YOLOv12涨点改进 | YOLO联合Mamba火热改进篇 | CVPR 2025 | 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务

已于 2025-11-09 18:01:55 修改
阅读量46 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： YOLOv12全新创新改进+永久更新中 文章标签： YOLO 目标检测 目标跟踪 YOLOv12创新改进 小目标检测 计算机视觉 新型轻量级视觉Mamba
于 2025-11-07 23:15:27 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/154545327

一、本文介绍

本文给大家介绍EfficientViM新型轻量级视觉Mamba优化YOLOv12模型！“不需要安装mamba环境也可以运行！”。EfficientViM 模块通过减少计算复杂度、优化内存使用、提升目标检测精度和加速推理，显著改进了 YOLOv12 在目标检测中的表现。适应各种目标检测场景，特别是在实时检测任务中。具体怎么使用请看全文！

YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、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、A2C2f二次创新、独家创新等几百种创新点改进。

全新YOLOv12改进专栏订阅链接：全新YOLOv12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、EfficientViM 模块介绍

2.1 网络结构图

2.2 EfficientViM模块的作用

2.3 EfficientViM 模块的原理

1. Hidden State Mixer (HSM)

2. State Space Duality (SSD)

3. 内存瓶颈缓解设计

4. 特征压缩与多阶段融合

5. 高效的推理和训练

2.4 EfficientViM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

🚀 创新改进1 :

🚀 创新改进2 :

六、正常运行

🚀 创新改进1 : 正常运行

🚀 创新改进2 : 正常运行

 

二、EfficientViM 模块介绍

摘要：为了在资源受限的环境中部署神经网络，先前的工作构建了轻量级架构，利用卷积和注意力机制分别捕获局部和全局依赖关系。最近，状态空间模型 (state space model, SSM) 已经成为一种有效的全局交互操作，其优势在于在 tokens 数量上具有良好的线性计算成本。为了利用 SSM 的有效性，我们引入了 Efficient Vision Mamba (EfficientViM)，这是一种基于 hidden state mixer-based state space duality (HSM-SSD) 的新型架构，它能有效地捕获全局依赖关系，并进一步降低计算成本。通过观察到 SSD 层的运行时间受输入序列上的线性投影驱动，我们重新设计了原始的 SSD 层，以在 HSM-SSD 层中的压缩隐藏状态内执行通道混合 (channel mixing) 操作。此外，我们提出了多阶段隐藏状态融合 (multi-stage hidden state fusion) ，以增强隐藏状态的表示能力，并提供设计来缓解由内存限制操作引起的瓶颈。因此，EfficientViM 系列在 ImageNet-1k 上实现了新的最先

了解本专栏 订阅专栏 解锁全文
YOLOv11涨点改进 | YOLO联合Mamba火热发论文改进篇 | CVPR 2025 | 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务
Ai缝合怪、助力小伙伴高效发论文
09-25 296
本文介绍了一种新型轻量级视觉模型EfficientViM，该模型基于HiddenStateMixer-basedStateSpaceDuality(HSM-SSD)架构，通过优化计算复杂度和内存使用，显著提升了YOLOv11在目标检测任务中的表现。主要内容包括：1. 提出HSM-SSD模块，通过特征压缩和多阶段融合实现高效计算；2. 提供完整的核心代码实现，包括卷积层、归一化层等关键组件；3. 详细说明模块配置方法，指导用户修改YOLOv11的task.py文件；4. 给出两种改进方案的YAML配置文件
YOLOv8v10涨点改进 | YOLO联合Mamba火热发论文改进篇 | CVPR 2025| 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务
Ai缝合怪、助力小伙伴高效发论文
11-17 61
本文介绍了EfficientViM模块在YOLOv8v10模型中的应用优化，这是一种基于Hidden State Mixer-based State Space Duality（HSM-SSD）的新型轻量级视觉架构。该模块通过减少计算复杂度、优化内存使用，显著提升了目标检测精度和推理速度，特别适合资源受限环境下的实时检测任务。文章详细阐述了EfficientViM的核心原理，包括HSM混合操作、SSD对偶性以及内存优化设计，并提供了完整的代码实现和配置方法。
YOLOv13涨点改进 | YOLO联合Mamba火热发论文改进篇 | CVPR 2025 | 引入EfficientViM 新型轻量级视觉Mamba，高效捕捉全局依赖，含二次创新、适合目标检测任务
Ai缝合怪、助力小伙伴高效发论文
09-02 251
本文提出了一种基于EfficientViM的新型轻量级视觉Mamba优化YOLOv13模型。该模型通过HSM-SSD架构，在减少计算复杂度、优化内存使用的同时提升目标检测精度和推理速度。核心创新包括：1）HSM模块的高效通道混合操作；2）SSD层的空间-时间对偶性设计；3）多阶段隐藏状态融合机制。实验表明，该模型在ImageNet-1K上实现了最优的速度-精度平衡，相比SHViT性能提升0.7%。文章详细介绍了模块原理、代码实现和配置方法，并提供了两种改进版本的YAML配置文件。
YOLOv11涨点改进 | 主干改进篇 | CVPR 2025 | YOLOv11 更换MambaOut主干，适合图像分类、目标检测和图像分割等任务、不用mamba也能高效涨点
Ai缝合怪、助力小伙伴高效发论文
08-19 206
本文提出MambaOut方法优化YOLOv11主干网络，通过移除Mamba核心SSM模块构建5种变体模型。研究发现SSM在ImageNet分类任务中并非必需（MambaOut表现更优），但在COCO检测和分割任务中仍具潜力。详细介绍了网络结构、核心代码实现及模型集成方法，包括在YOLOv11框架中添加MambaOut模块的具体步骤，并提供了5种不同规模的yaml配置文件（从mambaout_femto到mambaout_base）。实验表明该方法在保持模型轻量化的同时提升了视觉任务的性能。
YOLOv12涨点改进 | 全网独家创新、细节涨点改进篇 | CVPR 2025 | YOLOv12引入EDFFN高效鉴别频域模块，保留关键频率信息，助力各种目标检测、图像分类、实例分割任务有效涨点
Ai缝合怪、助力小伙伴高效发论文
11-08 63
🔥本文给大家介绍将 EDFFN 模块 改进YOLOv12 网络模型，可显著提升模型的特征表达能力与检测精度。EDFFN 通过在频域执行判别性筛选（FFT→筛选矩阵W→IFFT），自适应强化高频纹理与边缘信息，同时抑制无关的低频背景，从而增强模型对小目标、复杂背景和模糊图像的分辨能力。与注意力机制相比，它计算量低、推理速度几乎不变，却能在空间与频率两域实现信息互补。可提升细节清晰度、降低误检、提高小目标检测，兼具高效性、鲁棒性与可移植性。
YOLOV11|YOLO12改进系列指南
热门推荐
qq_37706472的博客
10-18 11万+
YOLOV11V12改进系列指南，仅仅69.9包含YOLOV11V12模型改进方案、含有390+种改进的集合，且含有多种二次创新和原创改进！
YOLOv13涨点改进 | 主干改进篇 | CVPR 2025 | YOLOv13 更换MambaOut主干，适合图像分类、目标检测和图像分割等任务、不用mamba也能高效涨点
Ai缝合怪、助力小伙伴高效发论文
08-19 224
本文提出MambaOut网络架构，通过移除Mamba模型中的状态空间模型(SSM)核心组件，验证其在视觉任务中的必要性。实验表明：1)在ImageNet分类任务上，MambaOut超越所有视觉Mamba模型，证实SSM对此非自回归任务非必需；2)在检测和分割等长序列任务中，MambaOut性能不及先进视觉Mamba模型，显示SSM的潜在价值。研究提供了5种MambaOut主干网络配置，并详细说明其在YOLOv13中的集成方法，为视觉模型设计提供了新思路。
YOLOv11涨点改进 | 全网独家创新、细节涨点改进篇 | CVPR 2025 | YOLOv11引入EDFFN高效鉴别频域模块，保留关键频率信息，助力各种目标检测、图像分类、实例分割任务有效涨点
Ai缝合怪、助力小伙伴高效发论文
10-06 537
本文提出了一种改进YOLOv11模型的EDFFN模块，通过在频域执行判别性筛选（FFT→筛选矩阵W→IFFT）来增强特征表达能力。该模块能自适应强化高频纹理与边缘信息，同时抑制无关低频背景，显著提升小目标和复杂场景的检测精度。相比传统注意力机制，EDFFN计算量更低且推理速度几乎不变，在空间与频率域实现信息互补。实验表明，改进后的模型在保持高效性的同时，提高了细节清晰度并降低误检率。文章详细介绍了EDFFN的网络结构、核心优势（高效性、判别性增强、跨域信息互补）以及实现方法，包括完整的代码实现和YAML配置
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
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。
【跟我学YOLO】（3）训练 YOLO11 图像分割模型
youcans的博客
11-23 828
本文介绍了如何使用YOLOv11进行图像分割任务YOLOv11在COCO-seg数据集上预训练，提供了多个分割模型选项，支持实例分割任务输出对象掩码和类别标签。文章详细说明了安装步骤和模型选择建议，帮助用户快速上手YOLOv11图像分割应用。
即插即用系列 | ICASSP 2025 CAF-YOLO 实战解析：ACFM & MSNN 模块详解
分享顶会顶刊论文即插即用模块
11-21 748
本文提出CAF-YOLO框架，用于解决生物医学图像中微小病变检测的精度问题。该模型基于YOLOv8，创新性地结合CNN与Transformer优势，设计了注意力与卷积融合模块（ACFM）实现全局与局部特征互补，以及多尺度神经网络（MSNN）增强跨尺度特征聚合。实验表明，该方法在微小目标检测任务上表现优异，超越了现有先进方法。该框架具有通用性，可应用于各类视觉任务中的特征增强。
【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程
CV 小涵的博客，计算机本硕211毕业，研究计算机视觉、模型微调、RAG等方向，收藏有国内外优质数据集，解决视觉相关项目方案，欢迎交流讨论。
11-19 1125
【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。 数据集中标签包含50种分类，代表人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草等等。 检测场景为药田、药材市场、药材加工厂、药材仓储等场景，可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等。 基于YOLOv8的中药材检测系统实战详细步骤。
YOLOv8 验证码识别：从数据标注到模型部署的完整实战教程
沉寂
11-23 100
本文将手把手教你如何使用 YOLOv8 训练一个高精度的验证码识别模型，涵盖数据标注、环境配置、模型训练、验证测试全流程。基于 RTX 4090 服务器实测，600 张训练图片即可达到 50%+ 准确率，是 OCR 和验证码识别入门的首选方案。
2025-简单点-ultralytics.models.yolo.detect.predict.py解析
万物琴弦存于你的泡沫之中，光锥之外
11-19 404
继承BasePredictor： 有preprocess和pre_transform和stream_inference等方法。老东西了，扣除padding后，除以gain，返回到最初的大小。construct_results就是构造成独有的Result对象。主要关注nms和construct_results。就是个控制上下界，避免计算错误。
关于共享网盘的创建以及YOLOv5综述
2503_92128136的博客
11-20 384
量级分为n（轻量化）、s、m、l、x五类，参数规模与检测精度正相关，速度负相关，轻量化模型（n/s）适配实时检测场景，大容量模型（l/x）适合高精度需求场景；共享网盘作为数字化时代文件存储、协作与分发的核心工具，凭借云端存储、跨端同步、权限可控的核心优势，已深度融入个人办公、团队协作、学术科研、项目管理等多元场景，不仅彻底改变了传统 U 盘拷贝、邮件传输等方式的低效与局限，更有效破解了多场景下文件传输混乱、版本迭代丢失、权限管控薄弱、跨地域协作不便等痛点。二、YOLOv5模型下载全流程。
YOLO中骨干网络与检测头的关系
最新发布
Lazy_Goat的博客
11-23 142
输入：骨干网络提取的高级语义特征处理：通过卷积层学习特征到类别的映射数学本质：计算特征向量与类别权重向量的相似度输出：每个位置的类别概率分布决策：基于概率选择最可能的类别关键理解骨干网络负责"看"图像并提取有意义的特征检测头负责"理解"这些特征并做出分类决策分类能力是通过学习特征与类别之间的统计关联获得的整个过程是端到端学习的，所有组件协同工作这种设计让网络能够自动发现对分类最有用的特征模式，而不是依赖人工设计的特征。
yolov5 安装
webBOFB的博客
11-22 188
2.安装torch和torchvision。选择yolov5格式。
yolo parse_model 函数详解
leiming6的博客
11-23 602
==================== 新增代码开始（你原始代码加入的 LocalAttention 特殊处理） ====================# d["backbone"] 和 d["head"] 都是类似 [(from, number, module_name, args), ...] 的条目列表。# ----------------- 遍历 backbone 和 head 中定义的每一层 -----------------
YOLO v11的学习记录（七） 阶段小结
xulibo5828的博客
11-21 751
这份配置是YOLOv8s 分割模型的标准训练配置，核心逻辑是：使用预训练权重迁移学习，10 轮训练，批次 4，输入尺寸 640，启用混合精度和常用数据增强，训练过程中验证并保存最优模型。可根据实际需求调整（如增大batch、增加epochs、开启等），重点关注data（数据集配置）、epochs（轮数）、batch（批次）、device（设备）这几个关键参数。
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
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