YOLOv10改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）

已于 2024-07-11 00:22:18 修改
阅读量801 收藏 3
点赞数 2
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 计算机视觉 深度学习 人工智能 目标检测 yolov10 python
于 2024-07-11 00:22:03 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/140088382
版权

 一、本文介绍

本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv10上其明显降低参数和GFLOPs在V10n上使用该机制后参数量为270W计算量GFLOPs为7.5,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：YOLOv10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、原理介绍

三、核心代码 

四、手把手教你添加HWD机制

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、HWD的yaml文件和运行记录

5.1 HWD的yaml文件1

5.2 HWD的yaml文件2

5.3 训练代码 

<

了解本专栏 订阅专栏 解锁全文
YOLOv10改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
Limiiiing的博客
11-05 808
本文记录的是利用Haar小波下采样对YOLOv10网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 4493
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5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！目录一、本文介绍二、原理介绍。
小波下采样，即插即用
Angelina_Jolie的博客
10-31 1069
这篇论文利用频域的小波变化来进行降采样，图像经过小波变化会得到1个低频特征A,和3个高频特征H、V、D。常规的下采样操作普遍面临的信息损失问题，应用Haar小波变换来降低特征图的空间分辨率，可以更完整的保留图像的信息。代码非常简单，只有几行，我们非常简单的将其应用到我们的模型中，用于替换常规的下采样模块，像是卷积下采样、最大池化下采样、平均池化下采样等。
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割到目标检测，跨领域移植，助力创新点构建！
B站 Ai学术叫叫兽的文案地
09-10 1451
YOLOv10全网最新创新点改进系列：融合Haar小波的下采样模块，减少特征图的空间分辨率，从分割目标检测，跨领域移植，助力创新点构建！
Haar小波下采样模块
热门推荐
m0_62919535的博客
01-22 1万+
深度卷积神经网络 （DCNN） 通常采用标准的下采样操作，例如最大池化、平均池化和跨步卷积，这可能会导致信息丢失。丢失的信息，如边界和纹理，对于语义分割可能是必不可少的。通过跳过连接到解码器子网（如U-Net、LCU-Net、CENet、LinkNet和RefineNet ）。提取具有空间金字塔池化或扩展卷积的多尺度特征图到融合模块中（如DeepLab、PSPNet、PCPLP-Net、BiSenet和ICNet）。下面是我做实验的代码，感兴趣的可以在自己的数据上面进行实验，我觉得用于交通和医学上应该会有比
Matlab中daubechies 97小波做图像上下采样
10-26
Matlab中daubechies 97小波做图像上下采样，效果很不错
YOLOv11改进 | Conv篇 | 2024利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
10-15 2309
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv11上其明显降低参数和GFLOPs在V11n上使用该机制后参数量为270W计算量GFLOPs为7.5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！
YOLOv5改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-19 1412
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V5n上使用该机制后参数量为147W计算量GFLOPs为3.7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！
YOLOv9改进策略 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-22 1842
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv5上其明显降低参数和GFLOPs在V9上使用该机制后参数量为147W计算量GFLOPs为3.7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！
YOLOv9独家改进|使用HWD(小波下采样)模块改进ADown
深度学习炼丹师，偶尔分享炼丹技术!
03-04 5947
HWD是一种下采样模型，应用了小波变换的方法。ADown是YOLOv9中的下采样模块，对不同的数据场景具有一定的可学习能力。HWD-ADown的主要思想： 使用HWD替换ADown中的Conv模块。
即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
weixin_39818775的博客
07-10 995
在目标检测和语义分割任务中，特征下采样是至关重要的一步，它可以降低模型的计算复杂度，同时保留重要的特征信息。传统的 YOLOv5 和 YOLOv7 模型使用池化层来进行特征下采样，但池化层会丢失一些重要的空间信息。为了解决这个问题，本文提出了一种新的方案，即使用 Haar 小波下采样来替换 YOLOv5 和 YOLOv7 中的池化层。Haar 小波是一种简单而有效的下采样方法，它可以保留更多的空间信息，同时降低计算复杂度。
即插即用篇 | YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv8项目贡献者
04-05 2935
YOLOv8引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
qq_64693987的博客
10-16 4705
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
YOLOv9改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
Limiiiing的博客
09-19 997
本文记录的是利用Haar小波下采样对YOLOv9网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
【YOLO11改进 - 采样】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
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。
11-01 198
【YOLO11改进 - 采样】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率
YOLOv8改进 | Conv篇 | 2024最新ECCV最新大感受野的小波卷积WTConv创新C2f（附代码 + 修改教程）
Snu77的博客
10-12 4316
官方论文地址点击此处即可跳转官方代码地址点击此处即可跳转这篇名为《用于大感受野的小波卷积》的文章提出了一种新的卷积层，称为WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，而传统的CNN主要只能处理局部特征。以下是文章的主要内容总结：1. 问题背景：传统的CNN受限于卷积核的大小，难以有效捕捉全局上下文信息。
7-2 小波分析之信号离散采样与重构
qq_37026070的博客
05-14 587
7-2 Shearlet 简介 1. 连续Shearlet变换 \qquad
DWT and UDWT的下采样和上采样
never_csdn的博客
01-04 1637
DWT ：对滤波后的信号下采样，可以保证滤波后信号的频谱得到扩展； UDWT：对滤波器上采样，可以使得滤波器的频谱被压缩。 在UDWT中： 信号在滤波后，低频信号频谱在[0,pi/2]之间，高频信号频谱在[pi/2,pi]之间；两个滤波器在上采样之后，低通滤波器频谱在[0,pi/4]之间，高通滤波器频谱在[pi/4,pi/2]之间。接下来若对高频信号处理，要对两个滤波器进行频移。
YoloV8改进策略：下采样改进|HWD改进下采样
m0_47867638的博客
03-15 2726
此外，为了研究HWD的优势，我们提出了一种新的度量指标，即特征熵指数（FEI），用于衡量CNN中下采样后信息的不确定性程度。• 我们为卷积神经网络（CNNs）提出了一种新颖的基于小波的下采样模块（HWD）。据我们所知，我们的方法是首次尝试探索在深度卷积神经网络（DCNNs）的下采样阶段禁止（或阻碍）信息丢失的可行性，以改善语义分割任务的性能。• 我们探索了卷积神经网络中信息不确定性的度量方法，并提出了一种新的指标，即特征熵指数（FEI），用于评估下采样特征图与预测结果之间的信息不确定性或特征重要性。
yolov8改进DWT
最新发布
03-16
### 使用离散小波变换 (DWT) 改进 YOLOv8 模型性能 #### 方法概述 离散小波变换（Discrete Wavelet Transform, DWT）是一种多尺度分析工具，它可以通过分解输入数据来捕捉不同频率范围内的特征[^3]。在计算机视觉领域，DWT 可用于替代传统的目标检测模型中的下采样操作，减少信息损失并优化计算效率。 对于 YOLOv8 的改进，可以采用基于 Haar 小波的下采样方法（HWD），这种方法已被证明能有效缓解传统下采样的不足之处[^1]。具体来说，Haar 小波通过分频带的方式对图像进行处理，生成近似和细节系数，从而更好地保留原始图像的空间结构信息。 --- #### 实现步骤说明 以下是使用 DWT 对 YOLOv8 进行改进的具体实现方式： 1. **替换传统下采样模块** 在 YOLOv8 中，通常会使用最大池化、平均池化或步长为 2 的卷积来进行下采样。为了引入 DWT，可以用 Haar 小波变换代替这些操作。这种替换不仅减少了信息丢失，还可能降低整体计算复杂度[^4]。 2. **集成 Haar 小波变换** 利用 PyTorch 或其他深度学习框架实现 Haar 小波变换的功能。下面是一个简单的代码示例展示如何定义 HWD 层： ```python import torch import torch.nn as nn import pywt class HaarWaveletDownsample(nn.Module): def __init__(self): super(HaarWaveletDownsample, self).__init__() self.haar_weights = torch.tensor( [[[-1 / np.sqrt(2), 1 / np.sqrt(2)]], [[-1 / np.sqrt(2), -1 / np.sqrt(2)]]], dtype=torch.float32) self.haar_weights = torch.cat([self.haar_weights] * 3, dim=0).unsqueeze(1) self.pool = nn.AvgPool2d(kernel_size=(2, 2)) def forward(self, x): ll = F.conv2d(x, self.haar_weights, stride=2, groups=x.shape[1]) return ll ``` 上述代码实现了 Haar 小波变换的核心部分，并将其封装成一个可调用的 `nn.Module` 类。 3. **修改配置文件** 需要调整 YOLOv8 的配置文件以支持新的下采样机制。例如，在 YAML 文件中指定自定义层的位置及其参数设置。如果已有类似的 WTConv 结构，则可以直接扩展其功能[^2]。 4. **训练过程调整** 调整超参数以适应新架构的变化。由于加入了额外的小波运算，建议适当减小批量大小 (`batch`) 并增加迭代次数 (`epochs`) 来确保收敛效果良好。 --- #### 示例代码片段 以下是一段完整的 Python 训练脚本，展示了如何加载带有 HWD 修改后的 YOLOv8 模型并启动训练流程： ```python from ultralytics import YOLO import warnings warnings.filterwarnings('ignore') if __name__ == '__main__': model = YOLO(r'path/to/modified/yolov8_with_hwd.yaml') model.train( data=r'path/to/data.yaml', cache=False, imgsz=640, epochs=50, batch=4, close_mosaic=10, workers=0, device='cuda:0', optimizer='AdamW', amp=True, project='runs/train', name='hwd_experiment' ) ``` 注意：路径需根据实际环境更改；此外，“modified_yolov8_with_hwd.yaml”应包含更新过的网络结构描述。 --- ### 总结 通过将 Haar 小波变换应用于 YOLOv8 下采样阶段，可以在一定程度上改善模型的信息保持能力以及最终预测准确性[^1]。与此同时，得益于更高效的特征表达形式，整个系统的运行速度也可能得到提升。
评论
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