YOLOv13涨点改进 | 全网独家创新、Conv卷积改进篇 | TGRS 2025 | YOLOv13利用LLSKM可学习的内核卷积，含LLSKMC3k2二次创新，助力红外小目标检测，有效涨点改进点

已于 2025-11-18 23:49:18 修改
阅读量210 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： YOLOv13全新有效创新改进+永久更新中 文章标签： YOLO 人工智能 目标检测 YOLOv13创新改进 LLSKM可学习的内核卷积 TGRS 2025顶刊论文 遥感小目标检测改进
于 2025-11-18 23:45:40 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/155004919

一、本文介绍

⭐本文介绍使用 LLSKM模块改进YOLOv13目标检测模型，能够显著提升小目标检测能力，尤其是在低对比度和复杂背景下。通过学习局部显著性内核，LLSKM增强了对目标边缘和点状特征的提取，改善了在多尺度场景中的表现。扩张卷积的引入进一步提高了多尺度目标的检测精度，同时保持了计算效率。此外，LLSKM通过可学习的内核动态调整检测特征，提升了网络的灵活性和可解释性，适应了不同任务和环境的需求，从而增强了YOLOv13在实际应用中的鲁棒性和准确性。

专栏改进目录：YOLOv13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、HyperACE二次创新、独家创新等几百种创新点改进。

全新YOLOv13创新—发论文改进专栏链接：全新YOLOv13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、LLSKM模块介绍

2.1 LLSKM模块的网络结构图

2.2 LLSKM模块的原理

 2.3 LLSKM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tasks.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ultralytics\nn\tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1: yolov13n_LLSKM.yaml

🚀 创新改进2: yolov13n_LLSKMC3k2.yaml

六、正常运行

二、LLSKM模块介绍

摘要：红外小目标检测（ISTD）由于其卓越的全天候性能，在民用和军事领域拥有广泛应用。神经网络的创新催生了能够通过大规模数据集实现更高精度的深度ISTD模型。然而，这些通用网络往往无法感知小目标的灵敏度，并采用复杂结构来保留潜在的目标特征，却忽略了特定领域的洞察力，而且可解释性较差。我们的工作旨在通过重新审视ISTD固有的显著性原理，开发可学习的局部显著性核网络（L2SKNet）来纠正这一问题。这一方法实现了可学习的局部显著性核模块（LLSKM），其体现了“中心减去邻居”的概念，引导网络捕捉显著性特征（点或边缘）。我们通过引入策略性膨胀并

了解本专栏 订阅专栏 解锁全文
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
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
01-24 3934
YOLOv11改进，YOLOv11添加ASFF检测头，并添加小目标检测层（四头检测），适合目标检测、分割等任务，全网首发
YOLOv11改进有效系列目录 - 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制 - 针对多尺度、小目标、遮挡、恶劣天气等问题
热门推荐
qq_64693987的博客
10-16 3万+
在一些特定情况下，目标检测任务由于多种因素的影响，变得更加复杂和困难。以下是几类常见的困难目标检测场景：1. 小目标检测定义：小目标检测是指当目标在图像中的占比非常小时，模型需要准确识别和定位这些目标。典型场景包括远程监控、卫星图像分析等。挑战1. 低分辨率：由于目标在图像中占据像素较少，细节缺失，特征提取难度增加。2. 特征不足：小目标缺乏明显的形状和纹理特征，容易被复杂背景淹没。3. 检测难度大：由于小目标与背景之间的对比度较低，误检的几率上升。4. 数据不平衡。
YOLOv11缝合改进Conv | 使用DynamicConv替代下采样机制及其在小目标检测中的增强效果【附代码】
一键难忘的博客
07-04 1006
在目标检测的发展过程中，YOLO 系列模型不断演进，每次迭代都力求在精度与速度之间达到新的平衡。YOLOv11 在结构设计中探索轻量化与表达力的统一，本文聚焦于其卷积结构的优化：引入 CVPR2024 最新 DynamicConv 机制 替换传统下采样模块，有效规避“低 FLOPs 陷阱”，并进一步提出自研的 C3k2 结构 进行二次创新，在不显著增加参数的前提下提升模型泛化能力。
小目标检测之改进的YOLOV11算法
hasakie的博客
05-07 1336
MASF-YOLO通过多尺度特征聚合注意力增强自适应融合三大核心创新，显著提升了无人机视角下的小目标检测性能。
YOLOv11涨点改进 | 全网独家创新、Conv卷积改进篇 | TGRS 2025 | YOLOv11利用LLSKM可学习的内核卷积，含LLSKMC3k2二次创新，助力红外小目标检测，有效涨点改进点
Ai缝合怪、助力小伙伴高效发论文
11-18 277
本文提出了一种基于可学习局部显著性核模块（LLSKM）的YOLOv11改进方案，显著提升了小目标检测性能，尤其在低对比度和复杂场景下表现突出。LLSKM通过模拟传统"中心减去邻域"的显著性机制，结合可学习的卷积核参数，优化了对目标边缘和点特征的提取能力。该模块引入扩张卷积增强多尺度感知，并采用轻量化设计（1D核分解）降低计算开销。实验表明，改进后的模型在红外小目标检测任务中显著优于基线方法，同时保持高效推理速度。文章详细介绍了模块原理、网络结构、核心代码实现及YOLOv11改进方法。
YOLOv13涨点改进 | 全网独家创新首发、特征融合Neck改进篇 | TGRS 2025一区 | YOLOv13全新升级！淘汰超图计算，使用MSAM模块带来超强目标检测能力
Ai缝合怪、助力小伙伴高效发论文
09-06 319
本文提出了一种改进的目标检测方法，将多尺度注意力模块(MSAM)集成到YOLOv13模型中，有效提升了检测性能。MSAM通过多尺度自注意力机制，能够同时捕捉全局和局部上下文信息，显著改善了模型对不同尺度物体的检测能力，特别是在处理小目标和复杂场景时表现突出。该模块采用四个分支结构处理不同尺度特征，并通过自注意力机制建立特征间的关系，最后融合所有特征输出。实验结果表明，MSAM模块在保持计算效率的同时，显著提高了检测精度和鲁棒性。文章详细介绍了MSAM的实现方法和在YOLOv13中的集成方式，及创新改进。
YOLOv11涨点改进 | 全网独家创新涨点改进篇 | TGRS 2025顶刊 | YOLOv11引入RCSAB残差通道空间注意力模块，助力红外小目标检测、遥感小目标检测有效涨点
Ai缝合怪、助力小伙伴高效发论文
09-25 132
本文提出了一种基于RCSAB残差通道空间注意力模块优化的YOLOv11模型改进方案。RCSAB模块通过集成残差学习和通道-空间注意力机制，有效提升了特征提取和融合能力。该方案包含三个创新改进：1）在YOLOv11中引入动态空间注意力(DSA)模块；2）使用C3k2_RCSAB结构增强特征表达；3）构建C3k2_DSA模块实现动态特征调制。实验表明，改进后的模型在红外小目标检测任务中表现出更强的目标感知能力和背景抑制效果，尤其在复杂场景和低信噪比条件下具有显著优势。文章详细介绍了模块结构、实现代码和配置方法，
YOLOv11涨点改进 | 独家首发创新、Conv卷积改进篇 | TGRS 2025 | YOLOv11利用HLKConv分层大核卷积，含HLKConvC3k2二次创新，大核卷积改进，助力有效涨点
Ai缝合怪、助力小伙伴高效发论文
11-20 399
本文提出将HLKConv（分层大核卷积）引入YOLOv11目标检测模型，以解决小目标检测中"大感受野与细粒度特征保留"的矛盾。HLKConv通过并行处理路径设计，同时捕捉全局关联性和局部细节，有效抑制空洞卷积伪影问题。实验表明，该改进在IRSTD-1k等数据集上显著提升nIoU指标，同时保持轻量化特性（模型参数仅1.65M）。文章详细介绍了HLKConv原理、优势及实现方法，包括核心代码、配置步骤和yaml文件修改指南，为YOLOv11在特定场景下的性能优化提供了有效解决方案。
绝了！YOLOv11算法五大炸裂改进点来袭
2501_93701069的博客
10-18 563
具体而言，可在C2PSA基础上增设金字塔注意力分支，使不同尺度的特征图拥有专属的注意力权重。如此一来，小目标和大目标都能得到更精准的注意力分配，进一步提升检测效果。YOLOv11目前能达到60FPS和61.5%的mAP，在实时性与精度的权衡上已表现出色，但仍可进行新的尝试。具体来说，打造一个更灵活的回归分支，不仅预测边界框，还能预测形状先验信息，如长宽比的分布、目标的朝向等。YOLOv11采用双标签分配策略，有效改善了重叠目标的检测精度，但在密集场景下仍有提升空间。在密集场景中，采用更严格的匹配条件；
YOLOv11 改进策略 | ASF-YOLO：注意力尺度序列融合模块，提高小目标检测精度
走向CTO的路上...
07-04 1036
ASF-YOLO：基于注意力机制的尺度序列融合模块，显著提升小目标检测性能 摘要：本文提出一种创新的ASF-YOLO模块，通过将多尺度特征图视为尺度序列并应用注意力机制，有效解决小目标检测中的信息丢失问题。该模块构建尺度序列进行跨尺度注意力融合，特别增强浅层高分辨率特征中的小目标信息表达。技术方案包括尺度序列构建、跨尺度注意力计算和注意力引导的特征融合三个关键步骤，可应用于无人机航拍、工业检测等多尺度目标检测场景。与传统的FPN、PANet等方法相比，ASF-YOLO通过注意力机制实现更精准的语义信息传递，
YOLOv11改进策略【卷积层】| SPD-Conv 针对小目标和低分辨率图像的检测任务
Limiiiing的博客
10-17 3459
SPD-Conv是一种新的 CNN 构建模块，用于替代传统 CNN 架构中使用的步长卷积（strided convolution）和池化（pooling）层，它由空间到深度（Space-to-depth，SPD）层和非步长卷积（non - strided convolution）层组成。
YOLOv11改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失（ATFL）提升对小目标的检测能力
Limiiiing的博客
11-02 2732
本文记录的是利用自适应阈值焦点损失（ATFL）优化YOLOv11目标检测的网络模型。ATFL结合了的针对性和自适应调整损失权重的灵活性，有效地处理目标与背景不平衡问题。这一机制通过设置阈值区分目标和背景样本，并根据预测概率值自适应调整损失权重来适应不同的样本特性，提高了模型对目标特征的学习能力。在小目标检测中，ATFL可以被用于提升对小目标的检测能力，。
提升YOLOv11检测能力-Conv/卷积改进：使用小波卷积WTConv目标检测改进（附参考代码）
一键难忘的博客
07-03 1025
随着YOLO系列目标检测模型的持续发展，YOLOv11进一步提升了实时目标检测的精度和速度。然而，传统卷积操作在处理复杂图像时的感受野仍然受到限制，特别是在复杂背景和小目标的检测任务中。为了解决这个问题，2024年ECCV提出的Wavelet Transform Convolution（WTConv）引入了小波变换，帮助CNN（卷积神经网络）拓展感受野，同时避免了大卷积核带来的过度参数化问题。本文将深入探讨WTConv的工作原理，如何有效地提升YOLOv11的性能，并结合实际代码实现，展现如何将其集成到YO
【跟我学YOLO】（3）训练 YOLO11 图像分割模型
最新发布
youcans的博客
11-23 679
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 98
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。
OLOv8改进 | 卷积模块 | 用DWConv卷积替换Conv,yolov8.yaml文件应该怎么写
04-26
<think>好的，用户想在YOLOv8中用深度可分离卷积（DWConv）替换普通卷积，并修改yolov8.yaml配置文件。首先，我需要回忆一下YOLOv8的结构，了解各个模块的位置。YOLOv8的模块通常包括Conv、C2f、Bottleneck等，用户提到的DWConv替换应该是在这些模块中的标准卷积层。 接下来，我需要确认深度可分离卷积在PyTorch中的实现方式。通常，这可以通过将普通卷积分解为深度卷积和逐点卷积来实现。例如，一个Conv2d层可以替换为一个Depthwise卷积（groups=in_channels）加上一个Pointwise卷积（1x1卷积）。同时，激活函数和BN层也需要保持，所以每个DWConv块应该包括Conv、BN和激活函数。 然后，考虑如何在YOLOv8的配置文件中进行修改。YOLOv8的yaml文件定义了模型的各个层和参数。例如，原始的Conv层可能配置为[-1, 1, Conv, [64, 3, 2]]，这里需要将其替换为DWConv模块。需要确定DWConv的参数，比如输入输出通道数、步长等，并确保与原有结构兼容。 还需要注意，替换后的DWConv可能会影响模型的参数量和计算量，需要测试是否会影响模型性能。此外，YOLOv8的某些模块可能已经使用了优化结构，比如C3或Bottleneck，替换其中的卷积层时要注意保持结构的连贯性。 用户可能还关心具体的代码实现，比如如何在代码中定义DWConv类，并在yaml文件中引用。因此，需要提供具体的代码示例和配置文件修改步骤，确保用户能够按照指导进行操作。同时，提醒用户在替换后重新训练模型，并验证效果是否符合预期。 最后，考虑到用户可能对YOLOv8的结构不太熟悉，需要解释清楚每个修改步骤的目的，确保他们理解为什么要这样调整，以及可能带来的影响。例如，深度可分离卷积可以降低计算成本，但可能减少模型的表达能力，需要权衡速度和精度。</think>根据YOLOv8架构特点和深度可分离卷积的实现原理，修改yolov8.yaml配置文件的步骤如下： ### 一、定义深度可分离卷积模块 在YOLOv8的common.py中添加DWConv实现： ```python class DWConv(nn.Module): def __init__(self, in_ch, out_ch, k=3, s=1, p=None): super().__init__() self.dw_conv = nn.Sequential( # 深度卷积 nn.Conv2d(in_ch, in_ch, kernel_size=k, stride=s, padding=autopad(k, p), groups=in_ch), nn.BatchNorm2d(in_ch), nn.SiLU(inplace=True), # 逐点卷积 nn.Conv2d(in_ch, out_ch, kernel_size=1, stride=1), nn.BatchNorm2d(out_ch), nn.SiLU(inplace=True) ) def forward(self, x): return self.dw_conv(x) ``` ### 二、修改yolov8.yaml配置文件 将原配置文件中的`Conv`替换为`DWConv`，示例修改前后对比： 原始配置片段： ```yaml backbone: # [from, repeats, module, args] - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 ``` 修改后配置： ```yaml backbone: # [from, repeats, module, args] - [-1, 1, DWConv, [64, 3, 2]] # 0-P1/2 - [-1, 1, DWConv, [128, 3, 2]] # 1-P2/4 ``` ### 三、参数说明 1. `args`字段格式：`[输出通道数, 卷积核尺寸, 步长]` 2. 必须保持通道数的兼容性（输入通道数自动继承前一层的输出） 3. 使用`groups=in_ch`实现深度卷积[^2] ### 四、效果验证建议 1. 计算量降低约$k^2/(k^2 + 1)$倍（k为卷积核尺寸） 2. 参数量减少约$1/N + 1/k^2$（N为输出通道数） 3. 建议使用验证集测试mAP变化
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