YOLOv5改进系列(五) 更换Neck之BiFPN，AFPN，BiFusion

已于 2025-04-25 14:09:04 修改
阅读量9.7k 收藏 161
点赞数 63
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： YOLO 人工智能 深度学习 pytorch
于 2023-12-14 21:34:33 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/weixin_44302770/article/details/135004915
版权

文章目录

  • BiFPN
    • 一、BiFPN介绍
      • 1.1 简介
      • 1.2 BiFPN
        • （1）跨尺度连接
        • （2）加权特征融合
      • 1.3 EfficientDet
        • （1）模型框架
        • （2）复合缩放
    • 二、添加方式1：Add操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
    • 三、添加方式2：Concat操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
  • Neck之AFPN
    • 一、AFPN介绍
      • img1.1 简介
      • 1.2 提取多级特征
      • 1.3 渐进架构
      • 1.4 自适应空间融合
      • 1.5 实验
    • 二、更换AFPN的方法
        • 第①步：在common.py中添加AFPN模块
        • 第②步：修改yolo.py文件
        • 第③步：创建自定义的yaml文件
  • BiFusion
        • YOLOv6贡献
        • BiFusion Neck 融合的原理
        • BiFusion Neck结构图
        • 参数量与计算量
        • YOLOv5 BiFusion Neck 配置文件

BiFPN

详细解读

一、BiFPN介绍

1.1 简介

EfficientDet 是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。

EfficientDet = Backbone(EfficientNet) + Neck(BiFPN) + Head(class + box)

img

1.2 BiFPN

（1）跨尺度连接
  • 移除那些只
了解本专栏 订阅专栏 解锁全文
YOLOv5改进系列(四) 本文(2.5万字) | 更换Neck | BiFPN | AFPN | BiFusion |
专注于人工智能学习，总结
12-29 1687
是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。这里的yaml文件将所有的Concat换成了BiFPN_Add。BiFPN_Add本质是add操作，不是concat操作，因此BiFPN_Add的各个输入层要求大小完全一致（通道数、feature map大小等）
YOLOv5算法改进（6）— Neck网络介绍（AFPN和BiFPN）
突然好想你
10-15 2955
本篇文章就给大家介绍下AFPN和BiFPN，以为后面的Neck网络改进奠定基础，希望大家学习之后能够有所收获！
YOLOv5改进：更换Neck（结合BiFPN，ASFF）
07-10
PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5更换Neck的改进方法，结合BiFPN或ASFF特征融合机制来提高其性能。本课程在YOLOv5 v6.1版本代码的基础上更换Neck，在Windows系统和Ubuntu系统上演示针对自己的数据集结合BiFPN或ASFF特征融合机制、重头训练和性能评估过程，并讲解BiFPN和ASFF特征融合原理以及针对结合BiFPN或ASFF特征融合的代码修改部分。项目实战过程包括：PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练网络模型以及性能评估。相关课程：《YOLOv5改进：更换骨干网》 https://download.youkuaiyun.com/course/detail/37465《YOLOv5改进：添加注意力机制》 https://download.youkuaiyun.com/course/detail/37530 《YOLOv5改进：更换Neck（结合BiFPN,ASFF）》 https://download.youkuaiyun.com/course/detail/37577
BiFPN（EfficientDet）
最新发布
qq_35766376的博客
03-20 317
1.提出一种全新的特征融合方法：重复加权双向特征金字塔网络 BiFPN（改进版的PANet+带权重的特征融合）2.提出一种复合的缩放方法(EfficientNet方法)：统一缩放 分辨率、深度、宽度、特征融合网络、box/class网络代码实现如下： 三、参考内容 EfficientDet: Scalable and Efficient Object Detection
YOLOv5结合BiFPN
热门推荐
曾星的博客
04-28 3万+
现在yolov5的neck用的是PANet，在efficient论文中提出了BiFPN结构，还有更加不错的性能。所以就尝试将yolov5中的PANet层改为BiFPN。 需要修改的地方 主要是修改yaml配置文件 我修改的是yolov5x.yaml，将concat层连接不同的layer。有三层BiFPN，最后输出为了和yolov5对应，我没有用在论文里写的p3-p7五个节点，我只用了三个。（这里应该要用relu使w>0，我训练报错就没有用relu） 修改common.py class Concat
YOLOv11改进 | Neck篇 | YOLOv11引入BiFPN双向特征金字塔网络
tsg6698的博客
09-30 2963
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YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种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~简单介绍: 本文给大家带来的改进机制是BiFPN双向特征金字塔网络，是一种特征融合层的结构，改进YOLOv11模型中的Neck部分，它的主要思想是通过多层级的特征金字塔和双向信息传递来提高精度。在BiFPN.py文件里添加给出的BiFPN代码。3.3 在task.py里引用。
【YOLOv5改进系列(12)】高效涨点(强推!!!)----使用BiFPN特征融合方式替换yolov5中的PANet网络
慕溪同学的博客
05-12 6068
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
在Yolov5中，使用BiFPN
qq_53821866的博客
10-11 4383
BiFPN（Bi-directional Feature Pyramid Network）是一种用于目标检测任务的特征金字塔网络结构。在传统的目标检测算法中，通常使用特征金字塔网络（Feature Pyramid Network，简称FPN）来提取不同尺度的特征。FPN通过在网络中添加额外的侧分支和上采样操作来获得多尺度的特征图。然而，在FPN中，上采样和下采样操作之间的信息流只是单向的。BiFPN通过在不同尺度的特征金字塔网络中引入双向连接，实现了跨层级的信息交流和融合。
yoloV5更换BiFPN结合小目标检测层
Zeng999212的博客
01-24 1万+
小目标检测层结合BiFPN
YOLOv5改进之BiFPN(含代码，超详细哦)
kay_545
10-05 1万+
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。以下是BiFPN的工作原理概述：1. 特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。2. 双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
优化YOLOv5模型的Neck之BiFPN计算机视觉
带你成为别人眼中的大佬！
06-01 916
而在YOLOv5模型的构建过程中，Neck是非常重要的一个环节，它可以将从Backbone中提取的特征图进行归一化、融合、筛选等处理，从而使模型更加稳定和准确。而在Neck中，BiFPN（Bilateral Feature Pyramid Network）是一种比较新颖和有效的设计方案，能够有效地保留特征信息的同时，减少网络参数和运算量，提高模型的效率和性能。其中，YOLOv5是一种非常优秀的目标检测算法，其结合了神经网络和计算机视觉的相关技术，可实现对各种目标的智能识别和追踪，并具有较高的准确度和速度。
改进YOLOv5-添加Bifpn
11-15
yolov5的版本为7.0，如果版本一样，应该是可以添加成功的！
《人工智能专栏》必读150篇 | 阅读推荐 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-28 2054
人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程。6. Python与PyTorch。5. YOLOv8及其改进。2. 深度学习与目标检测。4. YOLOv5改进。
《人工智能专栏》必读150篇 | 专栏介绍 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-25 1149
《人工智能专栏》专栏介绍 & 专栏目录 & Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
《人工智能-机器学习-深度学习-目标检测》专栏目录 & Python与PyTorch | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 |
专注于人工智能学习，总结
09-08 1526
走进神经网络 | 深度神经网络DNN | 卷积神经网络CNN | 区域卷积神经网络RNN | 目标检测 | 经典网络模型二十余种(LeNet-5 | AlexNet | ZFNet | VGGNet | GoogLeNet | ResNet | DenseNet | SeNet | MobileNet | ShuffleNet | RepVGG | MobileOne | FasterNet | R-CNN | SPPNet | Fast RNN | Faster RNN | R-FCN | SSD )
yolov5-7.0 添加BiFPN
heromps的博客
05-23 1万+
BiFPN是目标检测中神经网络架构设计的选择之一，为了优化目标检测性能而提出。主要用来进行多尺度特征融合，对神经网络性能进行优化。
YOLOv5改进-引入BiFPN
weixin_57130167的博客
05-02 7910
YOLOv5模型的Neck部分使用的是FPN+PAN结构，从neck特征融合入手，引入加权双向特征金字塔BiFPN来加强特征图的底层信息，使不同尺度的特征图进行信息融合，从而加强特征信息。
YOLOv5改进系列（12）——更换Neck之BiFPN
路人贾的博客
06-30 8138
手把手教你改进YOLOv5系列之更换BiFPN，含两种方式，超级详细！
YOLOv5添加BiFPN
m0_72826890的博客
07-31 1194
在cfg参数中，改为models/BiFPN-yolov5s.yaml。1、修改common.py文件。4、修改train.py并运行。1、修改common.py文件。4、修改train.py文件。5、运行train.py文件。3、修改yolo.py文件。3、修改yolo.py文件。2、新建一个yaml文件。2、新建yaml文件。
bifpn yolov8分割
03-20
### YOLOv8 中 BiFPN 的实现及其在图像分割中的应用 #### 1. YOLOv8 和 BiFPN 结合的基础原理 YOLOv8 是一种高效的实时目标检测算法，其核心在于灵活的主干网络设计以及强大的特征提取能力。通过引入 **BiFPN (Bidirectional Feature Pyramid Network)**[^3]，可以在多尺度特征融合上进一步优化模型表现。 BiFPN 不仅增强了低层细节信息与高层语义信息之间的交互，还通过双向连接提升了特征传播效率。这使得它非常适合用于复杂的任务场景，比如实例分割或全景分割。 --- #### 2. 在 YOLOv8 上实现 BiFPN 进行图像分割的核心步骤解析 为了使 YOLOv8 支持图像分割功能并结合 BiFPN 提升性能，通常需要以下几个方面的调整： - 替换主干网络为更适配的任务需求版本（如 RepViT 或 VanillaNet），以便更好地支持像素级预测任务[^1][^2]。 - 将传统的 FPN 替代为 BiFPN 模块，从而改善跨尺度特征融合效果。 - 修改头部结构以适应分割任务的需求，例如增加额外分支处理掩码输出。 以下是具体实现方式的一个示例代码片段展示如何构建这样的系统架构: ```python import torch.nn as nn from ultralytics import YOLO class CustomSegmentationHead(nn.Module): """自定义分割头""" def __init__(self, input_channels=256, num_classes=80): super(CustomSegmentationHead, self).__init__() self.conv = nn.Conv2d(input_channels, num_classes, kernel_size=1) def forward(self, x): return self.conv(x) def build_bifpn(features_in, out_channels=256, num_layers=2): """创建 BiFPN 层次结构.""" layers = [] for _ in range(num_layers): layer = nn.Sequential( nn.Conv2d(out_channels * 2, out_channels, kernel_size=1), nn.ReLU() ) layers.append(layer) return nn.ModuleList(layers) # 加载预训练好的 YOLOv8 模型 model = YOLO('yolov8n.pt') # 插入 BiFPN 到现有框架中 bifpn = build_bifpn(model.model[-1].out_shape[1], out_channels=model.model[-1].out_shape[1]) # 添加自定义分割头 seg_head = CustomSegmentationHead() # 更新整个模型管道 model.add_module('bifpn', bifpn) model.add_module('segmentation_head', seg_head) print("Model with BiFPN and Segmentation Head Ready!") ``` 上述代码展示了如何扩展标准 YOLOv8 架构至具备图像分割能力的形式，并集成了 BiFPN 来强化特征表示学习过程。 --- #### 3. 关键技术点说明 - **主干网选择**: 如果原生 YOLOv8 主干无法满足特定数据分布下的表达力，则可考虑更换为主流轻量级骨干如 RepViT 或者 VanillaNet 等替代方案. - **特征金字塔改进**: 使用 BiFPN 而不是普通的 FPN 可以为下游任务提供更加鲁棒且丰富的上下文线索. - **损失函数定制化**: 对于语义/实例分割而言，除了常规边界框回归外还需要加入针对 mask 预测部分的相关监督信号源. --- #### 4. 注意事项 当尝试将这些改动应用于实际项目之前，请务必注意以下几点建议: - 数据准备阶段应充分考虑到标注质量的重要性； - 训练过程中可能需要重新平衡各类别的权重参数设置； - 测试环境需验证最终成果是否达到预期指标水平； ---
评论 5
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

打赏作者

小酒馆燃着灯

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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