YOLOv8改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov8（全网独家创新）

已于 2025-03-08 05:40:23 修改
阅读量2.5k 收藏 30
点赞数 9
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： 深度学习 人工智能 YOLO 目标检测 计算机视觉 python YOLOv8
于 2025-03-08 04:09:26 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/146109708

一、本文介绍

本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov8的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov8进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。

专栏回顾：YOLOv8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、添加方法

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

5.2 训练代码 

5.3 训练过程截图 

五、本文总结

二、原理介绍

​

官方论文地址： 官方论文点击此处即可跳转

官方代码地址： 官方代码点击此处即可跳转

了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | Neck篇 | 轻量级跨尺度特征融合模块CCFM（附yaml文件+添加教程）
Snu77的博客
12-15 1万+
本文给大家带来的改进机制是轻量级跨尺度特征融合模块CCFM（Cross-Scale Feature Fusion Module）其主要原理是：将不同尺度的特征通过融合操作整合起来，以增强模型对于尺度变化的适应性和对小尺度对象的检测能力。我将其复现在YOLOv8上，发现其不仅能够降低GFLOPs（成功添加之后，不引入任何其它模块GFLOPs降低至7.3），同时精度上也有很大幅度的提升mAP大概能够提高0.05左右，相对于BiFPN也有一定幅度的上涨。
YOLOv8改进 | Neck篇 | 利用Damo-YOLO的RepGFPN改进特征融合层（全新YOLOv8改进策略）
走向CTO的路上...
06-29 1785
将Damo-YOLO的RepGFPN引入YOLOv8的Neck层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和语义特征提取能力方面。RepGFPN是一种基于全局感受野（GF）和路径聚合（PA）的改进型特征融合网络，它能够有效地融合不同尺度特征之间的信息，并增强模型对语义信息的提取能力。RepGFPN改进特征融合层是一种有效的改进方案，可以显著提升模型的多尺度目标检测性能和语义特征提取能力，使其成为目标检测、图像分割、实例分割等任务的优选方案。
YOLOv8 改进：将 Neck 替换为 AFPN
走向CTO的路上...
04-17 1094
YOLO 是一种单阶段目标检测算法，可以在一张图片上同时预测多个物体的边界框和类别概率。其高效的处理能力使得它广泛应用于需要实时处理的场景中。AFPN 是一种改进的特征金字塔网络（FPN），通过引入自适应模块来动态调整不同层级特征的组合方式，从而更好地整合高层语义信息和低层细节信息。这种方法能够有效提升模型对不同尺度目标的识别能力。# 使用简单卷积层作为 AFPN 示例组件。
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
羲洋的博客
11-06 5480
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
YOLOv8改进 | Neck篇 | BiFPN双向特征金字塔网络（附yaml文件+代码）
热门推荐
Snu77的博客
12-14 1万+
本文给大家带来的改进机制是BiFPN双向特征金字塔网络，其是一种特征融合层的结构，也就是我们本文改进YOLOv8模型中的Neck部分，它的主要思想是通过多层级的特征金字塔和双向信息传递来提高精度。本文给大家带来的结构可以让大家自行调节网络结构大小，同时能够达到一定的轻量化效果(需要注意的是BiFPN正常是需要五个检测头的，但是YOLOv8只有三个检测头，所以我对其yaml文件进行了一定设计，从而支持三个头的检测，后面我也会出四个头的BiFPN，然后配合我前面的AFPN_Detect检测头来融合)。
YOLOv8改进 | Neck | 有效提升小目标检测效果，附完整代码结构图【小白必备】
kay_545
08-06 4199
yolov8改进，yolov8，slim-neck，
YOLOv11改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov11（全网独家创新）
Snu77的博客
03-08 4334
本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov11的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov11进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。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、添加方法4.1 修改一4.2 修改二4.3 修改三4.4 修改四。
YOLOv10改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov10（全网独家创新）
Snu77的博客
03-08 1205
本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov10的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov11进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。YOLOv10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、添加方法4.1 修改一4.2 修改二4.3 修改三4.4 修改四。
YOLOv11改进 | Neck篇 | 2024最新MFDS-DETR的HS-FPN改进yolov11特征融合层（全网独家首发）
Snu77的博客
11-10 3173
本文给大家带来的最新改进机制是最近这几天发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。特征选择模块和特征融合模块在本文的下面均会有讲解，这个结构是非常新颖的。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，利用该结构参数量下降至197W，计算量降低至7.0GFLOPs，本文结构为我独家复现，全网目前无第二份大家可以抓紧使用。
YOLOv8改进 | Neck篇 | 2024.1最新MFDS-DETR的HS-FPN改进特征融合层（降低100W参数，全网独家首发）
Snu77的博客
01-29 8013
本文给大家带来的改进机制是最近这几天最新发布的改进机制MFDS-DETR提出的一种HS-FPN结构，其是一种为白细胞检测设计的网络结构，主要用于解决白细胞数据集中的多尺度挑战。它的基本原理包括两个关键部分：特征选择模块和特征融合模块在本文的下面均会有讲解，这个结构是非常新颖的，代码仅仅更新了三天。其可以起到特征选择的作用，非常适合轻量化的读者来使用，其存在二次创新和多次创新的机会，在近期内我会对其进行更加轻量化和精度更高的二次创新，
YoloV8改进策略：Neck改进|SEAM与MultiSEAM模块，提高小目标和遮挡目标的检测精度|即插即用|附加代码+改进方法
m0_47867638的博客
10-30 1703
本文参考了“YOLO-FaceV2：A Scale and Occlusion Aware Face Detector”的研究内容，该论文提出了一种基于YOLOv5的人脸检测方法，即YOLO-FaceV2，以解决人脸尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。受到该论文的启发，本文将SEAM模块（遮挡感知注意力网络）及其扩展形式MultiSEAM模块引入到YoloV8中，旨在提升物体遮挡检测精度以及小目标的检测性能。
YOLOv8改进 | Neck | 添加双向特征金字塔BiFPN【含二次独家创新】
kay_545
06-20 4343
BIFPN（双向特征金字塔网络）通过双向特征融合和加权特征融合的创新设计，显著提升了特征金字塔网络（FPN）的性能。其核心思想是将信息在特征金字塔中双向传递，即从高层特征图向低层特征图传递，同时也从低层特征图向高层特征图传递，确保特征信息的充分融合。同时，BIFPN引入了可学习的加权机制，通过在训练过程中自动调整权重，优化不同尺度特征图的融合效果。这种设计不仅提高了特征表示的能力，还保持了计算的高效性，使其在目标检测和图像分割等计算机视觉任务中表现出色，能够更好地应对多尺度问题和不同任务需求。
YOLOv8改进 | Neck篇 | Slim-Neck替换特征融合层实现超级涨点（又轻量又超级涨点）
走向CTO的路上...
07-02 2587
在YOLOv8中引入Slim-Neck可以显著提高模型的性能，尤其是在目标检测的精度和速度方面。Slim-Neck是一种轻量级的特征融合网络，它采用了一种新的特征融合策略，在保证模型精度的同时，大幅降低了模型的计算量和参数量。Slim-Neck的引入使得YOLOv8能够在保持较高精度的同时，运行得更快，更轻量化，适用于对计算资源或部署空间受限的场景。Slim-Neck替换特征融合层是一种有效的改进方案，可以显著提升模型的性能，使其成为移动端目标检测、嵌入式系统目标检测和实时目标检测等任务的优选方案。
YoloV8改进策略：Neck篇|自研Neck层融合模型|深度特征与浅层特征融合，涨点明显|附结构图（独家原创）
m0_47867638的博客
06-04 2195
本文介绍的独家原创的Neck层特征融合方法，将深度特征和浅层特征相融合，结合自研下采样模块和动态上采样模块，提供了一种高效的Neck层改进方式，不仅为他们提供了一个现成的解决方案，而且能够作为灵感启发，鼓励他们在此基础上进行进一步的探索和创新。即插即用的特性使得这种改进方式易于集成到现有的深度学习框架中，降低了实验和应用的门槛。对于想发顶会的同学一定不要错过！
DAMO-YOLO：一份关于实时目标检测设计的报告
m0_47867638的博客
10-11 1414
在本报告中，我们提出了一种快速且准确的目标检测方法，名为DAMO-YOLO，其性能优于最先进的YOLO系列。DAMO-YOLO在YOLO的基础上进行了一些新技术扩展，包括神经架构搜索（NAS）、高效的重新参数化的广义泛函网络（RepGFPN）、带有对齐OTA标签分配的轻量级头部以及蒸馏增强。特别是，我们使用基于最大熵原理的MAE-NAS方法，在低延迟和高性能的约束下搜索我们的检测骨干，生成具有空间金字塔池化和焦点模块的ResNet-like/CSP-like结构。
YOLOv8改进GSConv+Slim Neck，有效提升目标检测效果，代码改进（超详细）
kay_545
01-08 4423
Slim Neck结构图GSConv结构图主要的贡献可以总结为以下三点：1.引入了一种新的轻量级卷积方法，GSConv。该方法使得卷积计算的输出尽可能接近SC的输出，降低了计算成本；2.我们为自动驾驶汽车的探测器架构提供了一种设计范例，即具有标准主干的细颈；3.我们广泛验证了不同方法的有效性实验结果：与原始网络相比，改进方法获得了最优秀的检测结果。实验结果。
YOLOv8改进策略【Neck】| SEAM：分离和增强注意模块，解决复杂场景下的小目标遮挡问题
Limiiiing的博客
03-27 481
本文记录的是利用 SEAM 模块优化 YOLOv8 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题，相当于是小目标被其他物体部分遮挡时，传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失，提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块（Separated and Enhancement Attention Module）的设计出发点是
YOLOv8改进 | Neck篇 | YOLOv8引入Slim-Neck（超轻量）
tsg6698的博客
08-30 1671
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YOLOv8改进有效涨点专栏，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~
YOLOv12改进策略【Neck】| arXiv 2024 MAFPN：多分支辅助特征金字塔网络 | 通过双向辅助融合与异构卷积机制，解决传统PAFPN多尺度特征融合不充分与小目标检测不足问题
最新发布
Limiiiing的博客
06-16 869
本文记录的是利用MAFPN颈部结构改进YOLOv12的目标检测网络模型。通过引入双向辅助融合机制优化特征处理流程，在自底向上路径利用 SAF 模块融合主干浅层特征与颈部输出，并保留浅层空间信息，为小目标检测提供更丰富细节；自顶向下路径通过 AAF 模块建立密集连接，聚合浅层高 / 低分辨率层、同级层及前层特征，均衡各层通道数后实现多向梯度信息交互，增强中 / 大目标特征表达。将其应用到中，解决传统特征金字塔在多尺度信息整合中的不足，提升多尺度目标检测的精度与特征表达的丰富性。Multi-Branch Aux
YOLOv11引入SDI模块提升多尺度特征融合与小目标检测
本文重点探讨了YOLOv11中引入的关键改进模块——来自UNetv2架构的SDI（Selective Deformable Integration，选择性可变形融合）模块，该模块在多层次特征融合机制上的创新设计，成为提升模型性能的核心驱动力之一。...
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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