YOLOv11改进 | Neck篇 | 给yolov11分别增加小目标检测层P2和大目标检测层P6

已于 2024-11-06 03:29:49 修改
阅读量3.7k 收藏 29
点赞数 20
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 目标检测 计算机视觉 人工智能 深度学习 python YOLOv11
于 2024-11-06 01:05:54 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/143537332
版权

一、本文介绍

本文给大家带来的最新改机制是给YOLOv11分别增加小目标P2和大目标检测层P6（两个yaml文件），有的读者可能检测的目标是小目标，那么我们增加小目标检测层是非常容易涨点的，或者你的检测目标是图片占比很大的（很少有这样的）那么增加大目标检测层是非常好的选择，本文根据YOLOv8官方提供的P2和P6两个版本yaml文件，进行YOLOv11的参考性移植，大家可以选择P2或者P6作为自己的一个论文创新点.

P2版本的训练信息：YOLO11-P2 summary: 379 layers, 2,669,988 parameters, 2,669,972 gradients, 10.4 GFLOPs
P6版本的训练信息：YOLO11-P6 summary: 385 layers, 3,691,148 parameters, 3,691,132 gradients, 5.1 GFLOPs

欢迎大家订阅我的专栏一起学习YOLO！      

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

四、yaml文件

4.1 增加小目标检测层

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 检测头篇 | 利用DynamicHead增加辅助检测头针对性检测(四头版本)
Snu77的博客
01-11 6408
本文给大家带来的改进机制是针对性的改进，针对于小目标检测增加P2层，针对于大目标检测增加P6层利用DynamicHead(原版本一比一复现，全网独一份，不同于网上魔改版本)进行检测，其中我们增加P2层其拥有更高的分辨率，这使得模型能够更好地捕捉到小尺寸目标的细节。我们增加P6层是一个较低分辨率但具有更大感受野的特征层。对于大尺寸目标，这意味着模型可以更有效地捕捉到整体的结构信息。在这些的基础上我们配合DynamicHead可以使模型根据不同尺寸的目标动态调整其检测策略，进一步提升模型的精度。本文的内容是订阅
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
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
01-24 2982
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
yolo11红外小目标检测与红外无人机视角行人/车辆检测
QQ_1309399183的博客
12-30 2359
yolo11红外小目标检测与红外无人机视角行人/车辆检测
YOLOv11添加小目标检测层P2，其他YOLO算法同理
最新发布
m0_57201440的博客
05-13 463
【代码】YOLOv11添加小目标检测层P2，其他YOLO算法同理。
YOLOv8改进 | 检测头篇 | ASFF改进YOLOv8检测头（全网首发）
Snu77的博客
12-31 1万+
本文给大家带来的改进机制是利用ASFF改进YOLOv8的检测头形成新的检测头Detect_ASFF，其主要创新是引入了一种自适应的空间特征融合方式，有效地过滤掉冲突信息，从而增强了尺度不变性。经过我的实验验证，修改后的检测头在所有的检测目标上均有大幅度的涨点效果，此版本为三头版本，后期我会在该检测头的基础上进行二次创新形成四头版本的Detect_ASFF助力小目标检测，本文的检测头非常推荐大家使用。推荐指数：⭐⭐⭐⭐涨点效果：⭐⭐⭐⭐YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备。
YOLOv11改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLOv1~YOLOv11的检测头变化详解
Limiiiing的博客
10-31 4597
在目标检测领域，小目标检测一直是一个具有挑战性的问题。算法以其高效快速的特点受到广泛关注，然而在面对小目标时，仍存在一些局限性。本文将介绍如何在中添加小目标检测层，以提高对小目标的检测能力。原始模型结构如下：详细内容参考：YOLOv11原始模型结构介绍 二、有效特征层对应的检测头类别 2.1 P3/8 - small检测头 原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。 适合检测尺寸大概在到像素左右的目标。 2.2 P4/16 - medium检测头 这个检
YOLOV5的多主干网络backbone实现（Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5等）
踟蹰横渡口,彳亍上滩舟。
03-05 1万+
代码下载地址：下载地址 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5 Requirements pip install -r requirements.txt Multi-Backbone Substitution for YOLOs 1、Base Model Train on Visdrone DataSet (Inp
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 | 检测头篇 | 辅助特征融合检测头FASFFHead添加小目标检测头 (让小目标无所遁形、全网独家创新)
Snu77的博客
11-09 4179
本文给大家带来的改进机制是由我独家创新的FASFFHead检测头，我根据ASFFHead检测头(只能用于三头检测)的基础上进行二次创新，解决由于跨尺度融合的特征丢失情况，同时本文的内容全网无第二份，非常适合大家拿来发表论文，该检测头为四头版本，增加小目标检测层或者大目标检测层，在配合上本文的检测头，针对小目标或者大目标进行二次提取，效果非常好。本文的内容也是购买专栏的读者想要四头版本的ASFF检测头，所以我针对这一需求进行了二次创新产生了本文的检测头。
目标检测算法——YOLOv7改进|增加小目标检测层
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-02 2万+
目标检测算法——YOLOv7改进|增加小目标检测层。官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。
YOLOv8改进 | 检测头篇 | 辅助特征融合检测头FASFFHead (增加额外目标检测层，独家创新)
Snu77的博客
01-24 1万+
本文的内容为我独家创新，其原理参考了ASFFHead的原理，后期如果大家有使用的可以参考其代码进行绘画结构图，目前该网络的检测头我还没绘画。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。
YOLO11改进：小目标涨点系列篇 | 多头检测器，提升小目标检测能力
会AI的学姐
10-23 795
YOLO11有3个检测头，能够多尺度对目标进行检测，但对微小目标检测可能存在检测能力不佳的现象，因此添加一个微小物体的检测头，能够大量涨点，map提升明显；
YOLO11小目标检测：解决创新点在自己数据集不涨点现象（遥感小目标车辆检测）
12-30 3306
创新点在不同数据集表现是不一致的，针对创新点在自己数据集不涨点的问题，可以将创新点放在网络不同位置进行验证，而不是一味的放弃换来换去的思路。
YOLOv11改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失（ATFL）提升对小目标的检测能力
Limiiiing的博客
11-02 1927
本文记录的是利用自适应阈值焦点损失（ATFL）优化YOLOv11目标检测的网络模型。ATFL结合了的针对性和自适应调整损失权重的灵活性，有效地处理目标与背景不平衡问题。这一机制通过设置阈值区分目标和背景样本，并根据预测概率值自适应调整损失权重来适应不同的样本特性，提高了模型对目标特征的学习能力。在小目标检测中，ATFL可以被用于提升对小目标的检测能力，。
YOLO11改进 | 检测头 | 小目标遮挡物性能提升的检测头Detect_MultiSEAM【完整代码】
kay_545
10-02 3326
YOLO11改进 yolo11，yolov11， Detect_MultiSEAM, 手撕结构图，代码详细改进方式
YOLO11涨点优化：小目标检测 | 多头检测器提升小目标检测精度
10-12 2836
引入多头检测器助力YOLO11，添加一个微小物体的检测头暴力提升小目标检测性能
改进YOLOv11双模态（红外可见光）小目标检测
2301_79275341的博客
12-17 1390
在 SPPF 后加入类似注意力机制的 C2PSA，这个新模块有助于增强网络的关注机制，使模型能够更有针对性地关注图像中的关键区域，改善特征选择能力，进而提升检测性能，让检测结果更加准确可靠。这一变化在 YOLOv11 的主干网络中体现，进一步优化了特征提取效率，能够更好地捕捉图像中的重要细节，增强了对复杂场景下物体特征的提取能力，从而有助于更准确地识别和定位物体。其实对于改进，身为普通的学术研究的我来说，就是那几个东西缝缝补补，注意力，检测头，骨干网络，中间融合也就是那些东西。缝缝补补，能毕业就行。
YOLOv8涨点优化：轻量化注意力 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024
12-05 398
YOLOv8-C2f-SHSA相比原始yolov8n6.9 GFLOP降低至6.5 GFLOPs
YOLOv11模型改进-模块-引入并行化补丁感知注意力模块PPA 提升小目标检测
qq_64693987的博客
10-23 3029
1.1. 多分支特征提取1.多分支策略:PPA 采用并行多分支方法，包含局部、全局和串行卷积三个分支。这种设计可以提取不同尺度和层次的特征，有助于捕获目标的多尺度特征，进而提高小目标检测的准确性。2. 具体操作: 首先对输入特征张量进行逐点卷积调整。然后分别通过三个分支进行计算，最后将三个分支的结果相加。
SAS log-rank
06-13
SAS log-rank 是一种用于比较两组生存数据之间差异的统计方法，也称为“对数秩检验”（logrank test）。它是一种非参数检验方法，不需要对生存数据的分布做出任何假设，并且可以处理部分截尾数据。 SAS log-rank 检验的原理是比较两组生存数据中观察到的事件（如死亡、复发等）发生的数量是否存在显著差异。在执行 SAS log-rank 检验时，会计算每组的生存曲线，然后将观察到的事件数与期望事件数进行比较，以确定两组之间是否存在显著的生存差异。如果两组生存曲线重合，则表示两组生存情况相似，否则表示存在差异。 SAS log-rank 检验可以用于计算生存曲线的中位数生存时间、生存率、生存函数、风险比等指标，是生存数据分析中常用的方法之一。
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