YOLOv11改进 | Conv篇 | 图像去雾卷积DEConv助力yolov11有效涨点（部署零额外开销）

最新推荐文章于 2025-10-18 12:31:28 发布
最新推荐文章于 2025-10-18 12:31:28 发布
阅读量1.6k 收藏 6
点赞数 2
CC 4.0 BY-SA版权
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 神经网络 目标检测 YOLOv11
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/150253665

一、本文介绍

本文给大家带来的最新改进机制是一个在低层视觉任务里很实用的小机制：DEConv（Detail-enhanced Convolution，细节增强卷积）。它的核心想法很简单：在训练阶段，用“普通卷积 + 若干差分卷积（像 Sobel 那样的方向梯度先验）”组成并联多分支，让网络更容易学到“边缘、纹理、轮廓”这类细节；而到了部署/推理阶段，再把这些分支折叠成一个标准 3×3 卷积，因此速度、参数量、FLOPs 和普通卷积几乎一样，但细节重建更优秀，本文内容包含DEConv改进YOLOv11的教程，以及DEConv的核心原理介绍。

这类“训练用多分支、部署时折叠”的思路和你可能听过的 RepVGG、RepConv 是一脉相承的：训练时给网络更多表达力，部署时把计算图化繁为简，如果你正在做去雾、去噪、超分、补全、雨雪去除等涉及纹理/边缘重建的任务，DEConv 是一个值得尝试的改进机制。

专栏目录（更多改进详见）：YOLOv11改进系列专栏目录——本专栏持续复习各种顶会内容——上百种最新改进机制 

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 4324
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。
YOLOv13涨点改进 | 全网独家创新、细节涨点改进篇 | CVPR 2025 | YOLOv13引入SSA序列打乱注意力模块，含MSCSA二次创新模块、助力目标检测、图像分类、实例分割有效涨点
Ai缝合怪、助力小伙伴高效发论文
10-06 441
本文提出了一种改进的YOLOv13模型，通过引入序列打乱注意力模块（SSA）和多尺度卷积混合注意力（MSCSA）来提升目标检测性能。SSA模块通过聚合多方向序列特征并计算注意力权重，有效捕捉长程依赖关系，同时保持图像局部性和连续性。MSCSA则结合多尺度卷积运算，增强了复杂场景下的特征表达能力。实验表明，改进后的模型在检测精度和效率上均有显著提升，特别适用于小目标检测。文章详细介绍了模块结构、实现代码和配置方法，为研究者提供了可直接应用的改进方案。
绝了！YOLOv11算法五大炸裂改进点来袭
最新发布
2501_93701069的博客
10-18 832
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改进 | Conv改进篇 | 引入 DEConv细节增强卷积模块,能够恢复更多细节信息，含二次创新，提升小目标检测精度（全网独家创新）来自TIP 2024顶刊
Ai缝合怪、助力小伙伴高效发论文
08-11 368
本文介绍了一种细节增强卷积（DEConv）模块创新改进点。通过将先验信息（如图像的边缘信息）融入卷积层，DEConv提高了YOLOv11的泛化能力，使其在处理不同场景下的模糊或遮挡图像时，能够恢复更多细节信息，从而提升了目标检测精度。
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
黎国溥
10-08 3万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
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
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 | SPPF篇 | 2024最新AIFI模块改进特征金字塔网络（Transformer和YOLO的结合）
Snu77的博客
11-06 1万+
本文给大家带来是用最新的改进是RT-DETR模型中的AIFI模块间去替换YOLOv11中的SPPF。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR中的一些先进模块融入到YOLOv11往往能够达到一些特殊的效果，因为发论文并不一定要提高精度轻量化模型也是一个方向本文含yolov11和RT-DETR的结合文件，配合RT-DETR检测头）。
YOLOv11改进：轻量化模型MobileNetv4
qq_44231797的博客
04-24 4028
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 4537
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
热门推荐
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 | Conv/卷积篇 | 全维度动态卷积ODConv卷积二次创新C3k2助力YOLOv11有效涨点
Snu77的博客
10-13 4662
这篇文章给大家带来的是发表于2022年的ODConv(Omni-Dimensional Dynamic Convolution)中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家。
YOLOv11改进 | Conv篇 | SPD-Conv空间深度转换卷积改进yolov11（高效空间编码技术SPDConv）
Snu77的博客
10-16 4283
本文给大家带来的改进内容是SPD-Conv（空间深度转换卷积）技术。SPD-Conv是一种创新的空间编码技术，它通过更有效地处理图像数据来改善深度学习模型的表现。SPD-Conv的基本概念：它是一种将图像空间信息转换为深度信息的技术，从而使得卷积神经网络（CNN）能更加有效地学习图像特征。这种方法通过减少信息损失和提高特征提取的准确性，优化了模型对小物体和低分辨率图像的处理能力。
YOLOv11改进 | Conv/卷积篇 | 2024最新ECCV最新大感受野的小波卷积WTConv助力YOLOv11有效涨点（二次创新C3k2）
Snu77的博客
11-05 2678
本文给大家带来的改进机制是一种新的卷积层，称为WTConv（小波卷积层），它利用小波变换（WT）来解决卷积神经网络（CNN）在实现大感受野时遇到的过度参数化问题。WTConv的主要目的是通过对输入数据的不同频率带进行处理，使CNN能够更有效地捕捉局部和全局特征，WTConv成功解决了CNN在感受野扩展中的参数膨胀问题，提供了一种更为高效、鲁棒且易于集成的卷积层解决方案，我将其用于二次创新YOLOv11中的C3k2机制可以减少百分之十的参数量和计算量，达到一个可观的轻量化作用。
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 4290
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 2003
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 1829
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
06-18 822
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 4596
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改进conv
01-14
### 改进 YOLOv11 中的 Conv 卷积层 #### 使用 SPD-Conv 替代传统卷积操作 为了提升模型性能并优化计算效率，可以引入 SPD-Conv (Spatial Pyramid Depthwise Convolution)，这是一种高效的空间编码技术。SPD-Conv 结合了空间金字塔池化和深度可分离卷积的优点，能够更有效地捕捉多尺度特征[^2]。 ```python import torch.nn as nn class SPDCONV(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(SPDCONV, self).__init__() # 定义不同尺度下的深度可分离卷积分支 branches = [] scales = [1, 2, 4] for scale in scales: branch = nn.Sequential( nn.Conv2d(in_channels=in_channels, out_channels=out_channels, groups=in_channels, kernel_size=kernel_size * scale, stride=stride, padding=(kernel_size * scale - 1) // 2), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) branches.append(branch) # 将多个分支的结果拼接起来 self.branches = nn.ModuleList(branches) self.conv_cat = nn.Conv2d(len(scales)*out_channels, out_channels, 1) def forward(self, x): outputs = [branch(x) for branch in self.branches] output = torch.cat(outputs, dim=1) return self.conv_cat(output) ``` 通过上述方法构建的 SPD-Conv 层可以在保持较高精度的同时减少参数量与计算开销，从而提高检测速度和效果。 #### 增强网络结构设计 除了替换基础组件外，还可以考虑调整整体架构来进一步增强 conv 卷积层的表现力： - **增加残差连接**：借鉴 ResNet 的设计理念，在适当位置加入跳跃链接以缓解梯度消失问题； - **采用更深或更宽的基础模块**：根据具体应用场景需求灵活配置层数及通道数； - **探索新型激活函数**：测试 ReLU 变体如 LeakyReLU 或 Swish 是否能带来额外增益； 这些策略有助于挖掘数据潜在模式，使改进后的 YOLOv11 更加鲁棒且适应性强。
评论 15
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