YOLOv5改进 | 注意力篇 | Deformable-LKA(DLKA)可变形的大核注意力（附多个位置添加教程）

最新推荐文章于 2025-10-06 21:23:17 发布
最新推荐文章于 2025-10-06 21:23:17 发布
阅读量3.2k 收藏 27
点赞数 30
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： 深度学习 计算机视觉 人工智能 python pytorch YOLO 目标检测
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/135300834
本文详细介绍了Deformable-LKA（可变形大核注意力）机制，它是YOLOv5目标检测模型的一个改进，通过结合大卷积核和可变形卷积，提高模型对小目标和复杂形状目标的检测能力。通过在YOLOv5中应用D-LKA，作者观察到模型的mAP提高了约0.8。文章提供D-LKA的实现步骤和yaml配置文件，推荐在C2f和检测头中添加D-LKA以获得更好的效果。

一、本文介绍

本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv5中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。我进行了简单的实验，这一改进显著提高了模型mAP(提高了大概0.8左右)。Deformable-LKA，引入可以将其用在C2f和检测头中进行改进估计效果会更高，所以非常推荐大家使用。

​

推荐指数：⭐⭐⭐⭐⭐

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->  

这次试验我用的数据集大概有七八百张照片训练了100个epochs，可以出模型没有完全拟合大概涨点了0.8左右(而且模型有一定的波动是因为我的数据集质量导致的如果数据集质量高一点效果会更好)，如果完全拟合效果肯定会更好。

目录

一、本文介绍

二、Deformable-LKA机制原理

2.1 Deformable-LKA的基本原理

2.2 大卷积核

2.3 可变形卷积

2.4 2D和3D适应性

三、D-LKA的核心代码

四、手把手教你添加D-LKA

4.1 D-LKA添加步骤

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 D-LKA的yaml文件和训练截图

4.2.1 D-LKA的yaml版本一(推荐)

4.2.2 D-LKA的yaml版本二

4.3 推荐D-LKA可添加的位置 

4.4 D-LKA的训练过程截图 

五、本文总

二、Deformable-LKA机制原理

​

​

论文地址：官方论文地址

代码地址：官方代码地址

了解本专栏 订阅专栏 解锁全文
【YOLOv8改进 - C2f融合】C2f融合D-LKA Attention：可变形大核注意力
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。
05-26 1346
【YOLOv8改进 - C2f融合】C2f融合D-LKA Attention：可变形大核注意力了解决这些挑战，我们引入了可变形大核注意力（D-LKA Attention）的概念，这是一种简化的注意力机制，采用大卷积核以充分利用体积上下文信息。该机制在类似于自注意力的感受野内运行，同时避免了计算开销。
YOLOv9改进策略 | 添加注意力篇 | Deformable-LKA(DLKA)可变形的大核注意力（附多个位置添加教程）
Snu77的博客
04-24 2308
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YOLOv9改进有效涨点专栏，本专栏目前为新开的平均质量分98分，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~YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏​。
2025年10月 | 注意力机制 | YOLOv11改进 | Deformable-LKA (DLKA) 二次改进提升多尺度、小目标与遮挡检测能力
最新发布
Dev7z的博客
10-06 2487
本篇文章将介绍一种突破性的改进机制——Deformable Large Kernel Attention (DLKA)，并深入探讨其如何与YOLOv11深度融合，进行二次创新改进，显著提升模型在复杂视觉任务中的检测性能。
YOLOV5改进：在C3模块不同位置添加D-LKA Attention（同时拥有SA注意力和大卷积核的能力）
2201_76125261的博客
10-04 572
变形模型在医学图像分割方面有了显著的改进，它擅长于捕捉深远的上下文和全局上下文信息。然而，这些模型不断增加的计算需求与平方令牌计数成正比，限制了它们的深度和分辨率能力。目前大多数方法都是逐片处理三维体图像数据(称为伪3D)，缺少关键的片间信息，从而降低了模型的整体性能。为了解决这些挑战，我们引入了可变形大核注意(D-LKA注意)的概念，这是一种采用大卷积核来充分理解体积上下文的流线型注意机制。这种机制在类似于自我关注的接受场中运行，同时避免了计算开销。
YOLOv8改进 | 注意力机制 | 添加Deformable-LKA可变形大核注意力（涨点幅度超高）
Snu77的博客
12-05 1万+
本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv8中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。我进行了简单的实验，这一改进显著提高了模型mAP。Deformable-LKA的引入，提高了YOLOv8精度
创新YOLOv8改进：结合全新可变形大核注意力（D-LKA Attention）实现多尺度目标涨点
qq_44224801的博客
10-15 1415
🔥🔥🔥 提升多尺度目标检测，创新提升 🔥🔥🔥🔥🔥🔥 捕捉图像特征和处理复杂图像特征 🔥🔥🔥👉👉👉: 本专栏包含大量的新设计的创新想法，包含详细的代码和说明，具备有效的创新组合，可以有效应用到改进创新当中 👉👉👉:🐤🐤🐤。
YOLOv10改进 | 添加注意力机制 | 添加Deformable-LKA可变形大核注意力（涨点幅度超高）
Snu77的博客
07-13 1208
本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv10中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。我进行了简单的实验，这一改进显著提高了模型mAP(提高了大概0.8左右)。Deformable-LKA，引
YOLOv11改进 | 添加注意力机制 | 可变形大核注意力Deformable-LKA二次创新C2PSA机制助力yolov11改进
Snu77的博客
10-13 2667
本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv10中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。我进行了简单的实验，这一改进显著提高了模型mAP(提高了大概0.08左右)。
【RT-DETR有效改进】可变形大核注意力 | Deformable-LKA适用于复杂背景或不同光照场景
Snu77的博客
02-20 2379
本文给大家带来的改进内容是Deformable-LKA（可变形大核注意力）。Deformable-LKA结合了大卷积核的广阔感受野和可变形卷积的灵活性，有效地处理复杂的视觉信息。这一机制通过动态调整卷积核的形状和大小来适应不同的图像特征，提高了模型对目标形状和尺寸的适应性。在YOLOv8中，Deformable-LKA可以被用于提升对小目标和不规则形状目标的检测能力，特别是在复杂背景或不同光照条件下。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专
YOLOv8改进：卷积变体系列篇 | 可变形大核注意力（D-LKA Attention）,实现涨点
会AI的学姐
10-14 1563
可变形大核注意力（D-LKA Attention）,大卷积核增强注意力机制，引入到YOLOv8，与C2f结合实现二次创新
超越自注意力：用于医学图像分割的可变形大核注意力
m0_47867638的博客
09-18 4731
医学图像分割在计算机辅助诊断中起着至关重要的作用，它可以帮助医学专业人员分析复杂的医学图像。这个过程不仅减少了手动任务的繁琐程度和对医学专业知识的依赖，还能实现更快更准确的诊断。自动分割提供了更快更准确的诊断结果的可能性，从而促进了适当的治疗策略的实施，并使得图像引导手术程序得以实现。因此，开发快速且精确的分割算法的必要性成为推动这一研究的重要力量。自2010年代中期以来，卷积神经网络（CNNs）已成为许多计算机视觉应用的首选技术。
YOLO11改进-注意力-引入Deformable Large Kernel Attention (DLKA) 解决多尺度、小目标、遮挡等问题
qq_64693987的博客
10-23 3756
Deformable Large Kernel Attention (DLKA) 是一种用于视觉任务的注意力机制，旨在提升模型在处理不同尺寸和形状对象时的灵活性和性能。DLKA 的设计灵感源自传统的注意力机制，但通过引入可变形核（deformable kernel）来增强对局部特征的适应能力。
改进YOLOv8注意力系列二：结合CBAM、Coordinate Attention、deformable_LKA_Attention可变形大核注意力
qq_44224801的博客
12-13 1688
改进YOLOv8注意力系列二：结合CBAM、Coordinate Attention、deformable_LKA_Attention可变形大核注意力
可变形注意力（Deformable Attention）及其拓展
热门推荐
weixin_47748259的博客
02-23 2万+
右侧的可变形卷积因为感受野的每一个点都有偏移量，造成卷积核在图片上滑动时对应的感受野的点不会重复选择，这意味着会采样9 x 9=81个采样点，比传统卷积更多。对感受野上的每一个点加一个偏移量 ，偏移的大小是通过学习得到的 ，偏移后感受野不再是个正方形，而是和物体的实际形状相匹配。传统卷积核在卷积过程中由于会存在重叠，最终输出后的感受野范围小，而可变性卷积中因为有偏移，不会有重叠，从而感受野范围更大。可变形卷积将固定形状的卷积过程改造成了能适应物体形状的可变的卷积过程，从而使结构适应物体形变的能力更强。
创新YOLOv5改进：结合全新可变形大核注意力（D-LKA Attention）实现多尺度目标涨点
qq_44224801的博客
10-15 1325
🔥🔥🔥 提升多尺度目标检测，创新提升 🔥🔥🔥🔥🔥🔥 捕捉图像特征和处理复杂图像特征 🔥🔥🔥👉👉👉: 本专栏包含大量的新设计的创新想法，包含详细的代码和说明，具备有效的创新组合，可以有效应用到改进创新当中 👉👉👉:🐤🐤🐤。
YOLOv5改进 | 模块融合 | C3融合可变形自注意力模块【模块缝合】
kay_545
08-21 1361
yolov5，yolov5改进，yolov5模块融合
可变形交互注意力模块（DIA-Module）及代码详解
hasakie的博客
03-25 387
该模块通过动态调整卷积核的采样位置，实现了对不同尺度和形状的特征的自适应捕捉，同时利用注意力机制增强了模型对关键特征的关注能力。通过这种精心设计的模块框架，DIA - Module能够在保持高效计算的同时，更好地捕捉复杂数据中的关键特征，为各种深度学习任务提供强大的特征表示能力。通过这些精心设计的参数配置，DIA - Module能够在保持高效计算的同时，更好地捕捉复杂数据中的关键特征，为各种深度学习任务提供强大的特征表示能力。在可变形采样的基础上，DIA - Module引入了注意力机制。
清华提出DAT：具有可变形注意力的视觉Transformer
阿木寺的博客
01-05 9278
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达Vision Transformer with Deformable Attention论文：https://arxiv...
YOLOv8改进 | 注意力机制 | 添加Deformable-LKA
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 7
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