YOLOv11改进 | Conv/卷积篇 | 利用MobileNetV4的UIB模块二次创新C3k2适配yolov11扩展率（全网独家首发，轻量化）

已于 2024-11-15 05:29:36 修改
阅读量2.9k 收藏 15
点赞数 9
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 人工智能 计算机视觉 深度学习 目标检测 python YOLOv11
于 2024-11-15 01:44:31 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/143784238

一、本文介绍

本文给大家带来的最新改进机制是利用MobileNetV4的UIB模块二次创新C3k2，其中UIB模块来自2024.5月发布的MobileNetV4网络，其是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB，也就是本文利用的结构）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。我将其用于C3k2的二次创新在V11n上参数量为250W），计算量为6.0GFLOPs，非常适用于想要轻量化网络模型的读者来使用，同时本文结构为本专栏独家创新。

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

二、原理介绍

三、核心代码

四、添加教程

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、C2fUIB的yaml文件和运行记录

5.1 C2fUIB的yaml文件

5.2 训练代码 

5.3 C2fUIB的训练过程截图 

五、本文总结

二、原理介绍

 

官方论文地址： 官方论文地址点击此处即可跳转

官方代码地址： 官方代码地址点击此处即可跳转

了解本专栏 订阅专栏 解锁全文
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 7万+
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 | 独家创新- 注意力篇 | YOLOv11结合全新多尺度线性注意力机制MLAttention(全网独家创新)
tsg6698的博客
10-02 2436
(2). 多层次的特征融合：MLAttention模块中的多组卷积层会提取不同层次的特征，并通过逐步累加的方式将这些特征进行融合。这种设计不仅保留了原始特征的基本信息，还通过注意力机制对特征进行了加强，能够在保留基础信息的同时突出关键特征，进一步提升模型的特征表达能力。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，后期我会根据各种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~
绝了！YOLOv11算法五大炸裂改进点来袭
最新发布
2501_93701069的博客
10-18 924
具体而言，可在C2PSA基础上增设金字塔注意力分支，使不同尺度的特征图拥有专属的注意力权重。如此一来，小目标和大目标都能得到更精准的注意力分配，进一步提升检测效果。YOLOv11目前能达到60FPS和61.5%的mAP，在实时性与精度的权衡上已表现出色，但仍可进行新的尝试。具体来说，打造一个更灵活的回归分支，不仅预测边界框，还能预测形状先验信息，如长宽比的分布、目标的朝向等。YOLOv11采用双标签分配策略，有效改善了重叠目标的检测精度，但在密集场景下仍有提升空间。在密集场景中，采用更严格的匹配条件；
YOLOv11模型改进-模块-引入空间自适应特征调制模块SAFM 提升多尺度、小目标检测
qq_64693987的博客
12-24 4544
SAFM 是一种空间自适应特征调制机制，它主要应用于图像超分辨率任务中。通过对输入特征进行动态调制，SAFM 能够自适应地选择代表性的特征表示，从而更好地恢复图像的细节和清晰度。这种机制的核心在于它能够从多尺度的角度处理特征，同时考虑局部和全局的信息，使得生成的特征更加具有判别性和鲁棒性。通道分割与初步处理首先对归一化的输入特征进行通道分割操作，产生四个部分组件。其中一个部分用深度卷积进行处理。其余三个部分则被送入多尺度特征生成单元，经过下采样、卷积和上采样等操作来生成多尺度特征。多尺度特征整合。
YOLOv11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 - 针对多尺度、小目标、遮挡、恶劣天气等问题
热门推荐
qq_64693987的博客
10-16 3万+
在一些特定情况下，目标检测任务由于多种因素的影响，变得更加复杂和困难。以下是几类常见的困难目标检测场景：1. 小目标检测定义：小目标检测是指当目标在图像中的占比非常小时，模型需要准确识别和定位这些目标。典型场景包括远程监控、卫星图像分析等。挑战1. 低分辨率：由于目标在图像中占据像素较少，细节缺失，特征提取难度增加。2. 特征不足：小目标缺乏明显的形状和纹理特征，容易被复杂背景淹没。3. 检测难度大：由于小目标与背景之间的对比度较低，误检的几率上升。4. 数据不平衡。
YOLOv11改进：轻量化模型MobileNetv4
qq_44231797的博客
04-24 4148
它通过整合多种先进技术，如通用反转瓶颈（UIB）、针对移动设备优化的注意力机制（Mobile MQA），以及先进的架构搜索方法（NAS），实现了在不同硬件上的高效运行，成功打造出一系列在移动设备上表现最优的模型，兼顾计算效率和精度，实现了在多种硬件平台上的帕累托最优性能。**MobileNetV4（MNv4）**是最新一代的MobileNet，其核心原理在于实现了跨各种移动设备的高效性能,**预处理（pre-process）：**0.6毫秒（ms）**推理（inference）：**6.6毫秒（ms）
YOLOv11模型改进-注意力机制-引入自适应稀疏自注意力ASSA
qq_64693987的博客
10-16 4575
Adaptive Sparse Self-Attention（ASSA）是自适应稀疏Transformer（AST）模型中的关键组件，主要用于提升图像恢复任务的性能。ASSA的设计旨在减少标准Transformer模型中由于无关区域引入的噪声交互，同时解决特征冗余问题。稀疏自注意力（SSA）：使用基于ReLU的稀疏注意力机制，过滤掉查询与键之间低匹配的无关交互。这可以减少无效特征的参与，帮助聚焦在最有价值的信息交互上。
YOLOv11改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化C3k2
Limiiiing的博客
10-12 1211
通用反向瓶颈结构。
YOLOv11改进策略【独家融合改进】| MobileNetV4+BiFPN，轻松实现降参涨点，适用专栏内所有的骨干替换
Limiiiing的博客
01-09 1840
可扩展的高效物体检测BiFPN（加权双向特征金字塔网络）
YOLOv11改进缝合Conv | 融合MobileNetV4-UIB结构的YOLOv11卷积模块
一键难忘的博客
07-18 517
YOLO 系列一直是目标检测领域的佼佼者，而如何进一步提升其在移动设备上的轻量化能力，是近几年研究的重点。本文带来一种全新架构改进方式——将 MobileNetV4 中的 UIB 模块用于 YOLOv11 的 C3k2 结构二次创新重构，实现了在轻量化与准确率之间的最优权衡，V11n下模型参数仅为250W，计算量6.0GFLOPs，具备极强的移动端部署潜力。
YOLOv11改进-卷积-引入Upsampling by Dynamic DySample 解决传统上采样灵活性问题
qq_64693987的博客
10-17 4319
现有的上采样方法如等，依赖于动态卷积来生成上采样的内容感知核，但这些方法需要额外的子网络生成动态卷积核计算量较大。尤其是 FADE 和 SAPA 需要高分辨率的特征图作为引导，进一步增加了计算负担，并限制了应用场景。DySample的核心思想是将上采样过程重新定义为点采样（Point Sampling）。通过学习输入特征图中的采样点坐标，DySample 生成内容感知的采样点来对特征图进行重新采样，而不是使用动态卷积核。具体实现步骤如下：​​1. 输入特征图：大小为 C×H×W的输入特征图。
YOLOv11改进 | YOLOv11s引入MobileNetV4——YOLOv11s_MV4
MR_Colorful的博客
04-08 2094
主要是对该文章进行复现，以及对一些问题进行解答。
YOLOv11改进，YOLOv11改进损失函数采用Powerful-IoU：自适应惩罚因子和基于锚框质量的梯度调节函数（2024年最新IOU）
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
10-09 1851
物体定位是物体检测中的一项关键任务，它严重依赖于边界框回归 (BBR) 损失函数的评估和优化。因此，边界框回归损失函数显著影响物体检测器的性能。大多数 BBR 损失可归类为 𝑙𝑛-norm 和基于 IoU 的损失。如下图所示，不同IoU 损失函数引导的锚框回归过程。彩色框为不同损失函数引导的锚框在回归过程中的分布。很明显，PIoU 损失引导的锚框回归最快，可以最快地逼近目标框。而且，除 PIoU 损失外，所有损失函数引导的锚框都存在面积扩大的问题，而 PIoU 损失引导的锚框不存在此问题。
YOLOv11全方位改进指南：卷积层、轻量化、注意力、损失函数等创新优化一览
QQ_778132974的博客
06-18 839
YOLOv11通过八大核心模块的创新设计，在保持YOLO系列实时性的同时显著提升检测精度。本文提出的可变形卷积DCNv4多模态注意力动态解耦头等创新方案，已在工业质检、自动驾驶、无人机巡检等领域成功应用。完整项目地址预训练模型：包含从nano到x六个规格在线演示创新声明首次在YOLO系列集成DCNv4，小目标检测AP提升8.2%提出多模态混合注意力(MMAttention)，兼顾通道与空间关系动态标签分配策略使训练效率提升40%
YOLOv11模型改进-注意力-引入单头自注意力Single-Head Self-Attention（SHSA）解决小目标、遮挡
qq_64693987的博客
10-21 4625
SHSA通过仅对部分输入通道应用单头注意力，减少了计算冗余和内存访问成本。部分通道处理：仅对部分输入通道（默认比例为1/4.67）应用注意力层，其余通道保持不变。全通道投影：最终的投影应用于所有通道，确保注意力特征有效传播到所有通道。简化操作：减少内存绑定操作，提高了计算效率。
YOLOv11模型改进-模块-引入特征细化模块FRFN 解决小目标、遮挡等问题
qq_64693987的博客
12-24 2992
FRFN 是一种专门设计的深度学习结构，旨在提高图像处理任务中的特征表示能力。它的核心设计理念是通过逐层细化和优化特征图，从而实现更高的分类和检测精度。1. 特征提取层：通过卷积层提取初始特征，并进行批量归一化以增强稳定性。2. 特征细化模块：在每个模块中，当前层特征图与前一层特征图进行融合，以强化特征表示。3. 跳跃连接：通过跳跃连接保留多尺度信息，帮助缓解深层网络中的信息丢失。4. 非线性激活：使用激活函数（如ReLU）增加模型的非线性能力。5. 输出层。
YOLOv11改进 | Neck篇 | YOLOv11引入Slim-Neck（轻量）
tsg6698的博客
10-01 2513
在标准的CNN架构中，随着网络深度的增加，空间信息逐步转化为通道信息，这一转换过程在每次特征图的空间压缩和通道扩展操作中往往伴随着语义信息的部分损失。GSConv通过其独特的设计，旨在在维持较低时间复杂度的同时，最大化地保留通道之间的潜在连接，从而减少信息的丢失。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，后期我会根据各种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~
YOLOv11改进 | 卷积模块 | 分布移位卷积DSConv替换Conv
kay_545
10-05 1984
yolo11，yolo11改进，卷积，轻量化
YOLOv11改进 | 主干部分 | 引入MobileNetV4结构
m0_64858060的博客
02-28 5946
YOLOv11改进 | 主干部分 | 引入MobileNetV4结构
yolov8利用MobileNetV4 的UIB改进C2f模块
02-06
### 如何使用 MobileNetV4 的 UIB 改进 YOLOv8 的 C2f 模块 #### 实现方法 为了实现这一目标，首先需要理解 MobileNetV4 中的通用反向瓶颈（UIB）结构及其特性。UIB 结构通过减少通道数量并增加非线性操作来提高效率和性能[^3]。 具体来说，在 YOLOv8 的 C2f 模块中引入 UIB 可以按照以下方式： 1. **替换原有卷积层**：将原有的标准卷积层替换成带有深度可分离卷积的 UIB 单元。这不仅减少了参数量还提升了计算速度。 ```python class UIB(nn.Module): def __init__(self, in_channels, out_channels, stride=1): super(UIB, self).__init__() hidden_dim = int(in_channels * expansion_ratio) layers = [ nn.Conv2d(in_channels, hidden_dim, kernel_size=1), nn.BatchNorm2d(hidden_dim), nn.ReLU6(inplace=True), nn.Conv2d(hidden_dim, hidden_dim, groups=hidden_dim, kernel_size=kernel_size, padding=(kernel_size-1)//2, stride=stride), nn.BatchNorm2d(hidden_dim), nn.ReLU6(inplace=True), nn.Conv2d(hidden_dim, out_channels, kernel_size=1), nn.BatchNorm2d(out_channels) ] self.conv = nn.Sequential(*layers) def forward(self, x): return self.conv(x) ``` 2. **集成到 C2f 模块**：修改后的 C2f 应该能够接收输入特征图并通过一系列改进过的 UIB 层处理这些数据。最终输出经过增强表示的学习结果给下一层网络继续工作。 3. **调整超参数配置文件**：根据实际需求微调模型训练过程中的学习率、批量大小等设置，确保最佳效果的同时保持较低资源消耗。 #### 效果对比 采用上述方案后，相比于原始版本，新架构下的 YOLOv8 表现出显著优势： - 参数总量大幅降低至约 220W 左右，相比之前减少了近百万个参数； - 计算复杂度也有所改善，达到大约 6.2 GFLOPs； - 对于移动端应用场景而言更加友好，能够在保证检测精度的前提下极大程度节省硬件成本与功耗开销[^4]。
评论 1
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