YOLOv8改进 | 检测头篇 | 利用DBB重参数化模块魔改检测头实现暴力涨点 (支持检测、分割、关键点检测)

已于 2024-01-16 03:51:51 修改
阅读量6.5k 收藏 31
点赞数 14
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 人工智能 目标检测 深度学习 计算机视觉 python pytorch
于 2024-01-16 03:15:11 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/135614401
本文介绍了通过Diverse Branch Block (DBB) 模块改进YOLOv8的检测头，DBB在训练时增加复杂性提升特征表示，推理时转换为单分支以保持效率。内容包括DBB原理、训练与推理分离的机制、如何进行二次创新，以及Detect_DBB的添加教程，支持检测、分割和关键点检测。

一、本文介绍

本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，本文给大家带来的二次创新机制是通过DiverseBranchBlock(DBB)模块来改进我们的检测头形成一个新的检测头Detect_DBB，其中DBB是一种重参数化模块，其训练时采用复杂结构，推理时使用单分支结构，从而能够在训练的时候提取更高效的特征，还不影响推理时候的速度，同时本文的检测头支检测、分割和关键点检测，文中包含如何修改分割检测头、关键点检测头和目标检测检测头的教程。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

欢迎大家订阅我的专栏一起学习YOLO！

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 如何进行二次创新

三、Detect_DBB的核心代码 

四、手把手教你添加Detect_DBB 

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

4.5 修改五

4.6 修改六 

4.7 修改七 

五、 yaml文件

5.1 关键点检测yaml文件 

5.2 目标检测yaml文件 

5.3 分割的yaml文件

5.4 成功训练截图

六、本文总结

二、Diverse Branch Block原理

​

论文地址：论文官方地址

代码地址：官方代码地址

​

了解本专栏 订阅专栏 解锁全文
YOLOv8-Seg改进：检测头全新创新篇 | S_improve_Segment结构创新
会AI的学姐
11-15 866
S_improve_Segment全新的分割结构头创新，适配各个YOLO
YOLOv8-Seg改进： 分割小目标系列篇 | 多头分割器，提升分割小目标和弱小分割精度
会AI的学姐
11-10 2873
YOLOv8-Seg有3个分割头，能够多尺度分割，但对小目标分割可能存在分割能力不佳的现象，因此添加一个微小物体的分割头，能够大量涨点，map提升明显，特别是在处理低分辨率图像和分割小目标等更困难的任务时。
如何用YOLOv8实现图像分割
03-10 8385
首先，我们将使用 YOLOv8 官方的预训练模型进行图像分割，然后介绍如何训练自己的分割模型。最后，我们替换掉官方库，用更底层的方式来处理图像分割的输入和输出。
YOLOv8改进 | 检测头篇 | 利用AFPN改进检测头适配YOLOv8版（全网独家创新）
Snu77的博客
12-10 1万+
本文给大家带来的改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。本文在AFPN的结构基础上，为了适配YOLOv8改进AFPN结构，同时将AFPN融合到YOLOv8中(因为AFPN需要四个检测头，我们只有三个，下一篇文章我会出YOLOv8适配AFPN增加小目标检测头)
【目标检测】|DBB 增强版ACNet重参数化
qq_35608277的博客
05-26 1025
paper: https://arxiv.org/pdf/2103.13425.pdf code: https://github.com/DingXiaoH/DiverseBranchBlock 清华大学&旷视科技的丁霄汉博士在“过参数化”卷积方面继ACNet、RepVGG之后的又一次探索，它创造性的将Inception的多分支、多尺度思想与过参数化思想进行了一次组合，得到了本文所提出的DBB。 本文从卷积的两种线性特性(同质、加法)出发，设计了两种可组合的变换，在此基础上了结合Inception思
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。
YOLOv5改进 | 检测头篇 | 利用DBB重参数化模块魔改检测头实现暴力涨点 (附代码 + 详细修改教程)
Snu77的博客
01-24 1460
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，本文给大家带来的二次创新机制是通过DiverseBranchBlock(DBB)模块来改进我们的检测头形成一个新的检测头Detect_DBB，其中DBB是一种重参数化模块，其训练时采用复杂结构，推理时使用单分支结构，从而能够在训练的时候提取更高效的特征，还不影响推理时候的速度，同时本文的检测头支检测、分割和关键点检测，文中包含如何修改分割检测头、关键点检测头和目标检测检测头的教程。
YOLOv8改进 | 检测头篇 | 重参数化检测头RepHead解决困难样本检测（全网独家首发）
Snu77的博客
02-05 5148
本文给大家带来的改进机制是RepHead，该检测头为我独家全网首发，该检测头由重参数化模块组成，加大对于特征学习的能力，却可以不增加GFLOPs（仅仅略微提升）从而不影响模型的推理速度和性能，保持较高的FPS能力，牺牲了少量GFLOPs的情况下确提高了模型的特征提取能力，对于那些数据集中有困难识别的样本来说是非常有效的解决方法，同时本文的检测头结构为我本人独家提出，全网仅此一份，结构非常新颖，想要发表论文的读者非常推荐使用。
重塑YOLOv8 | 基于DBB重参数化模块的检测头改进【附保姆级代码】
一键难忘的博客
10-20 2585
YOLOv8是YOLO系列最新一代的目标检测模型，兼具速度和准确度，在实际应用中表现出色。然而，随着任务的多样化和复杂化，YOLOv8的检测头在面对复杂场景时存在一定的局限性，尤其在检测小物体和复杂背景的任务中，表现还有提升空间。DBB模块是一种基于重参数化思想的模块，它通过多分支的结构在训练阶段捕获更多的特征表达能力，然后在推理阶段通过重参数化减少计算复杂度。将其应用于YOLOv8的检测头可以大幅提升模型的表现，尤其是在检测、分割和关键点检测任务中。
结构重参数化之三：Diverse Branch Block
00000cj的博客
04-04 8839
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...
剪枝与重参第九课：DBB重参
周同学的博客
05-02 2444
剪枝与重参第九课：DBB重参
奇思妙想 | 重参数化，解耦网络结构的训练和推理
idol24的博客
04-12 2059
点击上方“机器学习与生成对抗网络”，关注星标获取有趣、好玩的前沿干货！作者丨丁霄汉@知乎来源丨https://zhuanlan.zhihu.com/p/361090497清华丁霄汉：本届C...
目标检测、分割、识别、分类综述
建建的博客
06-08 2629
近日 Visualead 研究主管 Eddie Smolyansky 在 Midum 网站撰文介绍视频目标分割的基础知识，从视频目标分割问题简介、数据集和 DAVIS 挑战赛入手，同时介绍了 Visualead 最新发布的视频数据集 GyGO 和 2016 年以来两种主要的视频目标分割方法：MaskTrack 和 OSVOS。 DAVIS-2016 视频物体分割数据集中经过正确标注的几个帧 本文介绍了视频目标分割问题和对应的经典解决方案，简要概括为： 1. 问题、数据集和挑战赛； 2. 我们.
YOLOv8改进，YOLOv8添加DiverseBranchBlock(多样分支块)，并在C2f结构引入
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
09-11 954
多样分支块（DiverseBranchBlock）：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。给定一个架构，可以用DBB替换一些常规卷积层，以构建更复杂的训练微观结构，并将其转换回原始结构，这样在推理时不会有额外的成本。
重参数化技术（RepVGG, RepOptimizer）
专注人工智能，主攻CV
04-16 6264
一方面，大量研究表明，多分支网络架构的性能普遍优于单分支架构；另一方面，相比多分支架构，单分支架构更有利于部署。那么有没有可能训练时采用多分支架构，而推理时使用单分支呢？私以为，Re-parameterization is All You Need！！！
Yolov8工业缺陷检测：基于铝片表面的缺陷检测算法，VanillaBlock和MobileViTAttention助力检测，实现暴力涨点 |2023最新成果，创新度很强
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-07 6911
基于铝片表面的缺陷检测算法，VanillaBlock助力检测，实现暴力涨点，mAP@0.5 0.885 提升至0.974，MobileViTAttention助力小目标检测，原始 mAP@0.5 0.885 提升至0.984
YOLOv8-seg 分割代码详解（二）Train
秋山丶雪绪的博客
11-14 4708
本文主要以源码+注释为主，可以了解到YOLOv8从模型的输出到损失计算这个过程每个步骤的具体实现方法。
手把手教你运行yolov8实例分割检测
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
11-17 2287
手把手教你运行yolov8实例分割
yolo11-DBB
最新发布
03-14
### YOLO11-DBB 的概述 YOLO11-DBB 是一种基于 YOLO 架构的目标检测模型，该版本引入了多种创新技术来提升性能和效率。具体来说，在 YOLO11 中采用了宽度多样分支模块（WDBB），这是一种新的重参数化模块，旨在通过多分支结构设计增强网络表达能力[^2]。 此外，为了进一步提高检测精度并优化推理速度，YOLO11 还更换了 DetectDeepDBB 检测头，这一改进不仅实现了多样化多分支卷积结构的设计理念，还结合了深度卷积与残差连接的技术特点[^3]。 ### 宽度多样分支模块 (WDBB) WDBB 主要用于解决传统单一路径卷积操作中存在的局限性问题。其核心思想是在不同尺度上构建多个平行的分支来进行特征提取，并最终将这些分支的结果汇总起来形成更丰富的表征形式。这种架构能够有效捕捉到图像中的局部细节以及全局上下文信息，从而显著提升了模型对于复杂场景下的识别效果。 ```python class WDBB(nn.Module): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super().__init__() c_ = int(c2 * e) # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = nn.Conv2d(c_, c2, 1, 1, bias=False) self.m = nn.Sequential(*[ResidualBlock(c_) for _ in range(n)]) def forward(self, x): y = self.cv2(self.m(self.cv1(x))) return y if not hasattr(self, 'cv3') else torch.cat((self.cv3(x), y), dim=1) ``` ### DetectDeepDBB 检测头 DetectDeepDBB 则是对原有检测机制的一次重要升级。它通过对卷积核进行重构处理，使得每个位置上的感受野范围更加灵活可控；同时利用身份转换策略减少冗余计算量，进而达到加速的目的。更重要的是，这种方法可以在不牺牲太多准确性的前提下大幅降低内存占用率，非常适合应用于资源受限环境当中。 ```python def detect_deep_dbb(features): outputs = [] for feature_map in features: output = conv_layer(feature_map) output = identity_transformation(output) outputs.append(output) final_output = combine_outputs(outputs) return final_output ``` ### 实验配置文件 yolov11-*.yaml 解析 针对上述提到的各项技术创新点，官方提供了详细的实验配置模板 `yolov11-C3k2_WDBB.yaml` 和 `yolov11-DetectDeepDBB.yaml` 来指导用户如何正确设置训练参数以获得最佳表现。这两个 YAML 文件包含了关于数据预处理方式、损失函数定义等方面的具体设定指南，帮助开发者快速搭建起高效的物体检测系统。
评论 17
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