YOLOv11轻量化改进 | Conv篇 | MSBlock轻量级架构下的高效检测（既轻量又提点）

已于 2024-11-18 16:56:10 修改
阅读量1k 收藏 6
点赞数 11
CC 4.0 BY-SA版权
分类专栏： YOLO系列模型有效涨点改进 文章标签： YOLO
于 2024-11-18 16:03:55 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_51988935/article/details/143858757

 

Metric YOLOv11n YOLOv11n-MSBlock
MAP 39.3 40.6
SPeed（CPU） 56.1 ms 55.1ms
SPeed（GPU） 1.6 ms 1.5ms
Params 2.6 M 2.3 M
FLOPs 6.4 B 6.3 B

一、本文介绍

本文详

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv8改进 | Conv篇 | 轻量级下采样方法ContextGuided（大幅度涨点）
Snu77的博客
12-16 1万+
本文给大家带来的是改进机制是一种替换Conv的模块Context Guided Block (CG block)，其实在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性，)(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同。
多尺度特征融合革新：基于 MSBlock 的 YOLOv8 多层级表征学习全攻略
最新发布
know_F0727的博客
11-14 26
MSBlock 以“分层多 kernel 提取+动态通道融合”打破了传统特征融合的精度与效率壁垒，为 YOLOv8 注入了“多尺度表征精准、融合效率高效”的核心能力。从理论解构到实战落地，再到场景化调优，这份教程已覆盖你在项目中应用 MSBlock 的全流程。如果你在实操中遇到任何卡点——无论是模块集成的报错、场景适配的迷茫，还是性能调优的困惑，都可以随时交流。
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection
AdjsWsgz的博客
09-15 1342
本文提出了一种能够增强多尺度特征表示的实时目标检测器YOLO-MS，核心设计是基于对不同核大小的卷积在不同尺度下如何影响目标检测性能的一系列研究。
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection(论文学习笔记)
athrunsunny的博客
08-15 3521
性能超越YOLOv8与RTMDet，即插即用代码地址：文中给了github地址，但是暂时打不开（2023.08.15）摘要作者旨在为目标检测社区提供一种高效且性能卓越的目标检测器，称为YOLO-MS。核心设计基于一系列对不同Kernel-Size卷积如何影响不同尺度上目标检测性能的研究。研究结果是一种可以显著增强实时目标检测器多尺度特征表示的新策略。为了验证作者策略的有效性，作者构建了一个名为YOLO-MS的网络架构。
(23) TRB: A Novel Triplet Representation for Understanding 2D Human Body : ICCV 2019
qq_17721239的博客
05-14 670
TRB: A Novel Triplet Representation for Understanding 2D Human Body ICCV 2019 paper :https://arxiv.org/pdf/1910.11535.pdf 论文介绍了一种新的人体特征表示方法（TRB->Triplet Representation for Body）：既体现了人体姿态，又...
YOLO轻量化改进 ， 边缘GPU友好的YOLO改进算法！
qq_53545309的博客
10-29 1336
例如，尽管YOLOv3检测头有3个输出尺度，但在特征采集阶段可以使用4个不同的Backbone特征(3个与输出尺度相同的特征，第4个较浅的特征)，这样就可以利用更细粒度的low-level特征来提高模型性能。从图中可以看出，当增加使用预训练过的权值初始化的特征提取Backbone的比例时，模型的性能得到了提高，这也强调了迁移学习的重要性。此外，作者提出了一种新的迁移学习backbone采用的灵感是来自不同任务的转换信息流的变化，旨在补充特征交互模块，并提高准确性和推理速度的各种边缘GPU设备上的可用性。
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 1万+
轻量化YOLOv5s模型
YOLOv11改进 | Conv篇 | 轻量级下采样方法ContextGuided（二次创新C3k2, 助力多尺度特征融合）
Snu77的博客
10-23 3168
本文给大家带来的是改进机制是一种替换Conv的模块，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。(经过我检验分别在三种数据集上，大中小均进行了150轮次的实验，均有一定程度上的涨点，下面我选取了一种中等大小的数据集的结果进行了对比)，同时本文的修改方法和之前的普通卷积模块也有所不同，大家需要注意看章节四进行修改。适用检测目标：所有的目标检测均有一定的提点。
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。
YOLOv8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
热门推荐
Snu77的博客
12-30 17万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、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，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
10-11 4万+
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
基于改进YOLO轻量化网络的目标检测方法
01-26
YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。
YOLOV5轻量化改进-MobileNetV3替换骨干网络
weixin_44597885的博客
03-03 9298
YOLOV5轻量化改进-MobileNetV3替换骨干网络
如何用自己的数据集训练YOLOv13（NEU-DET为案列展开）
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
06-26 1547
如何用自己的数据集训练YOLOv13，在NEU-DET任务中不使用预训练模型，YOLOv13原始mAP50为0.742；使用预训练模型，YOLOv13原始mAP50为0.762
YOLO目标检测算法轻量化改进的过程记录
hexiao260的博客
05-22 1万+
将目标检测算法部署至嵌入式设备（jetson nano）上的过程，并对YOLO目标检测算法进行轻量化改进（修改），主要是在YOLOv4-tiny、YOLOv5-s及YOLOX-tiny的基础上做出的总结及改进，主要是自己的实测效果及一些改进后的效果的记录，免得大家二次踩坑，并不一定适用于所有情况，并且容易受训练策略、数据集等各自各样的因素影响可能会有所区别，但深度学习嘛，本身就是个玄学问题，大家看看就好。......
YOLOv8 改进：使用 MobileNetV3 轻量化架构改进特征提取网络
走向CTO的路上...
03-22 1079
通过使用 MobileNetV3 作为 YOLOv8 的特征提取器，能够显著降低模型复杂度和运行时资源消耗，同时在一定程度上保持检测精度。这种方法特别适合需要高效计算的边缘设备和嵌入式系统。
YOLO系列改进 | YOLOF的小小改进升级之轻量化TE-YOLOF
与君共勉，一起学习
02-04 1302
显微图像中的血细胞分析通过识别不同的细胞对象在疾病识别领域中起着至关重要的作用。在血细胞领域，血液中有三种重要成分：白细胞（WBC）、红细胞（RBC）和血小板。这些血细胞的比例和数量严重影响医生对疾病的判断。因此，找到一种基于深度卷积神经网络的目标检测算法来准确高效地检测血细胞，可以提高医疗系统的效率。目标检测是寻找图像中物体坐标并对物体进行分类的研究，广泛应用于机器视觉、行人识别、异常检测等计算机视觉任务中，精确的目标检测算法让计算机代替了部分人工来手动检查实例。
YOLO 系列轻量化改进研究成果及前沿方向解析
Aifuyao的博客
04-17 1900
在目标检测领域，YOLO 系列模型凭借高效的检测性能持续成为研究热点，尤其是其轻量化改进方向，近年来涌现出大量创新性成果，为资源受限场景下的应用提供了有力支持。以下结合最新研究成果，从具体模型、技术创新及未来方向展开分析。
改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF_Head
weixin_39818775的博客
08-06 1362
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；
yolov5轻量化改进conv
09-08
Yolov5轻量化改进conv是指在Yolov5目标检测算法中对Conv操作进行的改进。根据引用中提到的C3模块的结构，ConvBNSiLU和BottleNeck是C3结构中的关键组件。其中，ConvBNSiLU是一个由卷积(Conv)、批归一化(BN)和激活函数...
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