YOLOv11改进 | 主干/Backbone篇 | 利用RT-DETR主干网络PPHGNetV2助力yolov11有效涨点（轻量化目标检测网络）

已于 2024-11-05 02:48:43 修改
阅读量2.4k 收藏 24
点赞数 24
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 目标检测 深度学习 计算机视觉 人工智能 python YOLOv11 1024程序员节
于 2024-10-24 23:00:02 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/143100546
版权

一、本文介绍

本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv11的主干，RT-DETR是最新今年由百度推出的第一款实时的ViT模型，其在实时检测的领域上号称是打败了YOLO系列，其利用两个主干一个是HGNet一个是ResNet，其中HGNet就是我们今天来讲解的网络结构模型，这个网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析（精度mAP提高0.05）。

 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​

目录

 一、本文介绍

二、HGNetV2原理讲解

三、HGNetV2的代码

四、手把手教你添加HGNetV2 

4. 1 HGNetV2-l的yaml文件(此为对比试验版本)

4.2 HGNetV2-x的yaml文件

五、运行成功记录

5.1 运行记录

5.2 训练代码 

了解本专栏 订阅专栏 解锁全文
【YOLOv10改进[Head检测头]】换个YOLO自带的RT-DETR head
静谧、淡雅
11-18 294
换个YOLO自带的RT-DETR head
YOLOv8 改进：主干网络替换为 PP-HGNetV2
最新发布
走向CTO的路上...
05-15 652
YOLOv8 通过将主干网络替换为 PP-HGNetV2，显著提升了目标检测的性能和效率。PP-HGNetV2 是一种轻量级卷积神经网络，通过优化计算复杂度和参数量，实现了更快的推理速度和更高的检测精度。其核心特性包括有效的特征提取模块、深层残差连接和灵活的架构设计，使其适用于多种实时应用场景，如无人驾驶、智能安防和工业自动化。本文提供了代码示例，展示了如何在不同场景中部署和测试改进后的 YOLOv8 模型，并解释了其核心原理和优势。
简单聊聊目标检测新范式RT-DETR的骨干：HGNetv2
chenxiangrong的博客
04-27 5024
本文版权属于GiantPandaCV，未经许可，请勿转账！前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。
用RTDETR检测头改进yolov11遇到的问题
qq_56089541的博客
12-10 308
一般RTDETR检测头的py文件已经集成在了ultralytics里，这里对具体的改进过程不多赘述。在utils文件夹下的loss文件出现问题，xi是字符串类型。通过打印feat可以发现，feat是一个字典，xi则是其中的键值。需要的是xi对应的键值。
YOLOv10改进 | 检测头篇 | 给YOLOv10换个RT-DETR的检测头（重塑目标检测前沿技术）
Snu77的博客
07-15 1567
本文给大家带来是用RT-DETR模型的检测头去替换YOLOv10中的检测头。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR检测头融入YOLOv10，我们可以结合YOLO的实时检测能力和RT-DETR的深度特征理解能力，打造出一个更加强大的目标检测模型。亲测这一整合不仅提高了模型在复杂场景下的表现，还显著提升了对小目标和遮挡目标的检测能力。此外，模型在多种标准数据集。
HGNetv2
whaosoft143ai的博客
04-28 6631
前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。 whaosoft aiot http://143ai.com 总体而言，HGNet还是一个比较低调的网络，官方也没有过多宣传，但是好不好用，依旧还是使用者说了算，后续如果DETR变体可以在国内常见的板端成熟落地，如瑞芯微，地平线，高通等芯片上适配，会给使用者带来更多的选择。
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
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：利用RT-DETR主干网络PPHGNetV2助力轻量化目标检测
weixin_39818775的博客
05-03 1290
目标检测作为计算机视觉领域的核心任务之一，在自动驾驶、视频监控、医疗影像分析等领域有着广泛应用。YOLO(You Only Look Once)系列作为实时目标检测的代表性算法，以其高效性和准确性著称。YOLOv11作为该系列的最新演进版本，在保持实时性的同时进一步提升了检测精度。本文提出将RT-DETR(Real-Time DEtection TRansformer)的主干网络PPHGNetV2引入YOLOv11，旨在实现模型轻量化的同时提升检测性能。
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 15万+
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。
YOLOv11改进 | Neck篇 | 轻量化跨尺度跨通道融合颈部CCFM助力YOLOv11有效涨点
Snu77的博客
10-08 5839
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YOLOv11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，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)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~YOLOv11有效涨点专栏——本专栏持续复习各种顶会内容——科研必备​ycb。
即插即用篇 | YOLOv8 引入基于注意力机制的尺度内特征交互 | Attention-based Intra-scale Feature Interaction (AIFI)
YOLOv8项目贡献者
11-02 3830
YOLOv8 引入基于注意力机制的尺度内特征交互
主干网络篇 | YOLOv5/v7 更换骨干网络之 HGNetv2 | 百度新一代超强主干网络
weixin_39818775的博客
05-10 1239
CSP Ghost Module 是 HGNetv2 的核心模块之一，它将深度卷积拆解为多个浅层卷积，并采用逐层融合策略，提升模型性能和效率。HGNetv2作为百度新一代超强主干网络，在性能和效率方面取得了显著提升，可广泛应用于各类视觉任务。HGNetv2的提出，推动了视觉骨干网络技术的发展，为相关领域研究提供了新的思路和方法。未来，HGNetv2将持续改进，并探索在更多领域中的应用，例如视频理解、医学影像分析等。相信在未来，HGNetv2将发挥更大的作用，为人工智能技术发展做出更大的贡献。
YOLOv10改进，YOLOv10替换主干网络为PP-HGNetV2(百度飞桨视觉团队自研，独家手把手教程，助力涨点)
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
09-22 984
PP-HGNetV2(High Performance GPU Network V2) 是百度飞桨视觉团队自研的 PP-HGNet 的下一代版本，其在 PP-HGNet 的基础上，做了进一步优化和改进，最终在 NVIDIA GPU 设备上，将 "Accuracy-Latency Balance" 做到了极致，精度大幅超过了其他同样推理速度的模型。其在单标签分类、多标签分类、目标检测、语义分割等任务中，均有较强的表现。
【改进YOLOv8】电动车电梯入户检测系统：融合HGNetv2改进改进YOLOv8
xuehaikj的博客
12-16 3652
【改进YOLOv8】电动车电梯入户检测系统：融合HGNetv2改进改进YOLOv8
YOLOv8改进，YOLOv8添加MLCA注意力机制(混合局部信道注意)
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
08-22 1276
MLCA是一种即插即用的可扩展混合局部注意力机制，以在检测效果、速度和模型参数数量之间实现平衡，并使注意力机制同时包含通道信息、空间信息、局部通道信息和全局通道信息。
主干网络篇 | YOLOv8 更换主干网络之 HGNetV2
YOLOv8项目贡献者
01-21 3410
YOLOv8 更换主干网络之 HGNetV2
计算机毕业设计【改进YOLOv8】电动车电梯入户检测系统 YOLOv8+HGNetv2模型优化 实时监控 电动车违规检测 目标检测系统 数据分析 可视化 （源码+定制+开发）数据集合齐全！
程序员阿龙的博客
01-08 975
博主介绍： ✌ 我是阿龙，一名专注于Java技术领域的程序员，拥有超过10万粉丝的技术博主。作为优快云特邀作者、博客专家、新星计划导师，我在计算机毕业设计开发方面积累了丰富的经验，致力于帮助更多学生解决技术难题并顺利完成毕业项目。同时，我也活跃在掘金、华为云、阿里云、InfoQ等平台，分享技术文章并获得广泛认可。 技术领域： 我擅长的技术栈包括但不限于： 后端开发：SpringBoot、SSM、HLMT 前端开发：Vue、JSP、Node.js 跨平台开发：小程序、安卓APP 数据科学与人工智能：Py
yolov11涨点技巧
03-28
### YOLOv11 性能优化技巧与涨点方法 尽管当前讨论主要集中在YOLOv5及其变体版本，但可以合理推测YOLOv11作为后续迭代版本可能继承并扩展了许多类似的优化策略。以下是基于已有研究和技术积累的YOLOv11性能优化建议： #### 一、模型结构调整 通过改进模型架构设计来增强特征提取能力是一个重要方向。例如，在YOLOv5中已经尝试过多种模块化组件的设计[^1]。对于YOLOv11而言，可考虑以下几种方式： - **引入高效注意力机制**：如ASFF（Adaptive Spatial Feature Fusion），它能够在多尺度特征图之间实现动态权重分配，从而显著改善检测效果尤其是针对小目标的情况[^2]。 - **采用轻量化骨干网络**：利用MobileViT等新型Transformer结构替代传统卷积层部分功能，既保持较高精度又降低计算开销[^3]。 #### 二、训练策略优化 合理的训练流程设置同样有助于挖掘模型潜力。具体可以从以下几个角度出发： - 数据增广技术的应用，比如Mosaic augmentation 和CutMix ，它们能够增加样本多样性减少过拟合风险； - 动态调整学习率以及更复杂的正则项配置也可能带来正面影响； #### 三、超参数微调 精确控制各项超参数值往往决定了最终成果的好坏程度 。这包括但不限于锚框尺寸设定、IoU阈值选取等方面都需要经过充分实验验证才能得出最佳组合方案 。 #### 四、损失函数定制化改造 根据不同应用场景特点重新定义适合自己的loss function形式也是一条可行之路向导之一就是尽可能让各个子任务间相互促进而不是彼此干扰 ```python import torch.nn as nn class CustomLoss(nn.Module): def __init__(self, lambda_conf=1.0, lambda_noobj=0.5, ... ): super(CustomLoss,self).__init__() def forward(self,pred,target): ... ``` 以上仅列举了一些常见的思路供参考实际操作过程中还需要结合项目具体情况灵活运用上述提到的各种手段综合考量取舍达到最优解才行哦！
评论 2
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