【RT-DETR有效改进】最新双时相特征聚合模块BFAM助力RT-DETR有效涨点（二次创新RepC3全网独家首发）

最新推荐文章于 2025-06-15 13:56:53 发布
最新推荐文章于 2025-06-15 13:56:53 发布
阅读量1.4k 收藏 7
点赞数 2
分类专栏： RT-DETR有效改进专栏 文章标签： YOLO 深度学习 计算机视觉 目标检测 人工智能 python RT-DETR
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/146194981
版权

一、本文介绍

本文给大家带来的最新改进机制是2024年的双时相特征聚合模块BFAM，其中双时相特征聚合模块（BFAM）基于空间-时间特征聚合多种感受野的特征，同时保留了细粒度信息和纹理信息，增强了变化检测的准确性，我将其用于二次创新yolov11中的C3k2模块，目的是为了提高了图像变化检测的准确性，解决噪声和信息丢失的问题，本文的内容为独家创新，下图为BFAM网络的结构图。

欢迎大家订阅我的专栏一起学习RT-DETR，购买专栏读者联系读者入群获取进阶项目文件！  

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR

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、正式训练

5.1 yaml文件1

5.2 yaml文件2 

了解本专栏 订阅专栏 解锁全文
【RT-DETR有效改进】轻量级视觉变换器RepViT改进特征提取网络（轻量化网络）
Snu77的博客
01-17 3044
本位给大家带来的改进机制是RepViT。它是一种最新发布的网络结构，把轻量级的视觉变换器（就是ViT）的设计理念融入到了我们常用的轻量级卷积神经网络（CNN）里。我尝试把它用在RT-DETR的主干网络上，效果还不错，mAP有一定的提高。我用的是这个网络中最轻量级的版本。我将其用于在我的数据上实验（包含多个类别其中包含大中小多个目标类别），无论哪种目标，精度均有所提升。接下来，我会展示一下原始版本和我改进后版本在训练上的对比图。之后会在文章中介绍该网络结构，然后教大家如何修改该网络结构。
【RT-DETR有效改进】利用YOLOv9的GELAN模块替换RepC3结构（附轻量化版本 + 高效涨点版本 + 手撕结构图）
Snu77的博客
02-24 3536
本文给大家带来的改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的GELAN模块来改进RT-DETR的RepC3结构，GELAN融合了CSPNet和ELAN机制同时其中利用到了RepConv在获取更多有效特征的同时在推理时专用单分支结构从而不影响推理速度，同时本文的内容提供了两种版本一种是参数量更低涨点效果略微弱一些的版本（参数量V8n下降80w，计算量为6.1GFLOPs），另一种是参数量稍多一些但是效果要不参数量低的效果要好一些（均为我个人整理），提供两种版本是为了适配不同需求的读者，
【RT-DETR有效改进】 利用Damo-YOLO的RepGFPN改进特征融合层（高效重参数化Neck）
Snu77的博客
02-01 1421
本文给大家带来的改进机制是Damo-YOLO的RepGFPN重参数化泛化特征金字塔网络，利用其优化RT-DETR的Neck部分，可以在不影响计算量的同时大幅度涨点（亲测在小目标和大目标检测的数据集上效果均表现良好涨点幅度超级高！RepGFPN不同于以往提出的改进模块，其更像是一种结构一种思想(一种处理事情的方法)，RepGFPN相对于BiFPN和之前的FPN均有一定程度上的优化效果。适用检测目标：所有的目标检测均有一定的提点推荐指数⭐⭐⭐⭐⭐。
【YOLOv5/v7改进系列】引入RT-DETR的RepC3
2401_84870184的博客
06-28 3675
在COCO数据集上，RT-DETR-R50和RT-DETR-R101分别达到了53.1%和54.3%的平均精度（AP），同时在T4 GPU上分别实现了108和74的帧每秒（FPS）。：经过Objects365数据集的预训练后，RT-DETR-R50和RT-DETR-R101的性能进一步提升至55.3%和56.2%的AP，显示了巨大的性能提升潜力。综上，RT-DETR通过其创新的设计，在保证实时性的前提下，实现了速度与准确性的优化，为实时目标检测领域带来了一种新的、性能优越的解决方案。
YOLOv8改进教程|加入可改变核卷积AKConv模块，效果远超DSConv！
深度学习炼丹师，偶尔分享炼丹技术!
05-15 9782
论文速览：：AKConv是2023年11月发表的一种可变卷积核，赋予卷积核任意数量的参数和任意采样形状，以解决具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标的问题点可以为网络开销和性能之间的权衡提供更丰富的选择。AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状，能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取姝征，这在标准卷积和可变形卷积中并未实现。AKConv能够根据硬件环境，使卷积参数的数星呈线性增减（(非常适用于轻量化模型)。
深入 YOLOv8：探索 block.py 中的模块，逐行代码分析（三）
热门推荐
dont worry about it的博客
05-10 5万+
YOLOv8，作为最新和最先进的对象检测模型之一，其核心架构由多个精心设计的构建块组成。这些构建块在 block.py 文件中定义，它们共同构成了 YOLOv8 的骨架。在本文中，我们将深入探讨这些构建块的原理和作用。
YOLOv6 Pro | 用 yaml 文件格式一步步搭建 YOLOv6L 网络结构教程（1）——主干网络篇，一看就懂，分享给纯小白的干货（同样适用于官方的YOLOv5改进）
qq_43000647的博客
12-09 2761
YOLOv6 Pro | 如何用 yaml 文件格式一步步搭建 YOLOv6L 的主干网络，一看就懂，分享给纯小白的干货（同样适用于官方的YOLOv5）
【每天一篇深度学习论文】（IEEE 2024）即插即用双时相特征聚合模块BFAM
Magnolia_He的博客
11-28 2986
B2CNet:AProgressiveChangeBoundary-to-CenterRefinementNetworkforMultitemporalRemoteSensingImagesChangeDetectionhttps://ieeexplore.ieee.org/document/10547405B2CNet模型基于编码器-解码器架构，由变化边界感知模块（CBM）、双时相特征聚合模块（BFAM）和深度特征提取模块（DFEM）组成。CBM负责边界信息的提取和增强，BFAM
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
【YOLOv8改进[Head检测头]】YOLOv8换个RT-DETR head助力模型更优秀
静谧、淡雅
04-23 2895
YOLOv8换个RT-DETR head助力模型更优秀
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-03 1万+
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
《RT-DETR魔术师》专栏介绍 & 优快云独家改进创新实战 & 专栏目录
11-14 5637
通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、neck、loss等）进行魔改，实现创新！！！
RT-DETR手把手教程：NEU-DET钢材表面缺陷检测任务 | 不同网络位置加入EMA注意力进行魔改
12-07 1693
本文首先复现了将EMA引入到RT-DETR中，并跟不同模块进行结合创新；1）多种Rep C3结合；2）直接作为注意力机制放在网络不同位置；
YOLOv11改进 | 细节创新篇 | 最新双时相特征聚合模块BFAM助力yolov11有效涨点（二次创新C3k2全网独家首发）
Snu77的博客
01-21 1465
本文给大家带来的最新改进机制是2024年的双时相特征聚合模块BFAM，其中双时相特征聚合模块（BFAM）基于空间-时间特征聚合多种感受野的特征，同时保留了细粒度信息和纹理信息，增强了变化检测的准确性，我将其用于二次创新yolov11中的C3k2模块，目的是为了提高了图像变化检测的准确性，解决噪声和信息丢失的问题，本文的内容为独家创新，下图为BFAM网络的结构图。欢迎大家订阅我的专栏一起学习YOLO，购买专栏读者联系读者入群获取进阶项目文件！
YOLOv3 正负样本划分详解
最新发布
guoguozgw的博客
06-15 577
条件是否为正样本anchor 与 GT 的 IoU 最大✅ 强制标记为正样本anchor 与 GT 的 IoU > iou_threshold（如 0.5）✅ 可选标记为正样本无任何 GT 与其重叠❌ 负样本仅部分重叠但不是最大匹配❌ 忽略（不参与位置损失）⚠️ 注意：只有负责预测真实框的 bounding box 才会参与位置回归（tx, ty, tw, th）和类别概率（class probs）的损失计算。该 bounding box不负责预测任何真实框；
YOLOv8新突破：FASFFHead多尺度检测的极致探索
shrgegrb的博客
06-14 590
摘要：本文提出一种创新的辅助特征融合检测头FASFFHead，用于改进YOLOv8的目标检测性能。FASFFHead通过构建四级特征融合体系（P3-P6）和自适应空间特征融合机制，有效解决了多尺度特征融合不充分的问题。实验表明，在COCO数据集上，该模型使YOLOv8n的mAP@0.5提升2.8个百分点，参数量仅增加0.6M。消融实验验证了P6层和ASFF机制的有效性，实际应用如无人机航拍目标检测也展示了其优越性能。
YOLOv8模型剪枝实战：DepGraph(依赖图)方法详解
2401_82355416的博客
06-14 1210
本文详细介绍了基于DepGraph依赖图的YOLOv8模型剪枝方法。首先概述了模型剪枝的概念、类型及其重要性，然后深入解析了DepGraph依赖图的构建原理与剪枝流程。针对YOLOv8的架构特点，提供了完整的剪枝实战指南，包括环境准备、模型加载、依赖图构建、剪枝策略设计及微调等关键步骤。通过模型大小、推理速度和精度评估验证了剪枝效果，并分享了分层剪枝、渐进式剪枝等高级技巧。最后讨论了常见问题解决方案，展望了剪枝技术的未来发展方向，为YOLOv8在边缘设备的轻量化部署提供了实用方案。
一[3.2]、ubuntu18.04环境 利用 yolov8 训练开源列车数据集，并实现列车轨道检测【全网最详细】
努力努力努力
06-12 167
YOLOv8训练自己的数据集(超详细)-优快云博客
Openvino推理Yolov8-seg
qq_49595983的博客
06-12 427
【代码】Openvino推理Yolov8-seg。
WINCC 7.5作为客户端如何通过OPC UA 与S7-1200通讯
06-08
您可以按照以下步骤进行操作： 1. 在S7-1200 PLC中启用OPC UA服务器功能。 2. 在WINCC 7.5中创建一个OPC UA客户端对象。 3. 配置OPC UA客户端对象以连接到S7-1200的OPC UA服务器。您需要指定S7-1200的IP地址和端口号以及OPC UA服务器的名称。 4. 在WINCC 7.5中创建一个数据标签，并将其连接到S7-1200的OPC UA服务器上的标签。 5. 在WINCC 7.5中创建一个界面，并添加先前创建的数据标签到该界面上。 6. 运行WINCC 7.5，并通过界面与S7-1200进行通信。 需要注意的是，您需要在S7-1200中配置正确的权限和安全设置以确保安全通信。此外，在WINCC 7.5中配置OPC UA客户端时，您还需要设置正确的安全选项和证书等信息。
评论 6
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