YOLOv11改进 | 检测头篇 | 利用渐近特征金字塔网络AFPN改进yolov11检测头融合P2网络结构(让小目标无所遁形，全网独家首发)

已于 2024-11-15 02:19:45 修改
阅读量2.8k 收藏 27
点赞数 7
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 目标检测 人工智能 深度学习 计算机视觉 python YOLOv11
于 2024-11-08 00:52:18 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/143609716

一、本文介绍

本文给大家带来的最新改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。之前答应大家说出一个四头版本的Detect_FPN本文就是该检测头，利用该检测头实现暴力涨点，让小目标无所遁形。

同时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。

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、AFPN基本框架原理​编辑

三、AFPN4Head完整代码

四、手把手教你添加AFPN4Head检测头

4.1 修改一

4.2 修改二 

4.3 修改三 

了解本专栏 订阅专栏 解锁全文
【YOLOv11多模态融合改进】在前期、中期、中后期、后期多模态融合中添加P2小目标检测层，完整步骤及代码
Limiiiing的博客
04-10 221
主题： YOLOv11的多模态融合改进中增加P2小目标检测层方式： 分别在前期融合、中期融合、中-后期融合、后期融合中增加P2多模态融合检测层。内容： 包含融合方式详解以及完整配置步骤，开箱即用，一键运行。原始模型结构如下： 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 这个检测头对应的经过了更多的下采样
YOLOv8改进 | 检测头篇 | 利用AFPN改进检测头适配YOLOv8版（全网独家创新）
Snu77的博客
12-10 1万+
本文给大家带来的改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。本文在AFPN的结构基础上，为了适配YOLOv8改进AFPN结构，同时将AFPN融合到YOLOv8中(因为AFPN需要四个检测头，我们只有三个，下一篇文章我会出YOLOv8适配AFPN增加小目标检测头)
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
05-13 493
【代码】YOLOv11添加小目标检测层P2，其他YOLO算法同理。
爆改YOLOv8 | 利用AFPN增加小目标检测层(替换小目标检测头）
weixin_43986124的博客
08-14 5597
爆改yolov8, 高效涨点，发刊必备，小目标检测
检测头篇 | YOLOv8改进之添加小目标检测头 / 添加大目标检测头 / 减少检测头
突然好想你
05-25 6534
本文首先给大家展示原始YOLOv8的网络结构图，然后再对其进行改变，即增加小目标检测头、增加大目标检测头和减少检测头。🌈
YOLOv8 利用AFPN改进检测头适配
走向CTO的路上...
12-16 901
在YOLOv8中引入AFPN（特征金字塔网络）可以显著提高模型的性能，尤其是在目标检测的多尺度目标检测性能方面。AFPN是一种多尺度特征融合网络，它可以将不同尺度的特征进行有效的融合，使模型能够更好地检测不同尺度的目标。AFPN的引入使得YOLOv8能够在复杂场景下也能保持较高的精度，并能够检测到各种尺度的目标。利用AFPN改进检测头是一种有效的改进方案，可以显著提升模型的性能，使其成为多尺度目标检测、小目标检测、全景目标检测等任务的优选方案。
yolov8添加小目标检测层
热门推荐
darkredrock的博客
06-05 2万+
正常的YOLOv8对象检测模型输出层是P3、P4、P5三个输出层，为了提升对小目标的检测能力，添加第四个输出层。在标准目标检测中，数据集中有小目标的情况下，小目标会出现漏检或检测效果不佳等问题。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，在有小目标数据集中能够有涨点。# P4/16对应的检测特征图大小为40X40，用于检测大小在16X16以上的目标。# P5/32对应的检测特征图大小为20X20，用于检测大小在32X32以上的目标。YOLOv8小目标检测模型。
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。
YOLOv8改进 | 检测头 | 融合渐进特征金字塔的检测头【AFPN3】
kay_545
07-15 1552
yolov8改进，yolov8，AFPN检测头
YOLOv8改进 | 检测头篇 | 利用AFPN增加小目标检测层(让小目标无所遁形，全新改进策略)
Snu77的博客
01-05 9258
本文给大家带来的改进机制是利用今年新推出的AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。之前答应大家说出一个四头版本的Detect_FPN本文就是该检测头，利用该检测头实现暴力涨点，让小目标无所遁形。⭐⭐⭐⭐⭐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 | 检测头篇 | 利用AFPN辅助YOLOv11检测头进行特征融合识别（全网独家创新）
Snu77的博客
11-08 2501
本文给大家带来的最新改进机制是利用AFPN（渐近特征金字塔网络）来优化检测头，AFPN的核心思想是通过引入一种渐近的特征融合策略，将底层、高层和顶层的特征逐渐整合到目标检测过程中。这种渐近融合方式有助于减小不同层次特征之间的语义差距，提高特征融合效果，使得检测模型能更好地适应不同层次的语义信息。本文在AFPN的结构基础上，为了适配YOLOv11改进AFPN结构，同时将AFPN融合到YOLOv11中(因为AFPN需要四个检测头，我们只有三个，下一篇文章我会出YOLOv11适配AFPN增加小目标检测头)
YOLOv8改进多种检测解耦头系列：即插即用 - 高精度&轻量化解耦检测头
JjtlReact的博客
09-22 2838
本文介绍了YOLOv8改进多种检测解耦头的系列方法，包括类别单独检测头和目标框单独检测头。这些改进能够提高目标检测的精度和效率，使得YOLOv8成为了一个高性能、轻量化的解决方案。在实际应用中，可以根据不同的需求选择适合的解耦头来进行模型设计。通过优化网络结构和训练策略，还可以进一步提升检测性能，并通过轻量化设计减少模型参数。源代码示例提供了类别单独检测头、目标框单独检测头和深度可分离卷积的实现，供读者参考和使用。希望本文对您理解YOLOv8的改进和解耦检测头的设计有所帮助！
YOLOv8 改进之 添加检测头
2301_80086153的博客
07-27 2842
以SC_C_Detect为例。
YOLOv8改进AFPN：提升目标检测性能的渐近特征金字塔网络
GzvDart的博客
09-17 1468
然而，原始的FPN存在着非相邻层之间的信息传递不足的问题，这在一定程度上限制了目标检测性能的进一步提升。在原始的FPN中，特征金字塔的构建是通过上采样和下采样操作实现的。总结起来，YOLOv8改进AFPN通过引入渐近特征金字塔网络（AsymptoticFPN）来增强非相邻层之间的直接交互，从而提升了目标检测的性能。为了解决这一问题，研究人员提出了一种改进的渐近特征金字塔网络（AsymptoticFPN），并将其与YOLOv8相结合，以进一步提升YOLO系列算法的性能。
【YOLOv8改进】 AFPN ：渐进特征金字塔网络 (论文笔记+引入代码)
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。
02-04 1万+
在目标检测任务中，多尺度特征对于编码具有尺度变化的对象至关重要。采用经典的自顶向下和自底向上特征金字塔网络是提取多尺度特征的常用策略。然而，这些方法存在特征信息的丢失或降级问题，损害了非相邻层次之间融合效果。本文提出了一种渐近特征金字塔网络（AFPN），以支持非相邻层次之间的直接交互。AFPN通过融合两个相邻的低级特征启动，并渐进地将更高级别的特征纳入融合过程。通过这种方式，可以避免非相邻层次之间较大的语义差距。
yoloV5 增加小目标检测层
m0_64298393的博客
05-29 1万+
原始网络有三个检测头： 分别是 80x80 （小目标） 40x40（中目标） 160x160(小目标)，现在要增加小目标检测层，就可以在80 x 80 的上一步，也就是 160 x 160 尺寸增加为了检测160 x 160的检测头，因此需将backbon中160 与NECK中的 160 相加（残差网络），但原始网络中 NECK没有60 x 160的特征图，但可以对 80x80的特征图再进行一次上采样，得到160x160的特征图，并于backbon中60x160的特征图连接即可得到下图的网络图。
YOLOv5改进系列(十一) 增加小目标检测层
专注于人工智能学习，总结
12-14 8788
（1）以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指3232-9696，大物体是指大于96*96）。物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标。目标边界框的宽高与图像的宽高比例小于一定值，通用值为0.1边界框面积与图像面积之比的中位数在0.08%~0.58%之间根据目标实际覆盖像素与图像总像素之间比例对小目标进行定义首先创建文件。
YOLOv8融合改进 更换检测头为Detect_DyHead同时添加C2f_DBB模块
分享一些自己改进代码的实例
12-25 4217
yolov8独家训练测试融合网络结构，提供详细步骤详细代码，手把手教你在yolov8官方包中把检测头更换为Detect_DyHead检测头，并且将原始的C2f模块更换成C2f_DBB模块，提高检测精度，亲测在多个数据集上有涨点！！！！！
Yolov8优化：渐近特征金字塔网络（AFPN）| 助力小目标检测
08-11 4478
本文改进：YOLOv8引入渐近特征金字塔网络（AFPN），解决多尺度削弱了非相邻 Level 的融合效果，提升小目标检测精度
yolov11 增加p2检测头减少p5
03-09
### 添加 P2 检测头并移除 P5 为了实现这一目标，需要对 `ultralytics/nn/tasks.py` 文件中的 `parse_model` 方法以及配置文件进行相应调整。 #### 修改 `tasks.py` 在 `ultralytics/nn/tasks.py` 的 `parse_model` 函数中添加逻辑来处理新的 P2 层次，并确保不会创建 P5 层次。具体来说： 当构建模型架构时，通过条件判断控制不同层次的生成过程[^1]。 ```python elif m is Detect: s = anchors[i] # anchor number nc = nc or int(ch[f]) # number of classes ch.append(nc * (len(anchors[i]) // 3)) # output channels layers.append(m(nc=nc, ch=ch[-1], stride=s)) # 新增P2检测头逻辑 if 'p2' in cfg_dict['head']: from ultralytics.nn.modules import Detect as PDetect p2_anchors = [[...]] # 定义适合P2尺度的锚框参数 pdetect_layer = PDetect(nc=nc, ch=..., anchors=p2_anchors) layers.append(pdetect_layer) # 移除P5检测头逻辑 if not ('p5' in cfg_dict['head']): pass # 不执行任何操作以跳过P5部分 ``` 上述代码片段展示了如何有条件地加入 P2 并忽略 P5 部分。需要注意的是实际应用中应依据具体的框架版本和项目结构调整路径及类名等细节。 #### 调整配置文件 对于 yolov*.yaml 类型的配置文档而言，可以通过设置特定标志位或者直接删除与 P5 相关的部分来达到目的。例如，在头部定义处指定仅保留哪些特征层作为输出: ```yaml head: ['p2', ... ] # 明确指出要使用的特征级别而不含p5 ``` 另外还可以考虑降低模型宽度或深度倍率从而间接影响高层级(P5)的存在形式及其复杂度[^3]: ```yaml depth_multiple: 0.33 width_multiple: 0.25 ``` 这些改动有助于优化 CPU 上运行效率的同时满足自定义需求。
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