04-15 7150
YOLOv5从登堂到入室
yolov5改进（自用）
m0_67006148的博客
09-26 2412
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
SE-Net网络详解
yyyyyyep的博客
08-05 2600
Squeeze excitation network 以下简称SE-NetSE是一个在卷积特征图通道上分配Attention的模块，可嵌入到其他的的网络结构中。
YOLOv8改进 | 主干篇 | 利用SENetV2改进网络结构（全网首发改进）
走向CTO的路上...
10-05 801
将SENetV2引入YOLOv8的主干网络可以进一步提升模型性能，尤其是在小目标检测方面。SENetV2是一种改进的SENet注意力机制，它通过引入更有效的激励函数和动态通道池化操作，可以更好地捕获特征间的依赖关系，从而增强模型对目标特征的提取能力。SENetV2是一种有效的改进YOLOv8目标检测模型的方法，它在目标检测和图像分割任务中取得了显著的性能提升，尤其是在小目标检测方面表现更为突出。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 7万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
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
热门推荐
Snu77的博客
12-30 17万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOWOv2: A Stronger yet Efficient Multi-level Detection Framework for Real-time Spatio-temporal Action
weixin_46687145的博客
03-06 2938
为时空动作检测任务设计一个实时框架仍然是一个挑战，本文提出了一种新的实时动作检测框架YOWOv2。在这个新框架中，YOWOv2利用了3D骨干和2D骨干来进行准确的动作检测，设计了多级检测通道来检测不同规模的动作实例。
YOWO:你只看一次
05-10
您只看一次（YOWO） PyTorch实施“只看”一文。 该存储库包含用于在AVA，UCF101-24和JHMDB数据集上使用PyTorch进行实时时空动作本地化的代码！ 可以通过访问更新的论文 AVA数据集可视化！ UCF101-24和J-HMDB-21数据集可视化！ 在这项工作中，我们目前YOWO（Y OU唯一一句W¯¯ATCHØNCE），统一CNN架构在视频流实时时空行动本地化。 YOWO是一个单阶段框架，输入是一个剪辑，由视频中的几个连续帧组成，而输出则预测边界框的位置以及当前帧中的相应类别标签。 然后，使用特定策略，可以将这些检测结果链接在一起，以在整个视频中生成“动作管”。 由于我们没有将人类检测和动作分类程序分开，因此可以通过在端到端框架中的联合损失来优化整个网络。 我们对两个具有挑战性的代表性数据集UCF101-24和J-HMDB-21进行了一系列比较评估。 我们
【YOWOv2】YOWOv2(yowov2)动作识别+Fastreid身份识别 详细安装与实现
qwe___ewq的博客
07-13 1101
动作识别预览(弯腰和站立, 动作很多(摔倒动作,骑马动作都有, 如果需要自己训练动作,则自己制作ava数据集进行模型训练))3, 安装环境(pytorch1.10.1和cuda10.2) (这个因为是外网的,需要梯子(不然很慢))1 创建虚拟环境, 当前文件夹就会有一个yowov2-virtual的文件夹。2. 然后激活环境(如果activate 不行, 则试试source)1. 创建anaconda环境。3. 与上面第三步一致。身份识别预览(左下角)4. 进入项目安装依赖。
YOWOv2复现
qq_49585932的博客
03-09 2680
YOWOv2是一种新的实时动作检测框架YOWOv2。在这个新框架中，YOWOv2利用了3D骨干和2D骨干进行准确的动作检测。该框架具有较好的实时性，本文对此框架的代码进行了复现。
每日学术速递2.15
与君共勉，一起学习
02-15 813
标题：YOWOv2：用于实时时空动作检测的更强大且高效的多级检测框架作者：Jianhua Yang, Kun Dai文章链接：https://arxiv.org/abs/2302.06848v1项目代码：https://github.com/yjh0410/YOWOv2摘要： 为时空动作检测任务设计实时框架仍然是一个挑战。在本文中，我们提出了一种新颖的实时动作检测框架 YOWOv2。在这个新框架中，YOWOv2 利用 3D 骨干和 2D 骨干进行准确的动作检测。多级检测管道旨在检测不同规模的动
YOWOv2：实时时空动作检测的高效多级检测框架
gitblog_00209的博客
08-15 726
YOWOv2：实时时空动作检测的高效多级检测框架 项目介绍 YOWOv2是一个强大的实时时空动作检测框架，旨在提供高效且准确的动作识别能力。该项目通过多级检测机制，能够在视频流中实时识别和定位各种动作，适用于多种复杂场景。YOWOv2不仅在性能上有所提升，而且在效率上也表现出色，能够在保持高准确率的同时，实现快速的检测速度。 项目技术分析 YOWOv2的核心技术在于其独特的网络结构和多级检测策略。...
yowov2训练自己制作的ucf24格式的数据集（踩坑记录）
weixin_72499489的博客
10-11 1515
打架斗殴识别，使用自制数据集训练yowov2全过程详解。
【PYTHON】运行YOLOV8N报错OSError: [WinError 1114] 动态链接库(DLL)初始化例程失败
最新发布
随笔
12-12 126
【PYTHON】运行YOLOV8N报错OSError: [WinError 1114] 动态链接库(DLL)初始化例程失败
01、yolov8合集1
weixin_41072743的博客
12-08 836
YOLOv8目标检测系统的完整配置与使用流程。主要内容包括：1) 环境配置（Miniconda安装、conda环境创建、PyPI国内源配置）；2) 关键组件安装（PyTorch和Ultralytics YOLOv8的三种安装方式）；3) 模型预测的两种实现方式（命令行和Python API）及参数详解；4) 数据准备与标注方法（图片/视频处理、LabelImg工具使用）；5) 训练流程（数据集结构、配置文件编写、训练命令）；6) 常见问题解决方案。
超越YOLOv8！动态卷积+注意力机制，DSS-YOLO实现高精度实时火灾检测
Coovally_AI的博客
12-10 823
与原始YOLOv8n相比，拟议的DSS-YOLO模型在mAP中实现了0.6%的召回增长和1.6%的增长，同时模型大小和FLOP分别减少了3.4%和12.3%，满足了实时火灾检测的要求。该模型基于YOLOv8n改进，通过引入动态卷积、注意力机制与多尺度特征增强模块，在显著降低计算开销的同时，提升了对小目标和遮挡火焰的识别能力，为智能火灾监控系统提供了可靠的技术方案。与基线相比，DSS-YOLO在保持高精度的同时，模型体积减小3.3%，计算量降低12.3%，召回率提升1.6%，mAP提升0.6%。
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，...
评论 9
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
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

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