YOLOv11改进 | Conv改进篇 | YOLOv11引入DynamicConv替换普通Conv卷积下采样和C3k2_DynamicConv替换C3k2(来自CVPR2024）

已于 2024-12-22 18:10:14 修改
阅读量524 收藏
点赞数 1
分类专栏： YOLOv8v10v11创新改进+前往b站关注AI缝合怪订阅 YOLOv8v10 创新改进+前往b站关注AI缝合怪订阅 文章标签： YOLO 目标检测 人工智能 计算机视觉 YOLOv11 YOLOv10 YOLOv8
于 2024-11-18 16:21:57 首次发布
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_45972324/article/details/143838569
版权
了解本专栏 订阅专栏 解锁全文
YOLOv8改进，YOLOv8结合DynamicConv（动态卷积），CVPR2024，二次创新C2f结构
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
11-15 780
DynamicConv（动态卷积）是一个用于提高卷积神经网络（CNN）性能的技术，核心思想是动态地生成卷积核（filter），而不是使用固定的卷积核。通过引入更多的计算灵活性和适应性来增强卷积操作的表达能力，进而提升模型的性能。专家选择：DynamicConv 通过引入多个“专家”（experts），每个专家学习特定的卷积模式。输入图像的不同部分会选择不同的专家进行卷积。动态卷积核生成：根据输入的不同特征，专家网络动态地生成卷积核，而不是使用固定的卷积核。
YOLOv12改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化模型（独家改进）
Limiiiing的博客
03-09 307
在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。
YOLOv10改进 | Conv改进篇 | YOLOv10引入DynamicConv替换普通Conv卷积下采样和C2f_GhostModule_DynamicConv替换C2f(来自CVPR2024）
qq_45972324的博客
09-06 3948
大规模视觉预训练显著提高了大型视觉模型的性能。然而，我们观察到低 FLOPs 陷阱，即现有的低 FLOPs 模型无法从大规模预训练中受益。在本文中，我们介绍了一种称为 ParameterNet 的新设计原理，旨在增加大规模视觉预训练模型中的参数数量，同时最大限度地减少 FLOPs 的增加。我们利用DynamicConv动态卷积将其他参数合并到网络中，FLOP 仅略有增加。ParameterNet 方法允许低 FLOPs 网络利用大规模视觉预训练。
DynamicConv（动态卷积）
热门推荐
微信号：Custom-Software
08-23 1万+
DynamicConv（动态卷积） 第一个总结: 动态卷积的目标在于：在网络性能与计算负载中寻求均衡。常规提升网络性能的方法（更宽、更深）往往会导致更高的计算消耗，因此对于高效网络并不友好。 因而，相比静态卷积，动态卷积具有更强的特征表达能力。 相比静态感知器，动态感知器具有更大的模型。它包含两个额外的计算：(a)注意力权值计算；(2)动态权值融合。尽管如此，这两点额外计算相比感知器的计算量可以忽略： Dynamic Convolution 类似于动态感知器，动态卷积同样具有K个核。按照CNN中的经典设
Dynamic-conv
weixin_50476352的博客
09-25 692
引入动态卷积，即根据多个卷积核对每个输入的关注程度，动态地对它们进行聚合。与静态算法(每层只有一个卷积核)相比，该算法显著提高了网络的表示能力，但增加了大量的计算开销，对高效的网络神经网络更加友好。并且可以很容易地集成到现有的CNN架构中路 论文名称：Dynamic Convolution: Attention over Convolution Kernels 作者：Yinpeng Chen ，Xiyang Dai， Mengchen Liu， Dongdong Chen， Lu Yuan， Zichen
YOLOv8改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（包含C2f创新改进，解决低FLOPs陷阱）
Snu77的博客
04-18 6007
动态卷积（Dynamic Convolution）是《DynamicConv.pdf》中提出的一种关键技术，旨在增加网络的参数量而几乎不增加额外的浮点运算（FLOPs）。1. 动态卷积的定义：动态卷积通过对每个输入样本动态选择或组合不同的卷积核（称为"experts"），来处理输入数据。这种方法可以视为是对传统卷积操作的扩展，它允许网络根据输入的不同自适应地调整其参数。
YOLOv10改进｜采用ADown降采样模块有效融合
“365天深度学习训练营”报名进行中～
06-12 1199
理论上，正确流程应该是：通过理论推导，获取合理的改进方案（即：设计、修改、调整模块等等），通过实验验证方案的有效性，进而将成果转化为科研论文。我们能做的就是基于现有知识，对YOLOv10进行尝试性改进，一旦发现了某个突破口，则对该点进行展开分析，对改进方案进行深入研究探索。还是那句话，不是ADown模块的原理不重要，而是在做创新这件事情上，我们要功利一些。像我在前面提到的那样，现阶段以学习为主，尝试将自己的想法加以实践，进而实验验证。**第一步：**在block.py文件中新增ADown类。
YOLOv11改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱，含二次创新C3k2机制）
Snu77的博客
10-13 3526
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V11n和利用了DynamicConv的训练精度对比图本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv11改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule辅助C3k2进行特征融合（全网独家首发）
Snu77的博客
10-16 2844
本文给大家带来的改进机制是CVPR2024的改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，从而允许这些网络从大规模视觉预训练中获益。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv10改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱）
Snu77的博客
07-11 1114
本文给大家带来的改进机制是CVPR2024的最新改进机制DynamicConv其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V8n和利用了DynamicConv的训练精度对比图，本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv10改进 | 卷积模块 | 将Conv替换为轻量化的GSConv【轻量又涨点】
kay_545
06-26 3204
yolov10改进，yolov10，GSconv
YOLOv8改进 | 模块融合 | C2f融合 ghost + DynamicConv 【两次融合 + 独家改进】
kay_545
08-28 2479
yolov8， yolov8模块缝合，C2f_GhostDynamicConv
YOLOv10改进 | 注意力篇 | YOLOv10改进CBAM注意力机制
tsg6698的博客
06-11 8459
模块首先应用通道注意力，关注"重要的"特征，然后应用空间注意力，关注这些特征的"重要位置"。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~新建一个yolov10nCBAM.yaml文件后，在Backbone部分添加了CBAM注意力机制，大家可以在其他地方多尝试。在CBAM.py文件里添加给出的CBAM代码。模型结构打印，成功运行。
YOLOv8改进 | 主干网络 |模糊图像/恶劣天气下的目标检测改进
kay_545
07-18 2390
yolov8改进，yolov8，图像去雾，unfog
YOLOv8改进 | 融合篇，YOLOv8添加CA注意力机制+新增小目标检测头，助力涨点
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
07-02 3964
小目标检测难点众多，导致很多算法对小目标的检测效果远不如大中型目标。影响算法性能的主要原因如下:第一，小目标分辨率低、信息量不足，导致神经网络提取到的有效特征较少。第二，小目标在图像中所占的区域较小，易受背景干扰，这对算法的定位性能要求较高。第三，小物体标注困难，训练数据有限，导致模型泛化能力差。例如多尺度学习、无锚机制和生成对抗学习等方法，都能提高小目标检测的准确性和鲁棒性。为了改善小目标漏检现象严重的问题，我在 YOLOv8 中增加了 P2 检测头，相当于有四个检测头，使网络能检测到更小的目标。
YOLOv8最新改进系列:融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM)，有效提升小目标检测性能，大幅度拉升目标检测效果！遥遥领先！
B站 Ai学术叫叫兽的文案地
04-12 4689
YOLOv8最新改进系列:融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM)，有效提升小目标检测性能，大幅度拉升目标检测效果！遥遥领先！
YOLOv8改进 | 主干篇 | RepViT从视觉变换器（ViT）的视角重新审视CNN（全新的YOLOv8改进策略）
Snu77的博客
12-18 5649
本文给大家来的改进机制是RepViT，用其替换我们整个主干网络，其是今年最新推出的主干网络，其主要思想是将轻量级视觉变换器（ViT）的设计原则应用于传统的轻量级卷积神经网络(CNN)。我将其替换整个YOLOv8的Backbone，实现了大幅度涨点。我对修改后的网络(我用的最轻量的版本)，在一个包含1000张图片包含大中小的检测目标的数据集上(共有20+类别)，进行训练测试，发现所有的目标上均有一定程度的涨点效果，下面我会附上基础版本和修改版本的训练对比图。⭐⭐⭐⭐⭐。
LSKA（大可分离核注意力）：重新思考CNN大核注意力设计
m0_47867638的博客
10-23 2861
大型可分离核注意力（LSKA）模块的视觉注意力网络（VAN）已被证明在各种基于视觉的任务上提供了卓越的性能，超过了视觉转换器（ViTs）。然而，这些LSKA模块中的逐深度卷积层随着卷积核尺寸的增加，计算和内存占用呈二次增长。为了缓解这些问题，并使VAN的注意力模块能够使用极大的卷积核，我们提出了一种大型可分离核注意力模块，称为LSKA。LSKA将深度卷积层的2D卷积核分解为级联的水平1D和垂直1D内核。与标准LKA设计不同，提出的分解使得可以直接使用注意力模块中的深度卷积层的大内核，而不需要任何额外的块。
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
B站 Ai学术叫叫兽的文案地
07-04 3816
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
Dynamic Snake Conv
最新发布
03-25
目前关于 **Dynamic Snake Convolution (Dynamic Snake Conv)** 的具体实现或架构，在公开资料中并未有明确提及。然而，基于已知的深度学习框架中的动态卷积技术以及蛇形路径的相关研究[^1]，可以推测该概念可能涉及以下几个方面： ### 动态卷积的基础原理 动态卷积是一种自适应调整滤波器权重的技术，其核心在于通过输入数据的特点来改变卷积核的行为。这种机制允许网络根据不同区域的内容应用不同的特征提取方式，从而提高模型的表现力和效率。 在某些情况下，动态卷积可以通过以下几种形式实现： - 使用额外的分支预测每一步所需的参数。 - 利用注意力机制分配不同位置上的权重分布。 这些特性使得动态卷积非常适合处理具有复杂结构或者不规则形状的目标检测任务。 ### 蛇形路径的应用场景 提到“Snake”，通常会联想到图像分割领域内的活动轮廓模型(Snake Model)，它利用能量函数最小化原则寻找物体边界。如果将其扩展到卷积操作，则意味着可能存在某种沿着特定轨迹(如蜿蜒路线)执行局部计算的方式。 对于游戏开发项目而言，这样的设计或许能够更好地模拟自然界生物运动模式下的视觉效果；而对于通用计算机视觉问题来说，“snake-like”扫描顺序也可能带来新颖的数据表示方法论。 ### 实现可能性探讨 尽管尚未发现确切名为 “Dynamic Snake Conv”的开源代码库或论文描述，但从现有资源出发我们可以尝试构建类似的解决方案: #### 方法一：基于 PyTorch/TensorFlow 自定义层 以下是使用 Python 和 PyTorch 创建简单版本动态卷积的一个例子: ```python import torch.nn as nn class SimpleDynamicConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3): super().__init__() self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=(kernel_size,kernel_size)) def forward(self,x): # 假设这里存在某种逻辑决定如何变形conv kernels... output=self.conv(x) return output ``` 此片段仅展示了基础框架搭建思路，并未体现真正的动态变化过程。实际应用时需加入更多复杂的控制单元以达成预期功能。 #### 方法二：探索第三方插件/工具包 部分社区维护者可能会分享他们针对特殊需求定制的功能模块。例如 GitHub 上有许多围绕着 C++ 游戏引擎集成机器学习算法的例子 ，也许其中就包含了接近目标特性的组件等待挖掘。 ---
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