Gold-yolo学习心得

最新推荐文章于 2025-02-19 21:45:58 发布
最新推荐文章于 2025-02-19 21:45:58 发布
阅读量931 收藏 8
点赞数
文章标签： YOLO 深度学习 人工智能 1024程序员节
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/qq_43922176/article/details/133720126
版权

目录

FPN简述

FPN的缺陷

Gold-yolo做出的改善

GD机制详解

Low-GD

Low-stage feature alignment module

Low-stage information fusion module

什么是repblock?

Information injection module

High-GD

High-stage feature alignment module.

High-stage information fusion module.

Information injection module.

LAF

PAFPN

一些可能的改进：

AFPN

Gold-yolo解决了一个怎样的问题？

FPN简述

——摘自详解FPN网络-优快云博客

图(a)中，针对每一层的特征进行提取和预测，只要在任意层中检测到了目标即算检测成功，但是这种方法对于内存和时间的消耗都极大，故鲜有使用；

#图(b)中，像SPP net，Fast RCNN，Faster RCNN是采用这种方式，即仅采用网络最后一层的特征。使用感受野最大的一层，与(a)相比，虽然节约了时间，但是难以实现小特征的检测。

——详参RCNN、Fast RCNN、Faster RCNN算法详细介绍_AI追随者的博客-优快云博客

 #图(c)像SSD（Single Shot Detector）采用这种多尺度特征融合的方式，没有上采样过程，这种方式不会增加额外的计算量。单但是这种方式的代价便是小目标检测的准确率

图(d)便是FPN网络，在以上几种方法的基础上，FPN通过不同层级的特征融合实现了准确率和速度的最优解。如下图所示，在FPN网络中，首先对于检测图片自上而下形成特征金字塔，然后以类似残差网络的形式进行自下而上的特征融合，例如，左侧从上到下依次编号1，2，3，4，右侧依次编号1',2',3',1'进行2倍上采样，而2通过1*1卷积进行resize，而后两者融合后进行预测。

FPN详述

FPN的缺陷

但是，FPN也同样存在一个缺陷——对于不同层级之间的信息融合，例如 level-1和level-2，其融合可以直接进行，但是，对于跨层级的融合，如level-1和level-3，需要先融合level-2和level-3，然后level-1再通过融合后的结果间接地获取level-3的信息，此方法会造成信息传递过程中的丢失，使信息融合的有效性收到限制。

Gold-yolo做出的改善

G

最低0.47元/天 解锁文章
ciphera8847
关注
Yolov8小目标检测（24）：Gold-YOLO，遥遥领先，超越所有YOLO | 华为诺亚NeurIPS23
09-28 2377
Gold-YOLO | 亲测在红外弱小目标检测涨点明显，map@0.5 从0.755提升至0.768
全网首发YOLOv8暴力涨点：Gold-YOLO，遥遥领先，超越所有YOLO | 华为诺亚NeurIPS23
09-25 7286
Gold-YOLO，遥遥领先，超越所有YOLO，替换yolov8 head部分实现暴力涨点
【目标检测】YOLOv6 的网络结构，图解RepBlock重参数化
Jiangnan_Cai的博客
04-01 3630
YOLOv6 是美团推出的，在这个版本里面，不再使用之前 YOLOv4 和 YOLOv5 的带 CSP 结构的 CSPDarknet-53 作为 backbone 了，而是在 RepVGG 的启发下，推出了新的 EfficientRep 作为 YOLOv6 的 backbone。简单来说，在训练和推理的时候采用不同的结构，在训练的时候采用多分支结构进行训练，但是在推理的时候使用单分支，即保留了训练多分支的准确度，又兼具推理时单分支的速度。
RepVGGBlock实现
wulele2的博客
02-19 898
在上一篇博文conv+bn算子融合中，介绍了conv+bn算子融合。本文将要介绍的RepVGG（Re-parameterized Convolutional Neural Network）是一种通过重新参数化技术将复杂的神经网络结构转换为简单的卷积层的方法。这种方法可以在训练时使用复杂的多分支结构，在推理时将其简化为单一的卷积层，从而显著提高推理速度。下一篇将介绍QARepVGG Block，来解决RepVGG Block量化int8掉点问题，敬请期待。
YOLO系列目标检测算法-YOLOv6
热门推荐
AI-Mei的博客
09-15 1万+
YOLO系列文章之YOLOv6。本文通过分析以往YOLO系列算法和最新技术，观察到几处需完善的地方，通过对网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署等进行修改，设计了EfficientRep、SCPStackRep Block、Rep-PAN、decoupled head等结构，最终得到了YOLOv6系列算法。
YOLO V6论文精读
qq_52053775的博客
10-26 4143
YOLO系列采用了广泛的激活功能，如ReLU [27]、LReLU [25]、Swish [31]、SiLU [4]、Mish [26]等。
【目标检测】——Gold-YOLO为啥能超过YOLOV8
怡宝2号
09-26 3506
基于全局信息融合的概念，提出了一种新的收集和分发机制（GD），用于在YOLO中进行有效的信息交换。通过全局融合多层特征并将全局信息注入到更高的层次，显著增强了NECK的信息融合能力，提高了模型在不同对象大小上的性能。一个浅层收集和分发分支和一个深层收集和分发分支，它们通过卷积基础块和注意力基础块提取和融合特征信息。为了进一步促进信息流动，我们引入了一个轻量级的相邻层融合模块，它在局部范围内结合了来自相邻层的特征。我们的Gold-YOLO架构超越了现有的YOLO系列，有效地展示了我们提出的方法的有效性。
用Gold-yolo模块改进yolov8模型
weixin_42479327的博客
04-13 3861
Gold-Yolo是华为诺亚方舟实验室2023年发布的工作，主要优化检测模型的neck模块。论文上展示的效果挺棒的, 打算引入到yolov8中,替换原有的neck层.目标检测模型一般都是分成3个部分，backbone,neck,head，其中neck部分,主要是类似fpn的结构，将不同层级的特征进行融合。
深度学习论文：华为提出Gold-YOLO，高效实时目标检测器
10-30
深度学习论文：华为提出Gold-YOLO，高效实时目标检测器 知识点1：目标检测技术 目标检测是计算机视觉领域中一个基本任务，它旨在识别图像中的对象类别和位置。目标检测技术广泛应用于智能安全、自动驾驶、机器人...
YOLOv8改进，融合Gold-YOLO Neck
03-08
`yolov8n_gold_yolo_neck_v2.yaml`是配置文件，包含了模型的参数设置，如学习率、批大小、网络结构等。`visio`可能是可视化工具，帮助开发者理解模型结构和训练过程。 通过对这些文件的研究和调整，我们可以优化...
Gold-YOLO RepGDNeck类对应的各个模块的visio图
11-06
Gold-YOLO RepGDNeck类对应的各个模块的visio图
铁路轨道缺陷检测系统源码和数据集：改进yolo11-GDFPN.zip
02-10
铁路轨道缺陷检测系统源码和数据集：改进yolo11-GDFPN
Gold-yolo简介
Littro Innovations
05-20 692
Gold-YOLO模型是对YOLO（You Only Look Once）系列目标检测模型的一个改进版本，它主要解决了信息融合和特征提取方面的问题，以提高目标检测的准确性和效率。
目标检测算法YOLOv6简介
网络资源是无限的
05-09 1906
目标检测算法YOLOv6简介
全网首发YOLOv5/YOLOv7暴力涨点：Gold-YOLO，遥遥领先，超越所有YOLO | 华为诺亚NeurIPS23
09-25 3428
Gold-YOLO，遥遥领先，超越所有YOLO，替换yolov5 head部分实现暴力涨点
NeurIPS 2023 | 超越YOLO系列！华为提出Gold-YOLO：实时目标检测新SOTA
阿木寺的博客
09-22 4419
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【目标检测和Transformer】交流群作者：王云鹤（源：知乎，已授权）| 编辑：CVer公众号https://zhuanlan.zhihu.com/p/657742732在CVer微信公众号后台回复：Gold，可以下载本论文pdf、代码Gold-YOLO: Efficient Object Detector ...
YOLOv8改进 | Neck篇 | 利用Gold-YOLO改进YOLOv8对小目标检测（YOLOv8改进策略）
Snu77的博客
01-05 1万+
本文给大家带来的改进机制是Gold-YOLO利用其Neck改进v8的Neck，GoLd-YOLO引入了一种新的机制——信息聚集-分发（Gather-and-Distribute, GD）。这个机制通过全局融合不同层次的特征并将融合后的全局信息注入到各个层级中，从而实现更高效的信息交互和融合。这种方法增强了模型的颈部（neck）信息融合能力(有点类似于长颈鹿的脖子该Neck部分很长)，同时也没有显著增加延迟，提高了模型在检测不同大小物体时的性能，同时欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含
“Gold-YOLO：基于聚合与分发机制的高效目标检测新范式”
博客之路,前途漫漫
12-26 1464
Gold-YOLO是一种新型高效的目标检测模型，它通过引入聚合和分发机制显著提升了多尺度特征融合的能力。Gold-YOLO通过其创新的GD机制，在目标检测领域实现了最佳性能，尤其是在处理多尺度物体时。该模型的高效性和准确性使其成为边缘设备部署的理想选择。GD机制不仅在目标检测任务中表现出色，还在实例分割和语义分割等其他视觉任务中显示出良好的适应性和有效性。总体而言，Gold-YOLO通过其先进的GD机制和无监督预训练策略，在目标检测领域提供了一个高效且准确的解决方案，为未来的研究和应用奠定了坚实的基础。
Gold-YOLO: 基于集散机制的高效目标检测器
qq_45371200的博客
01-12 763
Gold-YOLO-N 在 COCO val2017数据集上获得了出色的39.9% AP，在 T4图形处理器上获得了1030 FPS，其表现优于以前的 SOTA 型 YOLOv6-3.0-N，具有类似的 FPS + 2.4%。本文在TopFormer的理论基础上，通过全局融合多层次特征并将全局信息注入到更高层次，提出了一种新颖的GD (gathering -and- distributed mechanism)机制来实现yolo中高效的信息交换。
gold-yolo
最新发布
03-08
### Gold-YOLO 项目介绍 Gold-YOLO 是一种高效的物体检测模型，其核心在于引入了一种名为 Gather-and-Distribute (GD) 的机制来增强多尺度特征融合能力[^2]。这种机制利用卷积和自注意力操作有效提升了不同尺寸目标的检测效果。 #### 主要特点 - **Gather-and-Distribute (GD) 机制**：该机制能够有效地处理来自多个层次的信息，并将其合理分配到各个层面上去，使得网络可以更好地捕捉大范围内的上下文关系以及局部细节。 - **平衡速度与精度**：Gold-YOLO 不仅保持了 YOLO 家族一贯以来出色的推理效率，而且还在多种配置条件下实现了更高的准确性。 - **预训练方法**：采用 MAE-style 预训练策略，使模型可以从大规模未标注数据集中获取有用的知识，进而改善最终的表现。 ### 使用方法 为了启动并运行 Gold-YOLO 项目，需按照如下方式准备环境： 进入 `Gold-YOLO` 文件夹所在路径： ```bash cd Detection/Gold-YOLO ``` 安装依赖项（假设已设置好 Python 虚拟环境）： ```bash pip install -r requirements.txt ``` 加载预训练权重文件或自行训练新模型前，请确认已经下载对应的权重文件至指定位置。对于推断过程，则可以直接调用官方提供的测试脚本执行预测任务。 ```python from gold_yolo import detect_objects image_path = 'path/to/your/image.jpg' results = detect_objects(image=image_path, model_weights='pretrained.weights') print(results) ```
评论
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
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