YOLOv11涨点改进 | 独家创新、细节涨点改进篇 | AAAI 2025 | 将 CEM 颜色增强模块引入 YOLOv11 ，目标检测不再惧怕雾天和低光检测、小目标检测、遥感目标检测高效涨点

最新推荐文章于 2025-12-07 18:23:51 发布
最新推荐文章于 2025-12-07 18:23:51 发布
阅读量69 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv11全新有效创新改进+永久更新中 文章标签： YOLO 目标检测 小目标检测 深度学习 YOLOv11创新改进 CEM 颜色增强模块 雾天和低光目标检测
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/153921911

一、本文介绍

🔥本文给大家介绍利用 CEM模块，大幅提升了图像的颜色表现力和边界清晰度，将其集成到YOLOv11目标检测网络中，可以显著增强在复杂环境下的检测精度与鲁棒性，同时保持低计算开销。

展示部分YOLOv11改进后的网络结构图、供小伙伴自己绘图参考：

🚀 创新改进结构图:  yolov11n_CEM.yaml

专栏改进目录：YOLOv11改进专栏包含卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、C2PSA/C3k2二次创新改进、全网独家创新等创新点改进

全新YOLOv11-发论文改进专栏链接：全新YOLOv11创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

本文目录

一、本文介绍

二、CEM模块介绍

2.1 CEM模块结构图

2.2 CEM模块的作用：

2.3 CEM模块的优势

三、完整核心代码

 四、手把手教你配置模块和修改task.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件

五、创建涨点yaml配置文件

了解本专栏 订阅专栏 解锁全文
YOLOv12涨点改进 | 独家创新、细节涨点改进篇 | AAAI 2025 | 将 CEM 颜色增强模块引入 YOLOv12 ，目标检测不再惧怕雾天和低光检测、小目标检测、遥感目标检测高效涨点
Ai缝合怪、助力小伙伴高效发论文
11-09 37
🔥本文给大家介绍利用 CEM模块，大幅提升了图像的颜色表现力和边界清晰度，将其集成到YOLOv12目标检测网络中，可以显著增强在复杂环境下的检测精度与鲁棒性，同时保持低计算开销。图像去雾技术，尤其是基于学习的方法，在现实应用中因其重要性而备受关注。然而，单纯依赖RGB色彩空间往往难以奏效，常常留下残留雾霾。这主要源于两个问题：从雾霾RGB图像中获取清晰纹理特征的难度，以及在烟雾弥漫等非受控环境之外获取真实雾霾/清洁图像对的复杂性。
YOLOv11涨点改进 | 独家创新、Neck改进篇 | AAAI 2025 | YOLOv11引入BGBFusion双色引导桥特征融合模块，在多模态检测、小目标、遮挡、密集场景下带来显著检测精度
Ai缝合怪、助力小伙伴高效发论文
10-26 330
本文提出BGBFusion模块，通过融合YCbCr和RGB色彩空间特征来改进YOLOv11在复杂场景下的检测性能。该方法利用YCbCr在雾霾、夜间等低对比度场景下更稳定的特性，通过相位整合模块(PIM)和交互注意力模块(IAM)实现频域和空域的特征引导，增强边缘纹理并抑制噪声。实验表明该模块能以极小计算开销显著提升小目标和细粒度目标的检测精度，同时保持模型实时性。文章详细介绍了模块结构、实现原理和代码配置方法，并提供了两种YOLOv11改进方案。
YOLOv13涨点改进 | 全网独家创新、细节涨点改进篇 | AAAI 2025 | 将 CEM 颜色增强模块引入 YOLOv13 ，目标检测不再惧怕雾天和低光检测、小目标检测、遥感目标检测高效涨点
Ai缝合怪、助力小伙伴高效发论文
10-12 263
本文提出了一种新型结构引导去雾网络（SGDN），通过引入双色引导桥（BGB）和色彩增强模块（CEM）来提升雾霾图像的清晰度和色彩表现。BGB利用YCbCr色彩空间优化RGB特征，CEM则通过聚合YCbCr通道信息增强RGB特征的颜色感知度。实验表明，该方法在多个真实烟雾数据集上表现优于现有技术。文章还提供了详细的代码实现和YOLOv13集成方案，包括模块配置、task.py修改和yaml文件创建指南，方便读者快速应用。该技术可显著提升复杂环境下的目标检测精度，同时保持低计算开销。
全新YOLOv11有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
08-12 1102
YOLOv11专栏持续更新500+种创新改进方案，涵盖卷积优化、注意力机制、主干网络、Neck特征融合、检测头、小目标检测等核心模块。提供独家创新点组合方案、模型轻量化改进及最新Mamba架构融合技术，配套完整实验代码和训练参数解析。订阅用户可加入专属答疑群，获取一键运行项目支持。专栏包含YOLOv11网络结构详解、配置文件解读等入门必读内容，助力科研论文发表与模型性能提升。限时开放订阅通道，提供多种涨点改进方案组合，满足不同研究需求。
YOLOv12涨点改进 | 独家创新、Neck改进篇 | AAAI 2025 | YOLOv12引入BGBFusion双色引导桥特征融合模块，在多模态检测、小目标、遮挡、密集场景下带来显著检测精度
Ai缝合怪、助力小伙伴高效发论文
11-06 36
本文提出了一种基于双色引导桥(BGBFusion)改进的YOLOv12目标检测模型。该方法通过频域的相位整合模块(PIM)和空域的交互注意力模块(IAM)，将YCbCr色域对雾霾和光照更稳健的细节信息引导到RGB特征中。BGBFusion模块在多尺度上强化边缘纹理、抑制背景噪声，显著提升了模型在雾、烟、夜间等复杂场景下的检测精度。实验表明，该方法以极小的计算开销实现了mAP指标的显著提升，同时保持了模型的实时性能。文章详细介绍了BGBFusion模块的结构原理、代码实现及其在YOLOv12中的集成方式，为复
YOLOv13涨点改进 | 全网独家创新、Neck改进篇 | AAAI 2025 | YOLOv13引入BGBFusion双色引导桥特征融合模块，在多模态检测、小目标、遮挡、密集场景下带来显著检测精度
Ai缝合怪、助力小伙伴高效发论文
10-12 328
本文提出了一种改进YOLOv13的双色引导桥（BGBFusion）网络模型，通过融合YCbCr和RGB色彩空间的优势，在频域和空域增强目标检测性能。BGBFusion模块包含相位整合模块（PIM）和交互注意力模块（IAM），利用YCbCr在雾霾场景下更稳健的纹理特征来引导RGB特征，有效提升复杂环境下的检测精度。该方案计算开销小，不影响实时性，在雾、烟、夜间等低对比度场景中显著降低误检率，并改善小目标检测效果。文章提供了完整的模块实现代码和YOLOv13集成配置方法，展示了改进后的网络结构图和两种YAML
YOLOv13有效涨点改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进
Ai缝合怪、助力小伙伴高效发论文
08-12 1293
《YOLOv13改进专栏重磅更新》推出500+创新改进方案，涵盖卷积、主干网络、注意力机制、检测头等核心模块优化。专栏提供完整项目代码及答疑服务，包含YOLOv13网络结构解析、环境配置、模型训练全流程指导。内容分为八大模块：卷积优化、注意力机制、细节涨点、主干网络改进、特征融合、检测头优化、小目标检测及Mamba联合改进等，支持多种创新点组合应用，助力科研论文发表。现开放限时订阅，提供试读章节和详细技术解析。
【RT-DETR涨点改进】全网独家创新、细节涨点改进篇 | AAAI 2025 | 将 CEM 颜色增强模块引入RT-DETR ，目标检测不再惧怕雾天和低光检测、小目标检测、遥感目标检测高效涨点
Ai缝合怪、助力小伙伴高效发论文
10-21 100
本文提出了一种新型结构引导去雾网络（SGDN），通过双色引导桥（BGB）和色彩增强模块（CEM）有效解决雾霾图像去雾问题。BGB利用YCbCr空间的纹理特征引导RGB特征恢复，CEM通过聚合YCbCr通道信息增强RGB色彩感知。实验证明该方法在真实雾霾数据集上优于现有技术，能同时保持色彩准确性和纹理清晰度。文章还提供了完整的代码实现和模型配置指南，包括三种改进版RT-DETR网络结构（rtdetr-l/r18/r50-CEM.yaml），为图像去雾和目标检测任务提供了实用解决方案。
【RT-DETR涨点改进】全网独家创新、特征融合改进篇 | AAAI 2025 | RT-DETR引入BGBFusion双色引导桥特征融合模块，在多模态检测、小目标、遮挡、密集场景下带来显著检测精度
Ai缝合怪、助力小伙伴高效发论文
10-21 398
本文提出了一种改进RT-DETR目标检测网络的BGBFusion模块，通过融合YCbCr和RGB双色域信息，显著提升了模型在雾霾、低光照等复杂场景下的检测性能。该模块包含频域的相位整合（PIM）和空域的跨域注意力（IAM），将YCbCr色域更稳健的纹理信息引导至RGB特征中，同时保持计算效率。实验表明，该方法能有效增强边缘纹理、抑制噪声，提高小目标和细粒度目标的检测精度，且几乎不影响实时性。文章详细介绍了模块原理、代码实现及配置方法，并提供了多种RT-DETR改进版本的YAML配置文件。
无人机视角航拍河道巡检植被淤泥垃圾检测数据集VOC+YOLO格式2777张12类别
FL1623863129的博客
12-06 259
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["bridges","buildings","cultverts","drinage_manmade","drinage_natural","obstacles","potholes","river_vegitation","rivers","rocks","silts","trash"]drinage_natural (自然排水沟) 框数 = 307。标注数量(txt文件个数)：2777。
智慧城市道路路面垃圾检测数据集VOC+YOLO格式3321张17类别
FL1623863129的博客
12-06 338
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)colored_glass_bottles (彩色玻璃瓶) 框数 = 273。plastic_bottle (塑料瓶) 框数 = 1260。pile_of_leaves (落叶堆) 框数 = 392。glass_bottle (玻璃瓶) 框数 = 260。plastic_bag (塑料袋) 框数 = 714。cans (易拉罐) 框数 = 686。
易拉罐凹陷，变形等缺陷识别数据集，1326张标注图片，正确识别率可达98.5%,支持yolo，coco json，pascal voc xml格式的标注
网易搬砖头
12-04 393
训练指标：标签：CrumbledDentedPancakedPristine数据集拆分训练集：2783图片验证集：265图片测试集133图片预处理自动定向： 应用调整大小： 拉伸至 640x640灰度： 应用增强翻转： 水平旋转角度： 介于 -15° 和 +15° 之间模糊： 最高 2.5 像素。
MAR-YOLOv9：革新农业检测，YOLOv9的“低调”逆袭
Coovally_AI的博客
12-04 712
为了解决这些问题，本研究提出了一种基于YOLOv9的轻量级、跨数据集增强的农业领域目标检测方法，命名为多适应性识别-YOLOv9（MAR-YOLOv9）。MAR-YOLOv9解决了传统YOLOv9中由于检测颈部和辅助分支结构导致的训练时间过长和权重冗余问题，使其能够在保持高性能的同时降低模型的计算复杂度并提高检测速度，从而更适用于实时检测任务。这是一种专门为农业领域设计的轻量级跨数据集增强目标检测方法，它不仅在YOLOv9的基础上实现了显著突破，更在复杂多变的农业场景中展现出了令人瞩目的性能表现。
基于深度学习的35种鸟类检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
12-05 725
本文介绍了一个基于YOLO系列算法的鸟类识别系统，支持35种鸟类的实时检测。系统采用Python3.10开发，前端界面使用PyQt5，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，发现YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统功能包括多模态检测(图片/视频/摄像头)、模型切换、用户管理等，在4000张图片的数据集上训练后，mAP@0.5达到99.5%。该技术为生态监测和科普教育提供了高效工具。
LabelImage+YOLOv8 图片单一目标检测模型训练
这里是一位在代码世界深耕多年的 “老江湖” 的自留地。​ 岁月在履历上添了厚度，却没磨掉敲代码时眼里的光。从调试第一行 hello world 的生涩，到架构复杂系统的从容，那些在键盘敲击声里流过的日夜，都想在这里慢慢梳理
12-03 943
图片单一目标检测的核心是「简化类别、聚焦图片场景」：LabelImage 确保标注准确，YOLOv8 通过参数优化实现快速训练，全程无需处理视频，流程更简洁、效率更高。关键要点：类别数 = 1，标注、转换、配置全程保持一致。图片样本需覆盖多样场景（角度、大小、背景）。训练用轻量化模型（yolov8n.pt），推理时调整conf阈值适配图片。
【AI加持】基于PyQt5+YOLOv8+DeepSeek的结核杆菌检测系统（详细介绍）
懷淰メ的博客
12-04 1143
本文介绍了一套基于PyQt5、YOLOv8和DeepSeek的结核杆菌智能检测系统。该系统通过YOLOv8算法实现高效精准的结核杆菌目标检测，结合PyQt5构建可视化操作界面，支持多数据源输入和检测结果评估。核心功能包括用户登录注册、图像检测、结果导出及多维可视化分析（热力图、直方图等）。系统采用CSV存储数据，利用多线程技术保障流畅运行，为实验室提供了一套集自动化检测与智能分析于一体的解决方案，显著提升了结核病诊断效率和准确性。
OpenCV+YOLOv11+LabelStudio
GalaxySpaceX的博客
12-04 665
OpenCV+YOLOv11+LabelStudio
XML转YOLO格式数据集教程
最新发布
星虐
12-07 279
本文提供了两个Python脚本：1) XML转YOLO格式转换脚本，将VOC格式的XML标注文件转换为YOLO格式的txt文件；2) YOLO格式可视化脚本，用于验证转换结果。转换脚本需要配置XML路径、输出路径和类别列表，会自动将bbox坐标转换为YOLO格式（归一化的中心坐标和宽高）。可视化脚本可随机抽取图片，显示标注框和类别，用于验证转换准确性。两个脚本均包含详细注释，用户只需修改配置区域的路径和类别列表即可使用。可视化时按任意键切换图片，按q键退出。
YOLOv11融合[AAAI2025]的PConv模块
06-01
嗯，用户想了解如何在YOLOv11中集成AAAI2025提到的PConv模块。首先，我需要确认用户提到的PConv是什么。根据引用[3]和[4]，PConv是风车形卷积，用于红外小目标检测，替代标准卷积，增强特征提取。那YOLO的结构里，...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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