YOLOv11改进 | Conv/卷积篇 | 全维度动态卷积ODConv卷积二次创新C3k2助力YOLOv11有效涨点

已于 2024-11-05 02:28:58 修改
阅读量3.7k 收藏 23
点赞数 8
分类专栏： YOLOv11有效涨点专栏 文章标签： 深度学习 人工智能 目标检测 计算机视觉 YOLO YOLOv11 python
于 2024-10-13 22:38:15 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/142891674
版权

一、本文介绍

这篇文章给大家带来的是ODConv(Omni-Dimensional Dynamic Convolution)中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块，在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家，该卷积模块主要具有更小的计算量和更高的精度下面的图片是精度的对比（本文提供了两种代码一种是二次创新C3k2，另外一种是利用ODConv替换传统的Conv进行下采样）。

欢迎大家订阅我的专栏一起学习YOLOv11！      

  专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

适用场景：轻量化、所有检测目标时均可使用进行有效涨点

目录

  一、本文介绍

二、基本原理介绍

2.1ODConv基本原理介绍 

2.2论文总结

三、ODConv代码 

四、在模型中调用ODConv模块

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、正式训练

5.1 yaml文件1(C3K2-ODConv)

5.2 yaml文件2（ODConv2d） 

5.3 训练代码 

了解本专栏 订阅专栏 解锁全文
YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新110+）
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。
10-29 1万+
本专栏提供详细的 YOLO11 教程，包括基础知识、源码解析、入门实践、算法改进和项目实战，适合发表YOLO11 学习者订阅。内容包含 100+多篇独家改进机制，适合发表论文，评分高达 96 分。订阅者将获得一键运行的改进文件及答疑交流群支持。 使用服务器的同学还可以私聊获取搭建好的运行环境。
YOLOv8改进 | ODConv卷积助力极限涨点（附修改后的C2f、Bottleneck模块代码）
Snu77的博客
11-16 9489
这篇文章给大家带来的是发表于2022年ICLR的ODConv中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块，在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家该卷积模块主要具有更小的计算量和更高的精度，其中添加ODConv模块的网络(只替换了一处C2f中的卷积)参数量由8.9GFLOPS减小到8.8GFLOPS，精度也有提高->
YOLO场景选型与性能核心底牌！看C3K2、C2F、C3K如何决定应用场景
Coovally_AI的博客
04-21 1811
利用C3K2优化的感受野和C3K的多尺度特征提取，以更少的参数实现更高的准确度。C3K2、C2F和C3K模块的引入进一步优化了各种应用中的特征提取、多尺度检测和遮挡处理。C3K模块是YOLO特征提取的一个重要进步，它提供了针对不同尺度的物体进行更好的特征提取，多内核设计可以捕获不同对象大小的细节。C3K2、C2F和C3K特征提取模块针对特定的实际应用优化 YOLO模型，平衡了速度、准确性和效率。C2F 提高了遮挡人脸识别的准确性，安全和监控系统依赖于面部识别和人员追踪，通常用于拥挤或遮挡的环境。
YOLOV8改进-添加动态ODConv
qq_69854365的博客
09-12 7205
动态卷积的始祖是CondConv，其基于普通卷积改进。常规卷积只有一个静态卷积核且与输入样本无关，且会用到所有数据集上。此外，卷积神经网络的特点是，通过扩展宽度、深度、分辨率来提升网络模型的表现。在以往的注意力模型中，注意力主要是应用到特征图上。比如在特征图不同的通道上进行加权（SE Net），在特征图不同的空间位置加权（Spatial attention）。对于动态卷积来说，它对多个卷积核进行线性加权，而加权值则与输入有关，这就使得动态卷积具有输入依赖性。
《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有110+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进
kay_545
06-17 6074
yolov8改进机制，上百种创新技巧详细介绍
YOLOv8改进有效涨点系列-＞多位置替换可变形卷积(DCNv1、DCNv2、DCNv3)
Snu77的博客
11-05 1万+
这篇文章主要给大家讲解如何在多个位置替换可变形卷积，它有三个版本分别是DCNv1、DCNv2、DCNv3，在本篇博文中会分别进行介绍同时进行对比，通过本文你可以学会在YOLOv8中各个位置添加可变形卷积包括(DCNv1、DCNv2、DCNv3)，可替换的位置包括->替换C2f中的卷积、DarknetBottleneck中的卷积、主干网络(Backbone)中的卷积等多个位置。
Yolov8大幅涨点！Yolov8+GEM注意力机制
第欧根尼的酒桶的博客
01-18 2821
相较原版YOLOv8s模型，我们添加了全局注意力机制，即可以通过保留空间和通道信息之间的关联来提高模型的性能。将输入特征映射通过通道注意力子模块和空间注意力子模块形成GAM的输出特征。
YOLOv11改进 | Conv/卷积篇 | 全维度动态卷积ODConv与二次创新C3k2助力YOLOv11有效涨点
最新发布
weixin_39818775的博客
06-01 711
全维度动态性：核/空间/通道/输入四重自适应多尺度协同：通过C3k2整合不同感受野高效计算：注意力机制实现智能资源分配显著性能提升：COCO mAP提升4.5%实验表明，该改进对小目标检测尤为有效(mAP提升7.4%)，同时保持了合理的计算开销增长。这种动态卷积与架构创新的结合为目标检测模型设计提供了新思路，其模块化特性也便于迁移到其他视觉任务中。未来工作将聚焦于动态机制的自动化和硬件友好性优化。
YOLOv11改进 | Conv/卷积篇 | 2024最新ECCV最新大感受野的小波卷积WTConv助力YOLOv11有效涨点（二次创新C3k2）
Snu77的博客
11-05 1927
本文给大家带来的改进机制是一种新的卷积层，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，WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更为高效、鲁棒且易于集成的卷积层解决方案，我将其用于二次创新YOLOv11中的C3k2机制可以减少百分之十的参数量和计算量，达到一个可观的轻量化作用。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
热门推荐
Snu77的博客
11-05 5万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、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。
YOLOv11改进 | Conv/卷积篇 | 2024最新线性可变形卷积LDConv替换传统下采样二次创新C3k2（附代码 + 修改方式）
Snu77的博客
11-19 4100
本文给大家带来的最新改进机制是利用2024最新的线性可变形卷积LDConv替换YOLOv11的传统下采样操作（值得一提的是这个作者和RFAConv是同一个作者），介绍了一种新型的卷积操作——线性可变形卷积（LDConv）。LDConv 旨在解决标准卷积操作的局限性，标准卷积在固定形状和大小的局部窗口中进行采样，难以动态适应不同物体的形状。可变形卷积（Deformable Conv）虽然允许灵活的采样位置，但其参数数量随着卷积核大小呈平方增长，计算效率较低。LDConv 提供了比可变形卷积更大的灵活性。
YOLOv8的改进的方法
2401_88440984的博客
02-04 1411
YOLOv8的改进的方法
YOLOv8改进
m0_70366090的博客
03-28 167
SPPF：SPP的变体，在Backbone的最后一层作为主干网络的池化层对输入特征图进行大尺度的特征提取，由于SPPF结构主要是池化操作，对特征图空间降维，故而这一层主要提取细粒度信息，并为后续Neck部分减少计算开销的作用。增加一个平均池化支路来补强该层对全局信息的捕捉能力，同时可以起到对特征图减噪的作用(平均池化的特点)
YOLOV8改进：LSKA注意力机制改进SPPF模块_sppf_lska模块
2401_84010107的博客
04-13 1831
与标准的LKA设计相比，所提出的分解使得可以在注意力模块中直接使用具有大卷积核的深度卷积层，无需额外的块。作者还发现，随着卷积核大小的增加，所提出的LSKA设计更倾向于将VAN偏向物体的形状而不是纹理。总的来说，LSKA注意力机制通过利用大且可分离的卷积核以及空间扩张卷积来捕捉图像的广泛上下文信息，生成注意力图，并通过这个注意力图加权原始特征，以此增强网络对于重要特征的关注度，提高模型的性能。与标准的LKA设计相比，所提出的分解使得可以在注意力模块中直接使用具有大卷积核的深度卷积层，无需额外的块。
YOLOv8改进模块之C2f_Bottleneck_BoT
Lijie_yzm的博客
11-29 2691
针对YOLOv8的梯度分流模块C2f，我们在其最后一层的bottleneck之后添加了Bottleneck Transformer(BoT)，从而得到了C2f_Bottleneck_BoT模块，并且将该模块替换掉YOLOv8颈部网络中的所有C2f模块。经过实验表明，改进后的模型均值平均精度有所增加。
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
羲洋的博客
11-06 5101
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
YOLOV8改进——添加ShuffleAttention注意力机制
qq_62047193的博客
06-23 694
在ultralytics/cfg/datasets/ 下新建data.yaml。
YOLOV8改进：soft-nms、DIOU-nms、SIOU-nms、EIOU-nms、WIOU-nms
weixin_45303602的博客
10-11 7242
NMS（Non-Maximum Suppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（bounding box），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。首先，根据目标框的置信度（或者其他评分指标），按照降序排列所有的候选框。选择具有最高置信度的框，并将其添加到最终输出的结果列表中。
YOLOV8改进：动态蛇形卷积，多视角特征融合策略与连续性拓扑约束损失
AIcurator的博客
10-08 2168
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。3.涨点效果：动态蛇形卷积,实现有效涨点！精确分割拓扑管状结构;如血管和道路，是各种至关重要的现场，确保下游的准确性和效率任务。然而，许多因素使任务复杂化，包括薄的局部结构和可变的全局形态。
yolov8卷积篇改进
06-26
YOLOv8（You Only Look Once version 8）是YOLO系列（一种实时物体检测算法）的最新迭代，它在前代的基础上进行了多项改进，特别是在卷积层的设计和效率优化上。以下是YOLOv8卷积部分的一些关键改进： 1. **更大、更深的网络结构**：YOLOv8采用了更大的网络架构，比如引入更多的ResNet块，这使得模型能够处理更复杂的图像特征。 2. **多尺度特征融合**：通过使用不同大小的卷积层，YOLOv8可以在不同层次捕获不同分辨率下的信息，提高了对物体位置和尺寸的准确性。 3. **SPP（空间金字塔池化）**：为了保持对物体尺度不变性的识别能力，YOLov8可能继续使用空间金字塔池化，它在多个尺度上应用池化操作以捕捉多尺度的上下文信息。 4. **残差连接**：残差块在YOLOv8中依然存在，它们帮助信息更好地在网络中传播，减少了梯度消失或爆炸的问题。 5. **宽度可扩展性**：通过调整每层的通道数（宽度），YOLov8能够在保持速度的同时提高精度，适应不同计算资源的需求。 6. **优化卷积计算**：YOLov8可能使用了一些卷积层的优化技术，如Depthwise Separable Convolution（深度可分离卷积），以减少计算量和内存消耗。 7. **硬件加速**：为提升运行速度，YOLov8可能利用了GPU或TPU等硬件的特定优化，例如TensorRT等工具进行性能优化。
评论 6
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