YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）

原创 已于 2024-02-20 17:45:15 修改 · 6.9k 阅读 · 34 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #深度学习 #人工智能 #pytorch #计算机视觉 #python #目标检测

于 2024-01-17 07:30:00 首次发布
本文介绍了PE-YOLO，一种针对暗光环境的物体检测模型，通过PENet增强图像细节和低频信息。PE-YOLO结合了YOLOv3和PENet，包含DPM和LEF模块，提升低照度条件下的检测性能。文章详细讲解了PENet、DPM和LEF的工作原理，并提供了核心代码修改和运行记录。

一、本文介绍

本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。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、PE-YOLO算法原理

2.1   PE-YOLO的基本原理

 2.2 金字塔增强网络

2.3 细节处理模块

 2.4 低频增强滤波器

三、PE-YOLO的核心代码 

 四、MSBlock的添加方式 

4.1 修改一

4.2 修改二 

4.3 修改三 

关闭混合精度验证！

打印计算量的问题！

五、PE-YOLO的yaml文件和运行记录

5.1 PE-YOLO的yaml文件一

5.2 PE-YOLO的训练过程截图 

五、本文总结

二、PE-YOLO算法原理

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【第三章：主干网络篇·第12节】一文搞定，EfficientDet主干特征金字塔优化
**My Coding Family**
10-07 1531
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》，该专栏持续复现网络上各种热门内容(全网YOLO改进最全最新的专栏，质量分97分+，全网顶流)，改进内容支持(分类、检测、分割、追踪、关键点、OBB检测)。且专栏会随订阅人数上升而涨价(毕竟不断更新)，当前性价比极高，有一定的参考&学习价值，部分内容会基于现有的国内外顶尖人工智能AIGC等AI大模型技术总结改进而来，嘎嘎硬核。
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测（全网独家首发）
Snu77的博客
01-21 5131
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YOLOv8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~YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
基于YOLOv8的暗光低光环境下（ExDark数据集）检测，加入多种优化方式---CVPR2024 DCNv4结合YOLOv9 SPPELAN二次创新，助力自动驾驶（三）
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；
03-11 3383
加入 CVPR2024 DCNv4结合YOLOv9 SPPELANmAP@0.5由原始的0.682提升至0.685
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
Together_CZ的博客
04-07 4845
探索实践昏暗光线低光照场景下目标检测，基于YOLOv8全系列【n/s/m/l/x】参数模型开发构建昏暗光线低光照场景下的目标检测识别系统
YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）
Snu77的博客
03-08 7518
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv8：利用轻量级低照度图像增强网络IAT
走向CTO的路上...
08-15 1397
YOLOv8作为目前最先进的目标检测算法之一，在精度和速度方面取得了显著进步。然而，YOLOv8模型在低光照条件下的目标检测任务中仍存在一些不足，例如容易受到噪声干扰和对比度不足的影响，导致检测精度下降。为了解决这个问题，本文提出了一种利用轻量级低照度图像增强网络IAT（Illumination Adaptive Transformer）改进YOLOv8模型的方法，有效提升了模型在暗光条件下的目标检测精度。
YOLOv8结合SCI低光照图像增强算法！让夜晚目标无处遁形！
weixin_39818775的博客
06-01 2886
本篇介绍如何将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，以提升夜晚目标检测性能。该方法在增强图像亮度和对比度的同时，保持了图像细节，使得YOLOv8能够更准确地识别和定位夜晚目标。该方法将SCI低光照图像增强算法与YOLOv8目标检测算法结合起来，有效地提升了夜晚目标检测性能，具有广阔的应用前景。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection
Kingchenchen2199的博客
09-15 710
目标检测在不利的条件下（黑暗环境）性能较低，为此，本文提出了一个金字塔增强网络（PENet），并将其与YOLOv3联合起来，构建了一个名为PE-YOLO的暗目标检测框架。在精度和准确度PE-YOLO都得到了大幅度的提升。LEF（丰富重构图像的语义）。假设分量为f∈Rh×w×3，我们首先通过卷积层将其转换为f∈Rh×w×32。使用一个动态低通滤波器来捕获低频信息，并且我们使用平均池化来进行特征滤波，这只允许低于截止频率的信息通过。不同语义下的低频阈值是不同的。
YOLOv5改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测）
Snu77的博客
01-21 1927
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv10改进 | 特殊场景检测篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）
Snu77的博客
07-09 1826
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv11改进 | 特殊场景检测篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型，全网独家首发改进）
Snu77的博客
11-04 1212
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干
走向CTO的路上...
09-12 1371
本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection——论文笔记
wyj2228785069的博客
01-20 2084
PE-YOLO论文阅读
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现
mingo_敏
09-11 1297
当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题，我们提出了一个金字塔增强网络（PENet），并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说，我们提出了一个细节处理模块（DPM）来增强图像的细节，它由上下文分支和边缘分支组成。此外，我们提出了一个低频增强滤波器（LEF）来捕捉低频语义并防止高频噪声。
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用PENet(2023.7)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
静谧、淡雅
08-13 778
【YOLOv10改进[暗黑场景]】低照度图像增强网络 | 使用PENet(2023.7)改进暗光条件下的物体检测效果 + 含全部代码和详细修改方式 + 手撕结构图
无惧暗光！| PE-YOLO: 夜视环境物体检测新突破（附源码实现）
专注计算机视觉全栈知识分享
08-12 2584
PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。为了解决在暗光条件下图像可见性差的问题，该方法使用拉普拉斯金字塔将图像分解为具有不同分辨率的多个组件。然后，利用新提出的详细处理模块（DPM）和低频增强滤波器（LEF）增强这些组件的详细信息和低频信息。PE-YOLO以端到端的方式进行训练，无需额外的损失函数。通过在ExDark数据集上进行的实验，PE-YOLO相较于其他的低光照增强模型和暗光物体检测器，显示出了最佳的性能。
【目标检测】——PE-YOLO精读
怡宝2号
10-06 2402
卷积神经网络（CNNs）在近年来如何推动了物体检测的发展。许多检测器已经被提出，而且在许多基准数据集上的性能正在不断提高。然而，大多数现有的检测器都是在正常条件下对高质量图像进行研究。在真实环境中，经常会出现许多糟糕的光照条件，如夜晚、暗光和曝光过度，这些条件会降低图像的质量，影响检测器的性能。前人的解决方案：…略本文采用了金字塔增强网络（PENet）和YOLOv3。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。
PE-YOLO：解决黑夜中的目标检测难点
gzq0723的博客
08-07 569
点击蓝字 关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式计算机视觉研究院专栏Column of Computer Vision Institute目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。01简介为了解决这个问题，有研究者提出了一个金字塔增强网络（pyramid enhanced...
yolo 改进
最新发布
06-14
### 改进YOLO算法或模型的方法 YOLO（You Only Look Once）是一种高效的实时目标检测算法，因其快速性和准确性而被广泛使用。然而，为了进一步提升其性能，可以考虑以下几种改进方法： #### 1. 数据增强技术 数据增强是提高模型泛化能力的有效手段。通过增加训练数据的多样性，可以使模型更好地适应不同的场景和光照条件[^3]。常用的数据增强技术包括随机裁剪、翻转、颜色抖动、旋转等。 ```python import albumentations as A transform = A.Compose([ A.RandomCrop(width=450, height=450), A.HorizontalFlip(p=0.5), A.RandomBrightnessContrast(p=0.2), ]) ``` #### 2. 网络架构优化 通过改进网络结构可以显著提升模型性能。例如，引入更深或更宽的卷积神经网络（CNN）结构，或者采用注意力机制来增强特征提取能力[^4]。此外，还可以尝试使用更先进的 backbone，如 EfficientNet 或 Swin Transformer。 #### 3. 损失函数调整 YOLO 的损失函数通常由定位误差、置信度误差和类别误差组成。通过调整这些部分的权重，或者引入新的损失项（如 IoU 损失或 CIoU 损失），可以进一步优化检测结果[^5]。 #### 4. 锚框（Anchor Boxes）设计 锚框的设计对 YOLO 的性能有很大影响。可以通过 K-means 聚类分析训练集中的目标尺寸分布，生成更适合数据集的锚框[^6]。 ```python from sklearn.cluster import KMeans # 假设 bounding_boxes 是一个包含所有目标尺寸的列表 kmeans = KMeans(n_clusters=9) kmeans.fit(bounding_boxes) anchors = kmeans.cluster_centers_ ``` #### 5. 多尺度训练 在训练过程中动态调整输入图像的分辨率，可以使模型更好地学习不同尺度的目标特征[^7]。 #### 6. 集成学习 通过集成多个 YOLO 模型的结果，可以进一步提高检测精度。例如，可以使用不同配置的模型进行预测，然后通过投票或其他方式融合结果[^8]。 ### 示例代码：多尺度训练 ```python def multiscale_training(model, dataloader, scales=[320, 416, 608]): for epoch in range(num_epochs): scale = random.choice(scales) model.set_input_size(scale) for images, targets in dataloader: outputs = model(images) loss = compute_loss(outputs, targets) optimizer.zero_grad() loss.backward() optimizer.step() ```
评论 16
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