【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 2025-12-01 19:15:00 发布
最新推荐文章于 2025-12-01 19:15:00 发布
阅读量2.3k 收藏 12
点赞数 2
CC 4.0 BY-SA版权
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

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 

5.3 训练过程截图 

五、本文总结

二、原理介绍

官方论文地址： 官方论文地址点击此处即可跳转

官方代码地址： 

了解本专栏 订阅专栏 解锁全文
【RT-DETR涨点改进】独家Conv改进篇 | 来自TIP 2024顶刊| 引入 DEConv细节增强卷积模块, 能够恢复更多细节信息，提升小目标检测精度、含多种不同模型改进点
Ai缝合怪、助力小伙伴高效发论文
09-14 199
本文提出了一种细节增强卷积(DEConv)模块，通过融合多种差异卷积(CDC、ADC、HDC、VDC)来增强图像特征表示能力，特别在边缘和纹理细节提取方面表现突出。该模块采用重参数化技术，在不增加计算成本的情况下，将先验信息融入常规卷积层，显著提升了RT-DETR模型在模糊或遮挡场景下的目标检测精度。实验验证了DEConv在多种骨干网络(ResNet18/50、HGNet等)中的有效性，为实时目标检测系统提供了轻量高效的改进方案。
【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 4172
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，
【YOLOv5/v7改进系列】引入RT-DETR的RepC3
2401_84870184的博客
06-28 4888
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。
Ultralytics中的RT-DETR模块的RepC3 bug
DADONGOOO的博客
04-14 816
在跑U版本的RT-DETR，我修改了RepC3的e的默然参数，e 不等于1的时候，程序就会报错，在检查代码的时候，发现官方的代码有问题。下，网络层的维度计算均正确，避免了潜在的错误。已将bug报告给了官方。的结构预期是先将输入通道通过。，否则会导致维度不匹配的问题。的输出通道数应为隐藏层通道数。此修正确保了在任意扩展系数。，保证最终输出尺寸正确。在当前的代码实现中，
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。
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 1万+
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)。
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。
【RT-DETR涨点改进】全网独家创新、特征融合改进篇 | TCSVT 2025 | RT-DETR引入BFEFusion边界引导特征增强融合模块，含多种版本改进，多模态检测、小目标检测等任务有效涨点
Ai缝合怪、助力小伙伴高效发论文
10-21 183
本文提出了一种边界引导特征增强融合模块（BFEFusion）来改进RT-DETR目标检测模型。BFEFusion通过边界预测任务和特征对齐机制，有效提升了模型在复杂场景下的表现，特别是模糊边界和小目标检测。该模块采用可变形卷积和注意力机制增强边界区域特征，结合跨层特征融合，显著提高了分割精度和边界定位能力。文章详细介绍了BFEFusion的结构原理、代码实现方法，并提供了三种改进版本的YAML配置文件（rtdetr-l/r18/r50-BFEFusion），帮助研究人员快速应用该创新方法实现模型性能提升。
【RT-DETR涨点改进】全网独家注意力改进篇 | ECCV 2024 | RT-DETR引入Agent Attention代理注意力模块，兼顾 Softmax 和线性注意力优点，含多种创新、助力涨点
Ai缝合怪、助力小伙伴高效发论文
10-20 122
本文提出了一种基于AgentAttention模块改进的RT-DETR目标检测网络。该模块通过引入代理token（AgentTokens）来降低传统Softmax注意力的计算复杂度，同时保留全局上下文建模能力。文章详细介绍了模块结构、原理及优势，并提供了5种改进配置方案（如rtdetr-r18-AIFI_AgentAttention.yaml）。实验表明，该方法在高分辨率场景下能显著提升检测精度和推理速度，适用于分类、检测、分割等多种视觉任务。文中还包含完整的代码实现和模型配置指南。
【RT-DETR涨点改进】独家特征融合创新改进篇 | AAAI2025顶会 | RT-DETR引入SAD尺寸感知解码器模块，适用于目标检查，医学图像分割，图像增强（全网独家创新）
Ai缝合怪、助力小伙伴高效发论文
09-15 143
本文提出了一种尺寸感知解码器(SADecoder)模块，用于优化RT-DETR目标检测模型。该模块通过独立处理不同尺寸的实体来解决传统解码器的尺度单一性问题：浅层特征图用于检测小目标，深层特征图用于检测大目标。SADecoder包含三个并行解码器(Decoder_s、Decoder_m、Decoder_l)，分别处理小、中、大尺寸目标，最终融合输出。实验证明，该模块能有效提升模型性能，特别是在处理多尺度目标时表现优异。文章还提供了模块实现代码和三种改进的RT-DETR模型配置方案。
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 2862
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 3744
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 3486
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。
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 2219
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！
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
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
12-07 2014
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；
RTDETR解读（1）
2401_85781769的博客
08-06 382
RepC3的流程框图如下：将输入分别进行1×1的卷积处理，可以选择性的对其输出通道进行调整，e不变就是通道不变。然后将两次的结果相加，通过RepConv处理，过程中不会对其通道进行变化，分别进行卷积、池化后相加通过激活函数后再次进行卷积，最后通过卷积调整通道数之后输出。作为一个农机的研究生，方向为计算机视觉，进来无事想和大家分享一下之前学习的模型RTDETR，如有错误处请及时与我联系，希望我的经验和解读可以帮到你。有什么想看的也可以给我留言。
(即插即用模块-特征处理部分) 三十、(2024) BFAM & CBM & DFEM 特征聚合+特征提取+边界感知
wei582636312的博客
03-09 2424
在遥感图像变化检测中，边界信息对于准确识别变化区域至关重要。现有的方法往往忽略了边界信息与变化信息之间的关系，导致边界特征提取能力不足，影响检测精度。CBM 利用边界信息来辅助提取变化区域特征，其通过边缘增强操作，强化边界信息，使其在特征图中更加突出。此外，CBM 学习如何更好地利用边界信息来定位变化区域，并指导其他模块进行特征解耦。现有的方法往往由于特征解耦过程的信息损失，导致高级语义信息不足。然后利用残差操作融合特征信息，并提取更深层次的高层次语义特征。B2CNet 论文中提出的。
使用YOLOv8结合DeepSORT实现人物追踪和体态检测
irisMoon06的博客
12-01 217
使用YOLOv8结合DeepSORT实现人物追踪和体态检测的Python代码。使用YOLOv8姿势估计模型检测人体并估计17个关键点。使用DeepSORT算法进行人物追踪。DeepSORT实时追踪 (实时显示追踪ID和人体骨骼。
基于YOLO的x光安检危险物品检测 数据集介绍：类别为8类，包括：刀（knife）、剪刀（sc...
最新发布
2508_94204880的博客
12-01 401
数据集介绍：类别为8类，包括：刀（knife）、剪刀（scissors）、打火（lighter）、优盘（USBFlashDisk）、压力容器（pressure）、带喷嘴塑料瓶（plasticBottleWithaNozzle）、公章（seal）、电池（battery）。我们团队最近尝试用YOLOv5解决这个问题时发现，最刺激的不是调参，而是看着模型把公章认成电池的瞬间——这要是真在机场，怕是得引发全员手检了。推理阶段的骚操作才叫精彩。先看这个奇葩数据集：8类物品里既有锋利的刀剪，又有看似无害的优盘。
RT-DETR目标检测改进方案与多模型优化实践
该方案不仅涵盖了对RT-DETR-R50和RT-DETR-R18主干网络的结构优化，还融合了YOLOv5与YOLOv8系列中成熟的组件设计思想，形成了一套跨模型、多技术协同的综合性解决方案。 首先，在模型结构层面，本文引入了**...
评论 7
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