wei子-优快云博客

原创 YOLOv5改进 | 一文汇总：如何在网络结构中添加注意力机制、C3、卷积、Neck、SPPF、检测头

为了进一步提升YOLOv5的性能，研究人员提出了多种改进策略，包括注意力机制、C3模块、卷积改进、Neck改进、SPPF模块、检测头改进等。本文将对这些改进策略进行综述，介绍其原理、应用场景、算法实现、代码示例、部署测试方法、文献资料、应用案例、总结、影响和未来扩展方向等。C3模块是一种用于特征提取的网络结构，它能够融合不同尺度的特征，从而提升模型对小目标的检测能力。SPPF模块是一种用于多尺度特征融合的网络结构，它可以提取不同尺度的特征并进行融合，从而提升模型对多尺度目标的检测能力。

2024-05-24 21:31:37 1503

原创特征融合篇 | 结合内容引导注意力 DEA-Net 思想实现双主干特征融合新方法 | IEEE TIP 2024

本篇介绍了一种基于细节增强注意力块（DEAB）的双主干特征融合新方法，该方法在 IEEE TIP 2024 上发表。该方法将内容引导注意力机制与细节增强卷积相结合，有效地融合了来自不同尺度的特征，显著提升了单幅图像去雾性能。该方法将内容引导注意力机制与细节增强卷积相结合，有效地融合了来自不同尺度的特征，显著提升了单幅图像去雾性能，在 IEEE TIP 2024 上得到了认可。

2024-05-23 22:32:37 1113

原创改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制

YOLOv5 是一个强大的目标检测模型，在 COCO 数据集上取得了 state-of-the-art 的结果。为了进一步提高 YOLOv5 的性能，本文提出了一种改进方案，在 C3 模块中添加 SimAM、CoTAttention、SKAttention 和 DoubleAttention 注意力机制。

2024-05-09 12:14:14 1095

原创 YOLOv8 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

YOLOv8在目标检测领域的地位与优势模型改进的意义与价值本专栏的特色与创新点读者学习路径建议关键改进点回顾不同场景的模型选型建议开源社区资源汇总持续学习路径指南YOLOv8在目标检测领域的地位与优势模型改进的意义与价值本专栏的特色与创新点读者学习路径建议关键改进点回顾不同场景的模型选型建议开源社区资源汇总持续学习路径指南。

2025-04-05 14:45:58 573

原创 YOLOv11训练：Roboflow免费数据集获取与格式转换超详细教程

公共数据集库：包含超过20,000个开源数据集数据标注工具：支持在线标注和团队协作数据预处理：自动增强、扩充和格式化版本控制：像管理代码一样管理数据集版本多格式导出：支持所有主流目标检测格式import cv2# 加载图像# 加载标注# 数据增强# 调整尺寸# 调整标注坐标# 转换为Tensor# 实现保持长宽比的resize逻辑pass# 坐标转换逻辑pass# 数据增强实现pass数据集选择优先选择Roboflow上标注质量高的官方数据集。

2025-04-05 11:17:21 491

原创 YOLOv11训练教程：PyTorch与PyCharm在Windows 11下的完整指南

本教程详细介绍了在Windows 11系统下使用PyTorch和PyCharm进行YOLOv11模型训练的全流程，包括环境配置、算法原理、代码实现和部署应用。YOLOv11作为当前最先进的实时目标检测算法之一，在保持YOLO系列高速特性的同时，通过多项创新提升了检测精度。YOLOv11的核心原理与架构PyTorch环境配置与模型训练技巧实际应用中的完整开发流程常见问题的解决方法随着计算机视觉技术的不断发展，目标检测算法将在更多领域发挥重要作用。

2025-04-05 11:05:46 507

原创【8】万字长文，YOLOv8 yaml 文件解析 | 一文搞定 YOLOv8 分类任务，检测任务，分割任务，关键点任务

YAML（YAML Ain't Markup Language）是一种人类可读的数据序列化格式，常用于配置、数据存储等。在YOLOv8中，YAML文件用于定义模型架构、训练参数、数据集路径等信息。YOLOv8的YAML文件提供了高度的灵活性，可以轻松配置各种目标检测任务。通过合理配置YAML文件，我们可以快速训练出满足不同需求的模型。

2025-04-04 23:45:00 557

原创【7】基础入门篇 | YOLOv8 项目【训练】【验证】【推理】最简单教程 | YOLOv8必看 | 最新更新，直接打印 FPS，mAP50，75，95

本文详细介绍了使用YOLOv8训练、验证和推理目标检测模型的全过程。通过本文的指导，您可以快速上手YOLOv8，并应用于实际项目中。本文旨在为想要学习和使用YOLOv8的开发者提供一个清晰的指导。通过本文的指导，相信读者能够快速上手YOLOv8实验，并取得不错的效果。如果您还有其他问题，欢迎随时提出。温馨提示：只有通过自己动手实现，才能更深入地理解YOLOv8算法。深度学习领域发展迅速，建议您保持学习，及时了解最新的研究成果。积极参与深度学习社区，与其他研究者交流，共同进步。

2025-04-02 16:42:27 68

原创【6】YOLOv8 训练自己的分割数据集

YOLOv8-seg在实例分割任务上表现出色，通过本文的指导，您可以快速上手YOLOv8-seg，训练自己的分割数据集。本文旨在为想要使用YOLOv8进行实例分割任务的读者提供一个全面的指南。通过本文的指导，相信读者能够快速上手YOLOv8-seg实验，并取得不错的效果。如果您还有其他问题，欢迎随时提出。温馨提示：只有通过自己动手实现，才能更深入地理解YOLOv8算法。深度学习领域发展迅速，建议您保持学习，及时了解最新的研究成果。积极参与深度学习社区，与其他研究者交流，共同进步。

2025-01-26 00:05:08 165

原创【5】使用YOLOv8训练自己的【目标检测】数据集-【收集数据集】-【标注数据集】-【划分数据集】-【配置训练环境】-【训练模型】-【评估模型】-【导出模型】

自行拍摄：根据检测需求，在不同场景、光照条件下采集图像或视频。公开数据集：ImageNet、COCO等数据集可以提供基础数据。网络爬取：根据特定目标，从网络上爬取相关图片。图像清晰，目标物体完整。多样性：不同角度、尺度、遮挡等情况下的图像。本文详细介绍了使用YOLOv8训练自定义数据集的整个流程。通过本文的指导，相信读者能够快速上手YOLOv8实验，并取得不错的效果。温馨提示：只有通过自己动手实现，才能更深入地理解YOLOv8算法。

2024-12-11 16:20:01 474 1

原创【4】YOLOv8小白中的小白安装环境教程！没一个字废话，看一遍不踩坑！

通过以上步骤，你就可以成功搭建YOLOv8的开发环境。在后续的实验中，你可以根据自己的需求，对YOLOv8进行训练、测试和部署。

2024-11-30 06:00:00 78

原创【3】万字长文，小白新手怎么开始做YOLO实验，从零开始教！整体思路在这里，科研指南针!

本文从小白的角度出发，详细介绍了YOLO实验的整个流程。通过本文的指导，相信读者能够快速上手YOLO实验，并取得不错的效果。

2024-11-25 13:22:11 163

原创【2】YOLOv8原理解析：重新定义实时目标检测的速度和精度

YOLOv8是YOLO系列算法的最新版本，在速度和精度方面都取得了显著的提升。本文将对YOLOv8的原理、实现细节、应用场景等进行详细介绍，帮助读者深入了解这一先进的目标检测算法。YOLOv8作为YOLO系列的最新版本，在速度和精度方面取得了显著的提升。其在目标检测领域具有广泛的应用前景。通过本文的介绍，读者可以对YOLOv8有一个基本的了解。

2024-11-17 00:14:03 299 1

原创【1】从零开始学习目标检测：YOLO算法详解

YOLO算法是一个强大的目标检测算法，但其实现具有一定的复杂性。通过循序渐进地学习和实践，您可以逐步掌握YOLO算法。我想实现YOLOv5，应该从哪里开始？如何在自定义数据集上训练YOLO模型？如何优化YOLO模型的性能？

2024-10-22 19:49:23 319

原创改进YOLOv7 | 在 ELAN 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图

通过在YOLOv7的ELAN模块中引入Triplet、SpatialGroupEnhance、NAM和S2等注意力机制，可以进一步提升模型的特征提取能力，提高检测精度。不同的注意力机制有不同的特点，选择合适的注意力机制可以根据具体任务和硬件资源来决定。

2024-09-28 12:29:20 147 1

原创改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图

通过在YOLOv7的ELAN和ELAN-H模块中引入EffectiveSE、GlobalContext、GatherExcite和MHSA等注意力机制，可以进一步提升模型的特征提取能力，提高检测精度。不同的注意力机制有不同的特点，选择合适的注意力机制可以根据具体任务和硬件资源来决定。本文详细介绍了如何在YOLOv7的ELAN和ELAN-H模块中添加EffectiveSE、GlobalContext、GatherExcite和MHSA注意力机制，并提供了相应的代码实现和实验结果。

2024-09-24 14:50:48 356

原创改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAtt】注意力机制 | 附详细结构图

通过在YOLOv7的ELAN和ELAN-H模块中引入SimAM、CoTAttention、SKAttention和DoubleAtt等注意力机制，可以进一步提升模型的特征提取能力，提高检测精度。不同的注意力机制有不同的特点，选择合适的注意力机制可以根据具体任务和硬件资源来决定。本文详细介绍了如何在YOLOv7的ELAN和ELAN-H模块中添加SimAM、CoTAttention、SKAttention和DoubleAtt注意力机制，并提供了相应的代码实现和实验结果。

2024-09-21 11:52:43 176

原创改进YOLOv7 | 在 ELAN 模块和 ELAN-H 模块中添加【CA】【ECA】【CBAM】【SE】注意力机制 | 附详细结构图

通过在YOLOv7的ELAN和ELAN-H模块中引入注意力机制，可以进一步提升模型的特征提取能力，提高检测精度。不同的注意力机制有不同的特点，选择合适的注意力机制可以根据具体任务和硬件资源来决定。本文详细介绍了如何在YOLOv7的ELAN和ELAN-H模块中添加注意力机制，并提供了相应的代码实现和实验结果。通过合理地选择和配置注意力模块，可以进一步提升YOLOv7的性能，在目标检测等领域具有广泛的应用前景。

2024-09-18 21:48:20 201

原创 YOLOv7 yaml 文件简化 | 104层简化为30层

通过简化YOLOv7的YAML配置文件，可以有效地降低模型的复杂度，从而实现模型的轻量化。在实际应用中，需要根据具体的任务需求和硬件资源来选择合适的简化策略。

2024-09-13 09:47:56 474

原创改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

YOLOv7通过引入新的损失函数，如SIoU、EIoU、WIoU等，显著提升了目标检测的性能。这些损失函数通过考虑目标框的形状、大小、中心点距离等几何信息，更好地衡量预测框与真实框之间的差异。

2024-09-11 07:00:00 771

原创 YOLOv5 目标计数 | 图片上绘制计数结果

YOLOv5目标计数是一种高效且易于实现的目标计数方法。通过在图像上绘制计数结果，可以直观地展示检测效果。该方法在多个领域有着广泛的应用前景。

2024-09-10 14:31:53 457

原创 YOLOv5 实现 10 种热力图可视化方式教程 | GradCAM XGradCAM ScoreCAM LayerCAM HiResCAM EigenCAM....

基于梯度计算类激活图，是最经典的热力图生成方法之一。Grad-CAM的改进版，通过引入梯度加权的方式，提高了热力图的定位精度。基于类别的得分计算类激活图，对噪声具有更强的鲁棒性。基于特定层的特征图计算类激活图，可以灵活选择不同的层进行分析。通过上采样将低分辨率的特征图恢复到原始图像大小，提高了热力图的分辨率。基于特征图的特征向量进行PCA降维，得到更简洁的热力图。对Grad-CAM的进一步改进，通过加权平均的方式，提高了热力图的质量。基于积分梯度的方法，可以解释模型对输入的每个特征的贡献。

2024-09-08 00:18:10 1565

原创改进YOLO系列 | YOLOv7 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

YOLOv7通过引入新的损失函数，如SIoU、EIoU、WIoU等，显著提升了目标检测的性能。这些损失函数通过考虑目标框的形状、大小、中心点距离等几何信息，更好地衡量预测框与真实框之间的差异。

2024-09-03 21:34:53 1117

原创 YOLOv5 结合切片辅助超推理算法 | 这才叫让小目标无处遁形！

YOLOv5结合切片辅助超推理算法能够有效提高小目标检测的精度和鲁棒性。该方法通过将图像分割成多个子图像，并对每个子图像进行独立检测，从而提高了对小目标的关注度。然而，该方法也存在一些缺点，如计算量增加、结果融合的复杂性等。未来，可以进一步研究如何优化切分策略、提高结果融合算法的效率，以及将该方法与其他目标检测算法相结合，以获得更好的性能。

2024-09-03 20:06:02 724

原创改进YOLOv5 | 在 C3 模块中添加【Triplet】【SpatialGroupEnhance】【NAM】【S2】注意力机制 | 附详细结构图

Triplet注意力：通过捕获特征之间的成对关系和三元组关系，增强特征表示能力。：通过对特征图进行分组和增强，提高模型对局部和全局特征的感知能力。：通过计算特征图中每个位置与其他所有位置的相似性，实现全局上下文建模。S2注意力：通过自适应地选择不同尺度的特征进行融合，提高模型对多尺度目标的检测能力。在YOLOv5的C3模块中添加注意力机制是一种有效的改进方法，可以显著提升模型的性能。不同的注意力模块具有不同的特点，选择合适的注意力模块需要根据具体的任务和数据集进行实验。

2024-08-20 20:38:44 357

原创改进YOLOv5 | 在 C3 模块中添加【EffectiveSE】【GlobalContext】【GatherExcite】【MHSA】注意力机制 | 附详细结构图

EffectiveSE（高效通道注意力）：对SE模块的改进，通过更少的参数和计算量，提高了通道注意力建模的效率。GlobalContext（全局上下文注意力）：通过捕获全局上下文信息，帮助模型更好地理解图像的整体语义。GatherExcite（聚合激发）：通过聚合特征并进行激发，增强特征表达能力。MHSA（多头自注意力）：借鉴Transformer中的自注意力机制，捕获特征之间的长距离依赖关系。在YOLOv5的C3模块中添加注意力机制是一种有效的改进方法，可以显著提升模型的性能。

2024-08-15 14:59:03 978

原创改进YOLOv5 | 在 C3 模块中添加【SimAM】【CoTAttention】【SKAttention】【DoubleAttention】注意力机制 | 附详细结构图

通过空间维度上的特征交互，自适应地调整每个空间位置的特征权重，强调目标区域。：结合通道和时间维度上的注意力，在时序数据上表现出色，但也可以应用于图像任务。：通过自适应地选择不同大小的卷积核，增强模型对多尺度特征的提取能力。：结合通道注意力和空间注意力，在多个维度上对特征进行加权，提高模型的表达能力。在YOLOv5的C3模块中添加注意力机制是一种有效的改进方法，可以显著提升模型的性能。不同的注意力模块具有不同的特点，选择合适的注意力模块需要根据具体的任务和数据集进行实验。

2024-08-15 14:57:24 937

原创改进YOLOv5 | 在 C3 模块中添加【SE】【CBAM】【 ECA 】【CA】注意力机制 | 附详细结构图

在YOLOv5的C3模块中添加注意力机制是一种有效的改进方法，可以显著提升模型的性能。不同的注意力模块具有不同的特点，选择合适的注意力模块需要根据具体的任务和数据集进行实验。未来，随着深度学习技术的不断发展，注意力机制将会得到更加广泛的应用。研究者们可以探索新的注意力机制，或者将注意力机制与其他技术结合起来，以进一步提升模型的性能。

2024-08-14 17:54:18 736 1

原创瓶颈结构改进 MobileBoNe / DenseBoNe / GhostBoNe / InceptionBone / ShuffleBoNe / ResBoNe

本文将深入探讨计算机视觉领域中常用的瓶颈结构，包括MobileNet、DenseNet、GhostNet、Inception、ShuffleNet和ResNet。这些结构通过不同的方式对网络进行设计，以在保证模型性能的同时，降低模型的计算量和参数量。本文对几种常见的瓶颈结构进行了详细介绍，每种结构都有其独特的优势和适用场景。在选择合适的瓶颈结构时，需要综合考虑模型的性能、计算量、参数量以及部署平台等因素。

2024-08-13 14:23:44 328

原创改进YOLO系列 | YOLOv5 更换训练策略之 SIoU / EIoU / WIoU / Focal_xIoU 最全汇总版 | 新增MPDIoU

本文将深入探讨YOLOv5目标检测模型中常用的IoU损失函数的改进，包括SIoU、EIoU、WIoU、Focal-xIoU以及新兴的MPDIoU。这些改进旨在更准确地衡量预测框与真实框之间的差异，从而提升模型的定位精度。不同的IoU损失函数在不同的场景下具有不同的优势。选择合适的损失函数可以显著提升YOLOv5模型的定位精度。

2024-08-11 10:22:27 934

原创改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF_Head

本文提出了一种改进YOLO系列目标检测模型的方法，即在YOLO的头部引入轻量化的Decouple_Head和ASFF_Head模块，以提升模型的性能和效率。Decouple_Head通过解耦分类和回归任务，提高了模型的表达能力；ASFF_Head通过自适应特征融合，增强了模型对多尺度特征的利用。通过在YOLOv5头部引入Decouple_Head和ASFF_Head，可以显著提升模型的性能和效率。Decouple_Head通过解耦分类和回归任务，提高了模型的表达能力；

2024-08-06 22:25:34 1145

原创特征融合篇 | YOLOv5/v7 引入最新 BiFusion Neck | 附详细结构图

在目标检测模型中，特征融合是至关重要的一步，它将来自不同尺度的特征进行融合，以获得更丰富的语义信息和更强的表达能力。FPN 的自上而下特征传播路径容易导致信息丢失FPN 的特征融合方式过于简单，无法充分利用不同尺度特征之间的互补信息为了解决这些问题，本文提出了一种新的方案，即使用 BiFusion Neck 来替换 YOLOv5 和 YOLOv7 中的 FPN。

2024-08-05 07:00:00 1018

原创改进YOLOv5/v7 | GSConv+Slim-neck 减轻模型的复杂度同时提升精度 | 附改进方式模板

YOLOv5 和 YOLOv7 是目前最先进的目标检测模型之一，但它们也存在模型复杂度高、计算量大等问题。为了解决这些问题，本文提出了一种新的方案，即使用 GSConv 和 Slim-neck 来改进 YOLOv5 和 YOLOv7 模型。GSConv 是一种新型的卷积操作，它可以有效地减少模型的参数量和计算量，同时保持较高的精度。Slim-neck 是一种轻量级的颈部网络结构，它可以将来自主干网络的特征进行有效的融合，并为头部网络提供高质量的特征表示。

2024-07-24 18:07:04 1597

原创特征融合篇 | YOLOv5/v7 更换上采样方式 | 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积

在目标检测模型中，特征融合是至关重要的一步，它将来自不同尺度的特征进行融合，以获得更丰富的语义信息和更强的表达能力。传统的 YOLOv5 和 YOLOv7 模型使用最近邻插值作为上采样方式来进行特征融合，但这种方法存在精度较低、易产生伪影等问题。为了提高特征融合的精度，本文提出了一种新的方案，即使用不同的上采样方式来替换 YOLOv5 和 YOLOv7 中的最近邻插值。本文将介绍几种常用的上采样方式，包括双线性插值、双立方插值、三线性插值和转置卷积，并详细分析它们的原理、优缺点和应用场景。

2024-07-20 16:49:43 991

原创 YOLOv7 更换Neck之 BiFPN

YOLOv7是 Ultralytics 公司于 2022 年 4 月发布的最新一代目标检测模型，在 COCO 数据集上取得了56.2 mAP的惊人成绩，超越了所有已知的目标检测模型。YOLOv7 的核心架构与之前的版本基本一致，但对一些关键模块进行了改进，其中之一就是颈部网络（Neck）。BiFPN（Bi-directional Feature Pyramid Network）是一种新型的颈部网络结构，它通过自下而上的特征融合和自上而下的特征增强来提高目标检测的性能。能够更好地保留多尺度特征信息；

2024-07-17 12:00:00 1373

空空如也

空空如也