- 博客(42)
- 收藏
- 关注
RSS订阅原创 YOLOv11原创改进专栏|原创自研篇|AFEM模块手把手添加教程
个人简介：大家好，我是AFEM模块，就像是一个图像检测界的“超级助手”。我擅长给YOLO模型的“眼睛”——也就是特征提取——加上一副“智能眼镜”，这样它就能看得更清楚，识别出更多细节。我的“自适应”功能让我能够根据不同的图像调整视野，而“注意力机制”则让我能够聚焦于图像中最重要的部分。我的创新之处在于，我不仅仅是一个简单的放大镜，我还能在不同尺度上协同工作，让模型在检测时更加精准。简单来说，我就是那个让YOLO模型在图像检测任务中更加敏锐的“智能眼镜”！
2024-12-18 23:26:05
648
原创 YOLOv11原创改进专栏|原创自研篇|EMAAM模块手把手添加教程
个人简介：大家好！我是 EMAAM 模块，一个专治各种图像识别疑难杂症的高手。我擅长通过多尺度卷积和自适应注意力机制，让模型的“视力”变得超乎寻常。就像给模型戴上了一副“鹰眼”，无论是大物体还是小细节，我都能让它们无处遁形。简而言之，我就是提升图像识别精度的秘密武器！1.高效多尺度注意力机制：EMAAM模块通过重塑部分通道到批次维度，并将通道维度分组为多个子特征，以保留每个通道的信息并减少计算开销。2.通道和批次维度的重组：EMAAM通过重新组织通道维度和批次维度，提高了模型处理特征的能力。3.
2024-12-18 18:14:02
139
原创 YOLOv11原创改进专栏|原创自研篇|HFAM模块手把手添加教程
个人简介：大家好！我是HFAM模块，就像你的眼睛在一堆人群中快速找到你的朋友一样，我擅长在图像中快速定位并关注重要的特征。我通过聚焦和融合不同尺度的信息，让图像检测模型变得更加敏锐，就像是给模型装上了一副能看穿细节的超级眼镜。简单来说，我就是那个让模型在茫茫图海中一眼认出目标的小能手！无超参数设计：HFAM模块是一种无超参数的注意力机制，这意味着它不需要依赖于启发式设置或专业知识进行参数调整，从而简化了模型的训练和优化过程。特征图数学计算。
2024-12-16 16:29:47
241
原创 YOLOv8改进专栏|原创自研篇|DFAM模块手把手添加教程
大家好！我是DFAM模块，一个聪明的小助手，擅长在图像检测任务中找出最独特的特征。别看我个子小，我能让神经网络对我刮目相看，把注意力集中在关键地方，提高检测的准确率。简单来说，我就是个“火眼金睛”，帮你找出隐藏在画面中的“宝藏”，让误检和漏检无处遁形！提高特征区分度作用：通过特征重组，DFAM能够提取出更加显著和独特的特征，这些特征有助于在图像检测任务中区分前景和背景，提高检测的准确度。创新点：与传统的特征提取方法相比，DFAM能够更好地突出那些对于分类和检测任务至关重要的特征。增强注意力分配作用。
2024-12-16 10:58:36
110
原创 YOLOv11原创改进专栏|原创自研篇|DAA模块手把手添加教程
个人简介：大家好！我是 DAA 注意力机制，堪称深度学习中的“聚光灯”。我的任务是帮助模型聪明地识别关键特征，就像一位经验丰富的侦探，能够在繁杂的数据中找到重要线索。通过结合通道和空间的注意力，我能确保模型把重点放在最有价值的信息上，从而提升识别准确率。简单来说，我就是帮助你的模型变得更加专注、敏锐，让它在一堆数据中轻松找到“宝藏”，为检测精度加分！动态适应性特征提取DAA通过动态生成卷积核来适应输入特征的变化，从而实现针对不同数据的自适应特征提取。
2024-12-04 17:29:46
122
原创 YOLOv8改进专栏|原创自研篇|AFXEA注意力机制手把手添加教程
个人简介：大家好！我是 AFXEA 注意力机制，我是你在图像检测任务中“聪明的小助手”。我的工作是通过睁大眼睛，专注看图，把那些重要的特征放在显微镜下，确保它们在图像处理中脱颖而出，就像给每个明星加了个聚光灯！不管是做目标检测还是分类任务，我都能让机器学习模型更聪明，更精准。简单来说，我就是帮助神经网络分清什么是“重要的”，什么是“没那么重要”的那个家伙，保证每次识别都能抓住重点！
2024-12-04 16:51:45
90
原创 YOLOv11原创改进专栏|原创自研篇|AFXEA注意力机制手把手添加教程
个人简介：大家好！我是 AFXEA 注意力机制，我是你在图像检测任务中“聪明的小助手”。我的工作是通过睁大眼睛，专注看图，把那些重要的特征放在显微镜下，确保它们在图像处理中脱颖而出，就像给每个明星加了个聚光灯！不管是做目标检测还是分类任务，我都能让机器学习模型更聪明，更精准。简单来说，我就是帮助神经网络分清什么是“重要的”，什么是“没那么重要”的那个家伙，保证每次识别都能抓住重点！自适应通道特征提取AFXEA 模块创新性地结合了全局平均池化（GAP）和全局最大池化（GMP）以生成通道描述符。
2024-12-04 16:29:06
100
原创 YOLOv11原创改进专栏|原创自研篇|ProC2f-MSSCA手把手添加教程
个人简介：大家好！我是 ProC2f 模块，想象一下我就像一个热爱观察的侦探，专门负责在图片中寻找重要的信息。我的工作其实很简单，就是帮助计算机更好地理解和分析图像。当你给我一张图像，比如一张小猫在玩球的照片，我的任务是从中提取出最重要的部分。首先，我会用我的“观察力”把图片里的细节挑选出来。这就像是在一个杂乱的房间里，帮你找到那些对你而言最重要的东西，可能是一张老照片、一个心爱的玩具，或者一杯刚泡好的咖啡。那些多余的东西我会“过滤掉”，只保留那些值得注意的细节。
2024-12-03 20:19:09
90
原创 YOLOv11原创改进专栏｜注意力机制篇｜CBAM注意力机制手把手添加教程
个人简介：大家好！我是CBAM模块，中文名是“卷积块注意模块”。别看我名字很长，其实我就是个“智能关注器”，能帮计算机更好地看懂图像。我有两个绝技：一个叫“通道注意力”，能帮助模型选出哪些特征更重要，就像从一堆声音中挑出最悦耳的旋律；另一个叫“空间注意力”，负责搞清楚图像的哪些区域是关键，就像在茫茫人海中锁定目标人物的脸。这样一来，在图像识别和理解的过程中，我能让电脑专注于“精华”，不浪费时间在“没用的细节”上。总之，我的使命是：帮助模型像人类一样，聪明地将注意力放在重要的信息上！
2024-12-03 19:35:20
2052
27
原创 YOLOv11原创改进专栏｜原创自研篇｜AdaptiveResampleConv模块手把手添加教程
大家好，我是模块！你可以把我想象成一个厨师，专门负责把图像中的重要信息精心挑选和整理。每当你把图像交给我，我就会把那些杂乱无章的元素变得整洁、易读，让后面的工作变得更简单。我喜欢帮助大家快速抓住要点，让你的模型学习得更快更好。集成标准卷积与深度可分离卷积模块采用了标准卷积层和深度可分离卷积的结合，既保留了标准卷积的特征提取能力，又通过深度可分离卷积显著降低了计算复杂度和内存占用。这种设计实现了高效的特征提取，同时提升了模型的计算性能。自适应坐标预测机制通过。
2024-12-02 16:31:06
111
原创 YOLOv11原创改进专栏|专栏介绍&目录
本专栏自2024年11月30日开始持续更新，专栏主要面向YOLOv11的各种改进，主要改进方向为Backbone（主干）、Conv、C2f、注意力机制、Neck以及检测头的改进，本专栏会涉及到提高精度、轻量化、分割等方面的内容。本专栏将在三天内更新超10篇，将会用最快速度先更新50篇，本专栏内容超10篇后将会涨价，有需要的家人们可以早买，早买优惠多多，福利多多。
2024-12-01 20:23:49
191
原创 YOLOv11原创改进专栏｜注意力机制篇｜ECA注意力机制手把手添加教程
大家好！我是 ECA 注意力机制。我就像个超酷的信息导航员，在数据的海洋里，能迅速锁定关键信息，给重要的特征戴上“聚光灯”，让它们闪亮登场，把那些无关紧要的“小透明”信息往后放放，从而帮神经网络这个大团队把活儿干得更漂亮、更高效！一、多维度信息交互创新跨尺度通道交互：MSECA 模块首次在 ECA 框架内引入多尺度通道交互机制。
2024-12-01 20:17:09
1265
2
原创 YOLOv11原创改进专栏｜新手教程篇｜v11环境配置
本专栏文章不会讲太复杂的定义，将从小白的角度去进行讲解，为大家节省时间，高效去做实验，文章将会简单介绍一下相关模块（也会附带相关论文链接，有兴趣可以阅读，可以作为论文文献），本专栏主要专注于YOLO改进实战！适用于小白入门也可以水论文，大佬跳过！！！
2024-12-01 19:22:21
226
原创 YOLOv8改进专栏|魔改篇|SKConvPlus（魔改版）手把手添加教程
个人简介：大家好！我是SKConvPlus注意力机制，我是一个聪明的注意力机制模块，专门负责让模型眼睛“尖尖”的。我可以把重要的信息一一挑出来，丢掉那些无关紧要的噪音。使用我之后，你的模型就能更加专注，抓住每一个细节，不再“蒙圈”，让目标检测更准确，速度更快！简而言之，我是让特征图焕发青春的“美容师”，帮你提升性能！深度可分离卷积：将标准卷积操作分解为两个阶段：深度卷积和逐点卷积。深度卷积只计算每一个输入通道的特征，而逐点卷积则用于整合这些特征，从而减少了模型的参数量和计算复杂度。
2024-11-25 22:43:26
383
原创 YOLO模型实时视频目标检测可视化并保存本地代码
使用方法：将YOLO训练好的best.pt文件路径和你的视频路径放入代码中，会在可视化结束后输出视频到原视频的同级文件夹。YOLO本地检测并保存。
2024-11-22 19:45:02
380
5
原创 YOLOv8改进专栏|原创自研篇|C2f-TCA（高效涨点模块）手把手添加教程
个人简介：大家好！我是 C2f_TCA模块，我外号“多面手”，专门帮忙处理图像，像侦探一样找出画面中的重要特征，提升模型的智能。我将传统的 CSP瓶颈与三重注意力机制结合起来，让网络在关注特征时变得更“聪明”。你可以认为我是个“关注力训练师”，能让模型在复杂场景中保持高度警觉，抓住每个重要细节。我可以让模型的性能变得灵活又强大！未发表论文。
2024-11-22 19:29:56
177
原创 YOLOv8改进专栏|魔改篇|SPDConv（魔改版）手把手添加教程
个人简介：大家好！我是 SPDConv模块，大家好！我是SPDConv模块，你们的图像处理小助手！我的超能力是通过深度可分离卷积和注意力机制，在复杂图像中快速找到重要信息，就像一位眼光独到的侦探，帮你轻松识别目标。我不仅颜值在线，参数少，还能让模型跑得飞起，适合各种计算机视觉任务。无论你是追求速度的极客，还是想提高准确率的开发者，我都能成为你最可靠的伙伴！深度可分离卷积的实现改进：将传统的卷积层替换为深度卷积和点卷积的组合，实现深度可分离卷积。优点。
2024-11-21 15:47:56
155
原创 YOLOv8改进专栏|注意力机制|CoTAttention手把手添加教程
个人简介：大家好！我是 CoTAttention注意力机制，别看我有点复杂，其实我就是计算机视觉领域的小帮手！我的工作就像是全场聚光灯，专门照亮那些特别重要的特征，让它们在一堆信息中脱颖而出。假如你在一场聚会上，如果只是随便逛一圈，可能错过了许多有趣的事情。而我则是那个告诉你“嘿，快过来看看这个”，确保你不漏掉任何精彩瞬间！通过一系列聪明的卷积和激活函数，我能把这些关键的特征合理整合，帮助你的模型做出更聪明的判断。所以，给我提供输入数据，我将让你的模型变得更加灵敏、更加可靠！
2024-11-21 12:32:30
93
原创 YOLOv8改进专栏|注意力机制|Axial_attention手把手添加教程
大家好！我是Axial_attention，深度学习领域中的一颗璀璨新星，专门为图像和多维数据提供高效处理能力。我的设计融合了自注意力与轴向注意力机制，让我能够像侦探一样快速捕捉图像中每个细节和周围的关系。通过高效的卷积与自注意力协作，我确保信息流动顺畅，避免“瓶颈”，并实现可逆序列设计，优化计算效率。我还能灵活调整数据维度，将复杂信息转化为层次分明的输出，宛如一幅精美的艺术品。无论是图像分类、生成还是其他任务，我都能帮助你轻松应对。
2024-11-20 23:37:27
435
原创 YOLOv8改进专栏|魔改篇|引入YOLOv11的C3k魔改为C3ks手把手添加教程
个人简介：大家好！我是 C3ks 模块，你可以把我看作是深度学习界的“瑞士军刀”，功能强大，样样精通。想要让你的神经网络模型跑得更快，识别得更准确，别担心，有我在！首先，我的工作就像一个超级调味品。想象一下，烹饪一顿美味的佳肴，光有原材料可不够！我将那些输入的数据通过一系列“秘制配方”处理，让它们化身为美味的特征。这些特征就像一碗米饭，经过我的加工，变得营养丰富，不再是普通的“白米饭”！再说了，我身上还搭载了一个“通道注意力”的小动物。
2024-11-20 17:07:03
97
原创 YOLOv8改进专栏|缝合改进篇|C2f-ECAPlus手把手添加教程
个人简介：大家好！我是C2f-ECAPlus模块，你可以叫我“特征小能手”。我的工作就是在图像识别中，帮助神经网络快速找到最重要的特征，简化复杂的视觉任务。我主要负责挑选出最“主要”的关键特征。我的好朋友C2f利用CSP结构高效提取图像的多层次特征，就像一个快速的特征收集器，确保我们获取到重要信息。而我ECAPlus则是加倍保证这些特征的“关注度”，通过通道和空间注意力机制，动态加权重要特征，让它们在“背景”中脱颖而出。这样一来，无论在什么样的复杂场景中，我都能确保目标识别准确无误。
2024-11-19 20:53:42
160
原创 YOLOv8改进专栏|原创自研篇|DCSL注意力机制手把手添加教程
个人简介：好！我是 DCSL注意力机制，全名是 Dynamic Channel Selection Layer，可以叫我“小通道”！我的工作就是“挑选和放大”那些有用的特征，让神经网络更加聪明。想象一下，就像你在图书馆里找书，如果书太多会很难找到好书。我则是那位图书管理员，帮助你快速找到那些最重要的书籍。专业版介绍（我知道大家肯定不爱看但可以理解用于写论文）
2024-11-19 18:37:01
172
原创 YOLOv8改进专栏|注意力机制|CoordAttention手把手添加教程
个人简介：大家好！我是 CoordAttention 注意力机制，你可以称呼我为“小侦探”。我的工作就是帮助你在复杂的图像中找到那些“闪亮的宝石”，确保你不会因为看太多无关紧要的细节而错过最重要的信息。想象一下，你在一个热闹的聚会上，四周都是嘈杂的人群和五颜六色的饮料。我的任务就是让你聚焦在最精彩的对话上，比如那位神秘的朋友在说什么有趣的故事，而不是隔壁桌子上那位不停打喷嚏的小猫。就像在图像中，我会确保神经网络只关注那些重要的部分。
2024-11-19 12:26:39
112
原创 YOLOv8改进专栏 | 卷积篇 | ScConv手把手添加教程
个人简介： 大家好！我是ScConv模块亦是空间和通道重构卷积，可以把我看作是神经网络的小帮手，帮忙整理和优化数据的“队形”。让我简单给你说说我的工作。首先，我的团队里有两个成员：SRU和CRU。SRU好比一个精细的过滤器，它会看一看数据中哪些信息是有用的，哪些可以忽略。这样一来，只把“精华”传递下去，可以让后续的计算更有效率。然后是CRU，它的工作就像一个能干的修整师，善于把数据中的高低层次都进行处理。
2024-11-18 20:43:51
111
原创 YOLOv8改进专栏|原创自研篇|ProC2f-MSSCA手把手添加教程
个人简介：大家好！我是 ProC2f 模块，想象一下我就像一个热爱观察的侦探，专门负责在图片中寻找重要的信息。我的工作其实很简单，就是帮助计算机更好地理解和分析图像。当你给我一张图像，比如一张小猫在玩球的照片，我的任务是从中提取出最重要的部分。首先，我会用我的“观察力”把图片里的细节挑选出来。这就像是在一个杂乱的房间里，帮你找到那些对你而言最重要的东西，可能是一张老照片、一个心爱的玩具，或者一杯刚泡好的咖啡。那些多余的东西我会“过滤掉”，只保留那些值得注意的细节。
2024-11-18 16:15:53
86
原创 YOLOv8改进专栏|注意力机制|SENet手把手添加教程
我是 SENet注意力机制，一个帮助计算机更聪明地看图的工具。有点像是给计算机配了一副“透视眼镜”。在一张图片里，有很多很多的细节，而计算机并不总是知道该关注什么。我就像一个厉害的助手，能帮它找到哪些部分是重点，哪些可以略过。比如在一张有人、山、天空的照片中，我会告诉计算机：“嘿，关注那个站在山顶的人！” 具体来说，我的大招是“权重调整”：当我分析图像时，我会给图片里的各部分打分，更重要的部分得高分，这些部分的细节会被放大和强调。不那么重要的，就让它们安静地待在背景。
2024-11-18 13:34:46
1332
原创 YOLOv8改进专栏|专栏介绍&目录
本专栏自2024年11月17日开始持续更新，专栏主要面向YOLOv8的各种改进，主要改进方向为Backbone（主干）、Conv、C2f、注意力机制、Neck以及检测头的改进，本专栏会涉及到提高精度、轻量化、分割等方面的内容。
2024-11-18 11:13:14
196
原创 YOLOv8改进专栏|新手教程|虚拟环境搭建
本文讲解了如何配置YOLOv8的环境，如果要运行本专栏的相关内容，一定要单独为本专栏新建一个虚拟环境，以防冲突报错，切记！！！
2024-11-18 00:30:31
112
原创 YOLOv8改进专栏|注意力机制|CBAM手把手添加教程
个人简介：大家好！我是CBAM模块，中文名是“卷积块注意模块”。别看我名字很长，其实我就是个“智能关注器”，能帮计算机更好地看懂图像。我有两个绝技：一个叫“通道注意力”，能帮助模型选出哪些特征更重要，就像从一堆声音中挑出最悦耳的旋律；另一个叫“空间注意力”，负责搞清楚图像的哪些区域是关键，就像在茫茫人海中锁定目标人物的脸。这样一来，在图像识别和理解的过程中，我能让电脑专注于“精华”，不浪费时间在“没用的细节”上。总之，我的使命是：帮助模型像人类一样，聪明地将注意力放在重要的信息上！
2024-11-17 21:01:34
1149
6
原创 Anaconda+Cuda+pytorch搭建深度学习环境（手把手操作）
这里博主以Windows11系统为例去操作，Mac系统的有需要单独联系我，教程不出了我可以远程给你操作。后面一直next即可，文件位置不建议变哈，安装文件位置如果变了需要调整环境变量，如果有问题私信我。：选择自己电脑系统对应的版本进行下载，博主这里是Windows系统，点击下载即可。然后这样就安装完毕咯，接下来大家就可以接着往后学喽，本课程适用于小白！，电脑上有没有提前安装Python都无所谓，接下来开始讲解，手把手操作。：下载完成后的，到了最激动人心的安装时刻，看操作兄弟们！
2024-11-17 15:02:38
120
原创 边界框格式坐标转YOLO格式坐标
边界框格式坐标为(x1,y1),(x2,y2),1。其中(x1,y1)表示边界框的左上角坐标，(x2,y2)表示边界框的右下角坐标，a表示目标的类别。需要根据自己的路径对上面两个路径进行替换，其中labels_directory是labels路径，images_directory是labels对应的图片路径。其中c是目标的类别数量，x、y是目标中心相对于图像宽度和高度的坐标，w、h是目标的宽度和高度相对于图像宽度和高度的比例。计算公式如下：设图像的宽度为W，高度为H。
2024-11-17 14:42:23
442
原创 转换完YOLO所用的txt格式标签后的train/val/test文件夹自动分类，以及图片分类
不会的先看一下，转换完之后呢所有的labels会放于一个文件夹内，但是YOLO区分train、val、test文件夹我们需要将其分出来。target_folder ：train/val/test标签输出后存放位置。在上篇文章里我们讲了如何将xml转化为txt文件并放于一个文件夹中。source_folder ：是需要有你所有标签的文件夹。
2024-10-13 18:27:15
414
原创 xml转YOLO的txt格式（一次必成版！）
首先，我先介绍一下代码的使用，编程语言为“Python”，共有三处需按照自己的需求修改的，我都放在代码最下面了。xml_root_path：输入你的xml格式的文件存放位置，建议全部用绝对路径。classes_path：输入你的labels.txt格式的文件的存放位置(txt_save_path：输入你的txt格式的文件导出后的存放位置。废话少说，直接上干货！
2024-10-13 17:54:32
3500
22
原创 动手学习深度学习-线性回归的从零开始实现
定义一个data_iter 函数，该函数接收批量大小、特征矩阵和标签向量作为输入，生成大小为batch_size的小批量。w的估计误差：tensor([0.0004, 0.0003], grad_fn=)b的估计误差：tensor([-3.8147e-05], grad_fn=)features中每行都包含一个二维数据样本，labels中每行都包含一维标签值。比较真实参数和通过训练学到的参数来评估训练的成功程度。本文适用学习阶段：入门小白。
2024-03-18 10:53:17
980
原创 动手学习Deep learning-数据预处理
`os.makedirs()`是一个函数，用来创建文件夹。- 这个函数中的`'..'`意味着上一级目录，`'data'`是文件夹的名字。- `exist_ok=True`的意思是如果文件夹已经存在，就不会报错。- `os.path.join()`也是一个函数，用来拼接路径。- 这个函数中的`'..'`意味着上一级目录，`'data'`是文件夹的名字，`'house_tiny.csv'`是文件的名字。
2024-03-16 17:59:04
1672
1
海上船舶检测数据集（共三个打包）
2024-11-17
Luna2016肺结节数据集（已预处理适用于YOLO）
2024-11-17
Xftp7（本地与服务器之间传输工具）
2024-03-27
XShell7（远程连接服务器控制）
2024-03-27
faster-rcnn-pytorch-master （目标检测项目）.zip
2024-03-25
Faster-rcnn-pytorch
2024-03-25
可用于Faster-RNN的信号灯数据集（带标签）
2024-03-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人