YOLOv5改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络（全网首发）

已于 2024-01-16 16:44:36 修改
阅读量1.4k 收藏 20
点赞数 14
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 目标检测 深度学习 人工智能 pytorch python 计算机视觉
于 2024-01-16 07:00:00 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/135575896
本文介绍了将TransNeXt特征提取网络应用于YOLOv5，详细阐述了TransNeXt的框架原理，包括聚合注意力机制、卷积GLU，并提供了代码修改教程，以帮助读者在自己的YOLOv5模型中实现TransNeXt。通过结合生物视觉系统理论，TransNeXt在图像分类、目标检测和语义分割任务中表现出色，但也存在计算复杂度高的问题。

 一、本文介绍

本文给大家带来的改进机制是TransNeXt特征提取网络,其发表于2023年的12月份是一个最新最前沿的网络模型，将其应用在我们的特征提取网络来提取特征，同时本文给大家解决其自带的一个报错，通过结合聚合的像素聚焦注意力和卷积GLU，模拟生物视觉系统，特别是对于中心凹的视觉感知。这种方法使得每个像素都能实现全局感知，并强化了模型的信息混合和自然视觉感知能力。TransNeXt在各种视觉任务中，包括图像分类、目标检测和语义分割，都显示出优异的性能(该模型的训练时间很长这是需要大家注意的)。

欢迎大家订阅我的专栏一起学习YOLO！ 

专栏目录：YOLOv5改进有效涨点目录 | 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：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、TransNeXt的框架原理

2.1 聚合注意力机制 

2.2 卷积GLU

2.3  TransNeXt的架构示意图

三、TransNeXt的核心代码 

四、手把手教你添加TransNeXt机制 

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

注意！！！ 额外的修改！

修改八

注意事项！！！ 

五、TransNeXt的yaml文件

5.1 训练文件的代码

六、成功运行记录 

七、本文总结

二、TransNeXt的框架原理

​

官方论文地址：官方论文地址

官方代码地址：官方代码地址

​

TransNeXt: Robust Foveal Visual Perception

了解本专栏 订阅专栏 解锁全文
YOLOv5改进 | 主干篇 | FasterNeT跑起来的特征提取网络（提高FPS和检测效率）
Snu77的博客
01-08 1993
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
YOLO基础算法入门之YOLOv8中的C2f（C2-Faster）高效特征提取结构
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。
07-03 756
YOLO基础算法入门之YOLOv8中的C2f（C2-Faster）高效特征提取结构
Yolo3特征提取+预测网络构建（基于keras）
weixin_38495031的博客
04-07 4014
yolo系列目标检测算法的核心思想就是：把一张图片分为n*n网格，每个网格负责以该网格中心的区域的检测。 Yolo3使用的特征提取网络使用的是darknet53，它相较于其他yolo系列的检测算法主要改进有： 1、主干网络修改为darknet53，其重要特点是使用了残差网络Residual，darknet53中的残差卷积就是进行一次3X3、步长为2的卷积，然后保存该卷积layer，再进行一次1X1...
清晰、幽默、轻松地深入理解YOLOv5网络结构和一些细节（查阅无数资料文献总结）
m0_58508552的博客
05-22 7137
最近的一篇关于YOLOv5检测小目标博客的点击量很高，没想到YOLOv5在现在还是很有影响力的。既然这样，今天本人就本着幽默、清晰、轻松的风格带大家深入了解一下YOLOv5那倾倒众生的网络结构，和它较之其他算法的改进之处。还是一句话，希望我的不经意之谈能够帮助到各位，如果感兴趣可以收藏一下，有任何问题欢迎下方评论，我会倾尽全力解答的呦！ 1.YOLOv5简介 2.YOLOv5的网络结构（个人绘制，如有转载，还请声明，铁粉除外哈哈） 3.YOLOv5的前世今生以及来世 4.一些需要强调的基本细节知识（
YOLOv5改进 | 主干网络 | 用SimRepCSP作为主干网络提取特征【全网独家 + 降本增效】
kay_545
06-06 2232
yolov5改进，yolov5，SimRepCSP
目标检测模型YOLOv3之提取特征
Wenweno0o的博客
12-13 6718
图像分类的章节中，我们已经讲解过了通过卷积神经网络提取图像特征。通过连续使用多层卷积和池化等操作，能得到语义含义更加丰富的特征图。在检测问题中，也使用卷积神经网络逐层提取图像特征，通过最终的输出特征图来表征物体位置和类别等信息。 YOLOv3算法使用的骨干网络是Darknet53。Darknet53网络的具体结构如下图所示，在ImageNet图像分类任务上取得了很好的成绩。在检测任务中，将图中C0后面的平均池化、全连接层和Softmax去掉，保留从输入到C0部分的网络结构，作为检测模型的基础网络结构，也称为
【YOLOV5】
zhouazhu的博客
04-18 3817
​(1)主干部分：特征提取(2)残差边部分：不做任何的处理(1)主干进行残差、堆叠(2)残差边部分进行少量的处理每隔一像素点取一值，将取值后的结果在通道上进行堆叠得到一个特征层通过不同池化核大小的最大池化进行特征提取，提高网络的感受野如下图所示，yolov5网络主要分为主干网络部分和加强特征提取网络部分。 1.首先对数据集进行标注、划分为训练集和验证集。对数据进行增强等相关的处理之后，对处理好的图像进行Focus前处理 2.处理后的数据依次进行到主干网络、加强特征网络（FPN、PAN）、和Head层。数据进
获取Yolov5模型指定层的特征图——forward hooks
如果想成为中心，那么就到中心去吧。
11-21 3500
作为一名积极开发深度学习模型的工程师，我更喜欢PyTorch，因为它易于使用，主要是因为它与 Python 的相似性，尤其是 Numpy。然而，要找到如何从模型的层中干净地提取中间激活（对于可视化、调试模型以及用于其他算法很有用）却出奇地困难。我仍然对 PyTorch 缺乏关于这个超级重要问题的明确文档感到惊讶。在这篇文章中，我将尽力引导您完成这个过程。举个例子，让我们使用预训练resnet18模型，但相同的技术适用于所有模型——预训练模型、自定义模型或标准模型。
YOLOv5网络结构图
热门推荐
clmm_的博客
10-15 3万+
CNN通过模拟人类视觉系统的工作原理，通过层层堆叠的卷积层、池化层和全连接层等组件来进行图像数据的特征提取和分类。Conv（卷积层）通常是由卷积(Convolution)、批标准化(Batch Normalization)和激活函数(Activation)这三个模块组成的C3模块图如上。C3之所以叫C3，是因为在这个模块中有三个卷积层（Conv）了解SPPF前，我们先要知道SPP（），中文为空间金字塔池化而SPPF（Spatial Pyramid Pooling Fusion）则是SPP的改进版。
YOLOv5网络详解
STATEABC的博客
05-02 2万+
前言 YOLOv5项目的作者是Glenn Jocher并不是原Darknet项目的作者Joseph Redmon，并且这个项目至今都没有发表过正式的论文。 官方源码仓库：https://github.com/ultralytics/yolov5
yolov5_transformer:Yolov5带变压器
03-19
“＃yolov5_transformer”
yolov5_facenet_svm
07-03
基于yolov5的人脸识别demo，使用celeba训练yolov5，具体详见工程文件中的README，通过借鉴github上mtcnn-facenet，还有不足，不喜勿喷，谢谢。
Yolov5网络结构及其他
qq_43248104的博客
06-20 1135
Yolov5网络结构及其他
YOLOV5快速学习理解
小呆苗的博客
05-26 2002
目标检测：表达出图中是什么，位置在哪里。 一、目标检测算法分类: 双阶段：第一级网络用于候选区域提取；第二级的网络对提取的候选区域进行分类和精确坐标回归，例如RCNN系列。 一阶段：摒弃了候选区域提取这一个步骤，只用一级网络就完成了分类和回归的两个任务，列如YOLO和SSD系列。 ...
YOLOv11改进策略【卷积层】| CVPR 2024：LEGM 局部特征嵌入全局特征提取 适用于低质量图像特征提取任务
最新发布
Limiiiing的博客
07-31 754
本文记录的是利用模块优化的目标检测网络模型。LEGM（Local Feature-Embedded Global Feature Extraction Module，局部特征嵌入的全局特征提取模块） 的设计旨在，增强特征表示能力，同时捕捉局部细节与全局依赖。本文将深入研究的原理，并将其应用到中，通过融合局部与全局特征、引入深度信息，增强特征表示能力。Depth Information Assisted Collaborative Mutual Promotion Network for Single Ima
自动驾驶汽车视觉- 图像特征提取与匹配技术
williamhyin的博客
04-18 4491
Feature detection and matching Github: https://github.com/williamhyin/SFND_2D_Feature_Tracking Email: williamhyin@outlook.com 特征提取和匹配是许多计算机视觉应用中的一个重要任务，广泛运用在运动结构、图像检索、目标检测等领域。每个计算机视觉初学者最先了解的特征检测器几乎都是...
YOLO12 改进、魔改｜局部特征嵌入的全局特征提取模块LEGM ,通过融合图像的局部细节特征与全局上下文信息，增强特征。
qq_64693987的博客
07-25 1687
LEGM（局部特征嵌入全局特征提取模块）是一种结合卷积神经网络局部特征提取能力和自注意力机制全局建模能力的创新模块。该模块通过自注意力块将卷积层提取的多源局部特征与全局上下文信息相融合，使输出特征同时包含像素级细节和场景级语义信息。在目标检测任务中，LEGM能有效提升小目标识别精度和复杂场景鲁棒性；在图像分割任务中，既可保持边界细节又能增强区域一致性。研究还展示了将LEGM集成到YOLOv12模型中的具体实现方案，包括代码架构调整和配置文件修改方法，为改进目标检测模型提供了新思路。
【图文详解】EdgeNeXt与YOLOv5结合：创新黄豆种子计数及培养仿真系统
cheng2333333的博客
11-27 504
【图文详解】EdgeNeXt与YOLOv5结合：创新黄豆种子计数及培养仿真系统
YOLOv5s网络模型讲解(一看就会)
生活需要深度
04-16 3611
[10,13, 16,30, 33,23] # P3/8， 表示[10,13],[16,30], [33,23]3个anchor。[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2，通过该层之后特征图的大小变成原图的1/2。[-1, 1, Conv, [512, 3, 2]], # 5-P4/16，，过该层之后特征图的大小变成原图的1/16。[-1, 1, Conv, [128, 3, 2]], # 1-P2/4，通过该层之后特征图的大小变成原图的1/4。
yolov8涨点主干网络改进
03-27
好的，我现在需要帮用户了解如何通过改进YOLOv8的主干网络来提升模型性能。首先，我得回忆一下用户提供的引用内容，看看里面提到的相关改进方法。用户提到了几篇引用，其中引用[1]到[4]主要涉及注意力机制、主干网络...
评论 3
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