【RT-DETR有效改进】利用YOLO-MS的MSBlock模块改进ResNet中的Bottleneck（RT-DETR深度改进）

已于 2024-02-06 12:56:12 修改
阅读量2k 收藏 18
点赞数 23
CC 4.0 BY-SA版权
分类专栏： RT-DETR有效改进专栏 文章标签： YOLO 深度学习 目标检测 人工智能 计算机视觉 python RT-DETR
于 2024-02-02 03:14:50 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/135984819
本文介绍了如何利用YOLO-MS的MSBlock模块改进ResNet的Bottleneck结构，以增强实时目标检测器的多尺度特征表示能力。通过异构卷积核选择和层次化特征融合，MSBlock在保持轻量级的同时提高了ResNet在目标检测任务上的mAP精度。文章提供了详细的核心代码、添加方法以及训练过程的yaml文件和截图。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

👑欢迎大家订阅本专栏，一起学习RT-DETR👑    

一、本文介绍

本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块，我们将其用于替换我们ResNet中Basic组合出一种新的结构，来替换我们网络中的模块可以达到一种轻量化的作用，我将其用于我的数据集上实验，其在轻量网络结构的同时，却能够提高一定的mAP精度，所以这是一种十分高效的模块,本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进。

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR  

目录

一、本文介绍

二、MSBlock

2.1  MSBlock的基本原理

2.2 多尺度特征表示

2.3 层次化特征融合

2.4 异构卷积核选择

三、MSBlock的核心代码

四、MSBlock的添加方式 

4.1 修改一

4.2 修改二 

五、MSBlock的yaml文件和运行记录

了解本专栏 订阅专栏 解锁全文
【YOLOv8改进】MSBlock : 分层特征融合策略，轻量化网络结构
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。
03-26 2108
我们旨在为目标检测领域提供一种高效且性能卓越的目标检测器，称为YOLO-MS。其核心设计基于一系列调查研究，关于不同核心大小的卷积如何影响不同尺度物体的检测性能。研究结果是一种新策略，能够显著增强实时目标检测器的多尺度特征表示能力。为验证我们策略的有效性，我们构建了一个网络架构，命名为YOLO-MS。我们从零开始在MS COCO数据集上训练我们的YOLO-MS，不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。
YOLOv7独家改进：分层特征融合策略MSBlock | 南开大学提出YOLO-MS |超越YOLOv8与RTMDet，即插即用打破性能瓶颈
11-08 1422
分层特征融合策略MSBlock，不同Kernel-Size卷积在不同尺度提升特征提取能力，最终引入到YOLOv7，做到二次创新;1）MSBlock使用
目标检测新突破：用MSBlock打造更强YOLOv8
最新发布
shrgegrb的博客
05-18 1181
YOLO系列模型在目标检测领域以其高效性和精度表现备受关注。YOLOv8作为最新版本，虽然在速度和精度之间取得了平衡，但在资源受限的环境中仍面临模型体积和计算量较大的挑战。本文提出利用YOLO-MS中的MSBlock对YOLOv8进行改进，以实现轻量化和性能提升。MSBlock通过多尺度特征融合机制，增强了模型对目标的特征提取能力，同时降低了计算复杂度。实验结果表明，将MSBlock引入YOLOv8后，模型在保持轻量化的同时，检测精度显著提升，推理时间也有所缩短。这一改进为YOLOv8在移动设备等资源受限环
2 Resnet系列网络模型改进
u013817537的博客
05-07 9913
首先是Resnet系列，原始的resnet网络在输入层有一个7*7，s=2的大卷积和3*3，s=2的最大池化层，中间层是由3*3或1*1小卷积组成的残差块的堆叠，输出层是一个全局平均池化和预测类别的全连接。 2.1 resnet-v2 在resnet-v2网络中[54]，何恺明在原版的理论基础上做了组件的位置调换，如图8。在原有组件分布中，灰色路线的Relu在add之后，残差块的输出非负，不利于简化优化，所以Relu应放在右侧分支层，保持灰色路线add后数据分布不变。BN层应位于Relu层之前，因为mi
利用MSBlock轻量化多尺度卷积改进YOLOv8实现高效目标检测【附保姆级代码】
一键难忘的博客
10-19 3511
在本文中，我们提出了基于YOLOv8的改进版本YOLO-MS，通过引入多尺度卷积模块MSBlock来提升网络的检测能力。MSBlock利用1x1、3x3、5x5和7x7等不同卷积核的组合，有效捕捉了目标在不同尺度上的特征信息。相比于原版YOLOv8，YOLO-MS在保持模型轻量化的同时提升了检测精度，并且进一步优化了模型的推理速度。我们还探索了MSBlock的不同优化方式，包括调整卷积核尺寸与数量的灵活配置、加权融合策略，以及引入通道注意力机制等。
YOLOv8-Seg改进：分层特征融合策略MSBlock | YOLO-MS ,超越YOLOv8与RTMDet，即插即用打破性能瓶颈
会AI的学姐
01-26 292
分层特征融合策略MSBlock,即插即用打破性能瓶颈
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
【RT-DETR有效改进】为什么YOLO版本的RT-DETR训练模型不收敛精度差的问题
Snu77的博客
01-15 8563
本文的内容同样为本专栏的前期预热文章，文章主要解释一下为什么有的人跑ultralytics仓库的RT-DETR精度很差，模型不收敛，mAP异常的情况。为了验证这一情况我也是跑了多个实验，从多个数据集出发，100-500的数据集我跑了大概5个数据集，1000的我跑了二个，2000的我跑了一个，4000的跑了一个，同时其中一些版本我也用了不同的batch_size来出发验证精度异常的情况。
【RT-DETR有效改进】 添加注意力篇 | 2024最新的空间和通道协同注意力模块SCSA改进RT-DETR有效涨点
Snu77的博客
11-03 2687
本文给大家带来的改进机制是2024最新的空间和通道协同注意力模块（Spatial and Channel Synergistic Attention）SCSA，其通过结合空间注意力（Spatial Attention）和通道注意力（Channel Attention），提出了一种新的协同注意力模块SCSA。
【RT-DETR有效改进】利用EMAttention加深网络深度提高模型特征提取能力（特征选择模块）
Snu77的博客
02-17 2423
本文给大家带来的改进机制是EMAttention注意力机制，它的核心思想是，重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。EMA模块通过编码全局信息来重新校准每个并行分支中的通道权重，并通过跨维度交互来捕获像素级别的关系。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，
推荐开源项目：MSBlockButton - 块编程的魅力按钮
gitblog_00339的博客
08-29 523
推荐开源项目：MSBlockButton - 块编程的魅力按钮 在iOS开发的浩瀚世界里，我们常常在寻找那些能够简化代码、提升效率的小工具。今天要向大家强烈推荐一个简洁而实用的开源项目——MSBlockButton。这个项目通过将传统SEL（选择器）替换为现代的block语法，为按钮事件处理带来全新的体验。 项目介绍 MSBlockButton是一个针对UIButton的Category扩展，它颠...
YOLOv5改进 | Conv篇 | 利用YOLO-MS的MSBlock轻量化网络结构（既轻量又长点）
Snu77的博客
01-25 1079
本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块(其其实不能算是Conv但是其应该是一整个模块)，我们将其用于C2f中组合出一种新的结构，来替换我们网络中的模块可以达到一种轻量化的作用，我将其用于我的数据集上实验，包括多个类别的数据集，其在轻量网络结构的同时，却能够提高一定的mAP精度，所以这是一种十分高效的模块，该网络结构非常适合那些模型精度已经无法提到，想要从轻量化模型的角度入手的读者使用，同时该机制包含二次创新的机会。
番外篇 | YOLOv8改进之在C2f中引入MSBlock模块（来源于YOLO-MS） | 轻量化网络结构
突然好想你
05-09 866
在YOLO-MS提出的一种针对于实时目标检测的MSBlock模块，其基本原理在于提高实时目标检测器的多尺度特征表示能力。本文所作的改进是在YOLOv8主干网络中的C2f引入MSBlock模块。🌈
【YOLOv8改进[CONV]】使用MSBlock二次创新C2f模块实现轻量化 + 含全部代码和详细修改方式 + 手撕结构图 + 轻量化 + 涨点
静谧、淡雅
06-11 579
使用MSBlock二次创新C2f模块实现轻量化 + 含全部代码和详细修改方式 + 手撕结构图 + 轻量化 + 涨点
优化改进YOLOv5算法之添加MS-Block模块，有效提升目标检测效果(超详细)
qq_40716944的博客
11-02 1358
本博客主要是参考YOLO-MS论文的创新点，在YOLOv5算法中引入MS-Block模块，利用不同尺度特征信息，以进一步提升目标检测效果。作者旨在为目标检测社区提供一种高效且性能卓越的目标检测器，称为YOLO-MS。核心设计基于一系列对不同Kernel-Size卷积如何影响不同尺度上目标检测性能的研究。研究结果是一种可以显著增强实时目标检测器多尺度特征表示的新策略。为了验证作者策略的有效性，作者构建了一个名为YOLO-MS的网络架构。
YOLOv11轻量化改进 | Conv篇 | MSBlock轻量级架构下的高效检测（既轻量又提点）
weixin_51988935的博客
11-18 917
本文详细探讨了一种被称为MSBlock的模块，它是YOLOv8目标检测算法的改进之一。MSBlock能够提高实时目标检测器在多尺度特征表示方面的能力。它通过层次化特征融合和异构卷积核选择的方式来实现这一目标。与此同时，MSBlock还能保持模型的轻量级特性，并提高模型的mAP精度。本文详细介绍了MSBlock的原理、代码实现以及添加方式，并提供了详细的训练过程记录。我们的目标是为目标检测社区提供一种高效和表现优秀的目标检测器，称为YOLO-MS。
ResNet最新变体！性能反超Transformer，模型准确率达98.42%
学姐带你玩AI的博客
04-17 7240
目前ResNet（残差网络）有两大主流创新思路：一是与其他技术或模型结合，比如；二是尽管ResNet通过残差学习有效改善了深层网络的训练和性能，但同时它也面临着计算资源消耗大、过拟合风险、网络冗余和梯度相关性等挑战。为克服这些挑战，研究者们，比如性能反超Transformer的ConvNeXt、准确率高达98.42%的FC-ResNet等。这些改进方案因此，为帮助同学们深入了解，这次我整理了，有2024最新的，也有经典必看的，模型原文以及开源代码已附，方便同学们复现。
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection
AdjsWsgz的博客
09-15 1230
本文提出了一种能够增强多尺度特征表示的实时目标检测器YOLO-MS，核心设计是基于对不同核大小的卷积在不同尺度下如何影响目标检测性能的一系列研究。
rt-detr的环境跟yolo一样吗
03-26
### RT-DETR 和 YOLO 的环境配置比较 RT-DETR 是一种基于 Transformer 的实时目标检测模型，而 YOLO（You Only Look Once）是一系列高效的目标检测算法。尽管两者都属于目标检测领域，但由于架构和技术实现的不同，它们的环境配置需求存在一定的差异。 #### Python 版本 对于 RT-DETR 而言，通常推荐使用 Python 3.8 或更高版本以支持其依赖库的需求[^1]。YOLOv5 则兼容 Python 3.7 至 3.10 的范围，因此在 Python 版本的选择上更加灵活[^2]。 #### GPU 支持与 CUDA 配置 两种框架均能利用 NVIDIA GPU 提升训练和推理速度。然而，具体到 CUDA 工具包以及 cuDNN 库的要求有所不同。例如，在 RT-DETR 中可能需要安装较新的 CUDA 版本（如 CUDA 11.x），以便充分利用最新的硬件特性；而对于部分旧版 YOLO 实现，则可以运行于较低版本的 CUDA 上[^3]。 #### 深度学习框架依赖 RT-DETR 基于 PyTorch 构建，这意味着开发者需确保正确设置了 PyTorch 及其对应的 torchvision 扩展模块。相比之下，虽然主流版本的 YOLO 同样采用 PyTorch 开发，但也提供了其他选项比如 Darknet 原生框架或者 TensorFlow 移植版本[^4]。 以下是两个典型项目所需的主要 pip 安装命令对比： ```bash # 对于 RT-DETR (假设为最新稳定发布) pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117 ``` ```bash # 对于 YOLOv5 pip install -r requirements.txt # 运行此脚本会自动下载必要的组件包括特定版本的 pytorch ``` 值得注意的是，由于 RT-DETR 使用了一些额外的功能层设计，可能会引入更多第三方工具链作为补充，这些都需要被单独确认并部署到位[^5]。 综上所述，尽管二者都可以通过调整参数适应相似的工作站条件下来完成任务处理流程，但从实际操作层面看还是存在一定区别之处需要注意区分对待。
评论 20
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