YOLOv5算法进阶改进（16）— 更换Neck网络之GFPN（源自DAMO-YOLO）

已于 2024-06-23 07:43:41 修改
阅读量1.9k 收藏 6
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv5：从入门到实战 文章标签： YOLO 人工智能 计算机视觉 目标检测 机器学习 深度学习
于 2024-02-24 19:41:52 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_61961691/article/details/136271376
本文详细介绍了如何在YOLOv5中使用GFPN（Global Feature Pyramid Network）替换Neck网络，以提高目标检测性能。GFPN通过特征融合提取多尺度信息，包括上采样、特征融合、下采样等步骤。教程涵盖了从理解GFPN的基础概念，到具体步骤，包括修改common.py、yolo.py文件，创建和修改自定义yaml配置文件，以及验证和训练过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前言：Hello大家好，我是小哥谈。GFPN（Global Feature Pyramid Network）是一种用于目标检测的神经网络架构，它是在Faster R-CNN的基础上进行改进的，旨在提高目标检测的性能和效果。其核心思想是引入全局特征金字塔，通过多尺度的特征融合来提取更丰富的语义信息。具体来说，GFPN包含了一个主干网络和一个特征金字塔网络。本文所作出的改进是更换YOLOv5的Neck网络，希望大家学习之后能够有所收获~！🌈   

 前期回顾：

             YOLOv5算法进阶改进（1）— 改进数据增强方式 + 添加CBAM注意力机制

             YOLOv5算法进阶改进（2）— 引入可变形卷积模块 | 涨点杀器

             YOLOv5算法进阶改进（3）— 引入深度可分离卷积C3模块 | 轻量化网络

             YOLOv5算法进阶改进（4）— 引入解耦合头部 | 助力提高检测准确率

             YOLOv5算法进阶改进（5）— 主干网络中引入SCConv | 即插即用的空间和通道维度重构卷积

             YOLOv5算法进阶改进（6）— 更换主干网络之ResNet18

             YOLOv5算法进阶改进（7）— 将主干网络SPPF更换为SimSPPF / SPP-CSPC / SPPF-CSPC

             YOLOv5算法进阶改进（8）— 引入GSConv + Slim Neck相结合的方式降低模型复杂性

             YOLOv5算法进阶改进（9）— 引入ASPP | 空洞空间金字塔池化

             YOLOv5算法进阶改进（10）— 更换主干网络之MobileViTv3 | 轻量化Backbone

             

了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5改进系列：替换Neck为AFPN
IdfdFsharp的博客
09-20 1003
AFPN能够自适应地融合不同尺度的特征图，提供丰富的上下文信息，从而改善目标检测的准确性。请注意，以上代码示例是简化的，并且可能需要根据具体的实际情况进行适当的修改和调整。它通过自适应地融合不同尺度的特征图，提供了丰富的上下文信息，有助于提高目标检测的精度。在上面的代码中，我们将AFPN作为YOLOv5的Neck结构，并将其插入到主干网络和头部结构之间。通过这样的修改，我们可以使用AFPN提供的多尺度特征来改善目标检测的性能。接下来，我们修改YOLOv5的主干网络，将原有的Neck结构替换为AFPN。
YOLOv8改进 | Neck | 有效提升小目标检测效果，附完整代码结构图【小白必备】
kay_545
08-06 3928
yolov8改进，yolov8，slim-neck，
计算机视觉---YOLOv5
最新发布
MzKyle的博客
06-02 1447
YOLOv5是YOLO系列目标检测框架的最新改进版本，采用单阶段检测架构，包含主干网络、颈部网络和检测头三部分。相比YOLOv4，YOLOv5在轻量化和硬件适应性方面有显著优化：1)主干网络采用改进的CSPDarknet，支持动态深度和宽度因子调节；2)颈部网络使用轻量化PANet结构；3)检测头支持自适应锚框计算和多尺度检测。主要改进包括：模型轻量化设计、自适应训练与推理优化、PyTorch原生实现带来的部署便利性、改进的训练策略和数据增强。
YOLOv8 改进：将 Neck 替换为 AFPN
走向CTO的路上...
04-17 984
YOLO 是一种单阶段目标检测算法，可以在一张图片上同时预测多个物体的边界框和类别概率。其高效的处理能力使得它广泛应用于需要实时处理的场景中。AFPN 是一种改进的特征金字塔网络（FPN），通过引入自适应模块来动态调整不同层级特征的组合方式，从而更好地整合高层语义信息和低层细节信息。这种方法能够有效提升模型对不同尺度目标的识别能力。# 使用简单卷积层作为 AFPN 示例组件。
YOLOv8改进 | Neck篇 | BiFPN双向特征金字塔网络（附yaml文件+代码）
Snu77的博客
12-14 1万+
本文给大家带来的改进机制是BiFPN双向特征金字塔网络，其是一种特征融合层的结构，也就是我们本文改进YOLOv8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。本文给大家带来的结构可以让大家自行调节网络结构大小，同时能够达到一定的轻量化效果(需要注意的是BiFPN正常是需要五个检测头的，但是YOLOv8只有三个检测头，所以我对其yaml文件进行了一定设计，从而支持三个头的检测，后面我也会出四个头的BiFPN，然后配合我前面的AFPN_Detect检测头来融合)。
YOLOv8改进 | Neck | 添加双向特征金字塔BiFPN【含二次独家创新】
kay_545
06-20 4059
BIFPN（双向特征金字塔网络）通过双向特征融合和加权特征融合的创新设计，显著提升了特征金字塔网络（FPN）的性能。其核心思想是将信息在特征金字塔中双向传递，即从高层特征图向低层特征图传递，同时也从低层特征图向高层特征图传递，确保特征信息的充分融合。同时，BIFPN引入了可学习的加权机制，通过在训练过程中自动调整权重，优化不同尺度特征图的融合效果。这种设计不仅提高了特征表示的能力，还保持了计算的高效性，使其在目标检测和图像分割等计算机视觉任务中表现出色，能够更好地应对多尺度问题和不同任务需求。
YOLOv8改进 | 融合改进篇 | Damo-YOLO配合Dyhead检测头突破极限涨点(全网独家创新)
走向CTO的路上...
07-19 1159
本篇介绍了一种Damo-YOLO配合Dyhead检测头的融合改进方法，可以显著提升YOLOv8模型在目标检测任务上的精度。本篇介绍了一种Damo-YOLO配合Dyhead的融合改进方法，该方法可以显著提升YOLOv8模型在目标检测任务上的精度。
YOLOv8改进新路径：Damo-YOLO与Dyhead融合的创新检测策略
shrgegrb的博客
04-26 1670
YOLOv8 是 Ultralytics 团队开发的一种实时目标检测算法，它基于 Transformer 架构，在速度和精度上都有显著提升。改进的 Backbone：采用了更高效的特征提取网络，能够更好地捕捉图像中的目标特征。增强的 Neck：通过改进的特征融合结构，使得不同层次的特征能够更有效地进行交互和融合。优化的 Head：对检测头进行了调整，提高了定位和分类的准确性。这些改进使得 YOLOv8 在各种目标检测任务中表现出色，成为了当前目标检测领域的一个重要里程碑。
DAMO-YOLO
Littro Innovations
05-23 461
在技术分析上，DAMO-YOLO的核心是对原YOLOv4进行了一系列优化，包括模型结构的调整和训练策略的更新。具体来说，DAMO-YOLO引入了一系列新技术，如基于NAS搜索的新检测backbone结构，更深的neck结构，精简的head结构，以及引入蒸馏技术实现效果的进一步提升。它构建了不同尺寸的模型以满足不同场景需求，如DAMO-YOLO-Tiny/Small/Medium等，这些模型在T4GPU上分别取得了43.06/46.8/50.0的mAP指标，同时推理速度也相应提升。
【YOLOv7/v5系列算法改进NO.45】首发最新特征融合技术RepGFPN（DAMO-YOLO）
m0_70388905的博客
12-10 7381
涨点明显！首发最新特征融合技术RepGFPN（DAMO-YOLO）
YOLOv5 更换Neck之 BiFPN
热门推荐
YOLOv8项目贡献者
06-06 3万+
Yolov5更换BiFPN结构
YOLOv8改进 | Neck篇 | Slim-Neck替换特征融合层实现超级涨点（又轻量又超级涨点）
走向CTO的路上...
07-02 2358
在YOLOv8中引入Slim-Neck可以显著提高模型的性能，尤其是在目标检测的精度和速度方面。Slim-Neck是一种轻量级的特征融合网络，它采用了一种新的特征融合策略，在保证模型精度的同时，大幅降低了模型的计算量和参数量。Slim-Neck的引入使得YOLOv8能够在保持较高精度的同时，运行得更快，更轻量化，适用于对计算资源或部署空间受限的场景。Slim-Neck替换特征融合层是一种有效的改进方案，可以显著提升模型的性能，使其成为移动端目标检测、嵌入式系统目标检测和实时目标检测等任务的优选方案。
DAMO-YOLO：一份关于实时目标检测设计的报告
m0_47867638的博客
10-11 1249
在本报告中，我们提出了一种快速且准确的目标检测方法，名为DAMO-YOLO，其性能优于最先进的YOLO系列。DAMO-YOLO在YOLO的基础上进行了一些新技术扩展，包括神经架构搜索（NAS）、高效的重新参数化的广义泛函网络（RepGFPN）、带有对齐OTA标签分配的轻量级头部以及蒸馏增强。特别是，我们使用基于最大熵原理的MAE-NAS方法，在低延迟和高性能的约束下搜索我们的检测骨干，生成具有空间金字塔池化和焦点模块的ResNet-like/CSP-like结构。
YOLOv8改进策略【Neck】| SEAM：分离和增强注意模块，解决复杂场景下的小目标遮挡问题
Limiiiing的博客
03-27 330
本文记录的是利用 SEAM 模块优化 YOLOv8 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题，相当于是小目标被其他物体部分遮挡时，传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失，提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块（Separated and Enhancement Attention Module）的设计出发点是
YOLOv8改进 | Neck篇 | 独创HFPN利用分层特征融合块HFFB模块融合多层次特征改进yolov8（全网独家创新）
Snu77的博客
03-08 2101
本文给大家带来的最新改进是利用分层特征融合块HFFB创新yolov8的neck部分我称之为HFPN，这个模块可以融合局部特征、全局特征、中间特征将三种特征融合在一起辅助yolov8进行检测，经过我的设计分为三种可以针对大目标、小目标、标准目标的检测方式均不同，大家可以根据自己的数据集进行不同的选择，本文的内容为我独家创新。YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、原理介绍三、核心代码四、添加方法4.1 修改一4.2 修改二4.3 修改三4.4 修改四。
YOLOv8改进 | Neck篇 | YOLOv8引入Slim-Neck（超轻量）
tsg6698的博客
08-30 1526
在标准的CNN架构中，随着网络深度的增加，空间信息逐步转化为通道信息，这一转换过程在每次特征图的空间压缩和通道扩展操作中往往伴随着语义信息的部分损失。GSConv通过其独特的设计，旨在在维持较低时间复杂度的同时，最大化地保留通道之间的潜在连接，从而减少信息的丢失。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YOLOv8改进有效涨点专栏，后期我会根据各种最新的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~
小目标检测篇 | YOLOv8改进之更换Neck网络为BiFPN + 添加小目标检测层
突然好想你
05-25 1670
本篇文章就给大家介绍如何在将YOLOv8的Neck网络更换为BiFPN之后如何去添加小目标检测层。🌈
YOLOv8改进 | Neck篇 | 利用Damo-YOLO的RepGFPN改进特征融合层（全新YOLOv8改进策略）
走向CTO的路上...
06-29 1647
将Damo-YOLO的RepGFPN引入YOLOv8的Neck层可以显著提高模型的性能，尤其是在目标检测的多尺度目标检测性能和语义特征提取能力方面。RepGFPN是一种基于全局感受野（GF）和路径聚合（PA）的改进型特征融合网络，它能够有效地融合不同尺度特征之间的信息，并增强模型对语义信息的提取能力。RepGFPN改进特征融合层是一种有效的改进方案，可以显著提升模型的多尺度目标检测性能和语义特征提取能力，使其成为目标检测、图像分割、实例分割等任务的优选方案。
特征融合篇 | YOLOv8改进之将Neck网络更换为AFPN
突然好想你
03-24 1391
AFPN是一种用于目标检测任务的功能增强模块，它能够自适应地融合来自不同层级的特征图，以提供更好的目标定位和尺度适应能力。在YOLOv8网络结构中添加AFPN（Adaptive Feature Pyramid Network）可以提高目标检测的准确性。🌈
DAMO-YOLO中的GFPN
12-28
### DAMO-YOLO中的GFPN架构详解 #### 一、Efficient RepGFPN概述 DAMO-YOLO采用了一种名为Efficient RepGFPN的特征金字塔网络（Feature Pyramid Network, FPN），该设计旨在提高模型效率的同时保持强大的特征提取能力[^2]。 #### 二、RepBlock机制 为了增强跨尺度信息交互并简化训练过程，Efficient RepGFPN引入了可重复参数化(Reparameterization)技术。具体来说，在推理阶段会将多个卷积层融合成单一层来加速计算；而在训练期间则通过多条路径传递梯度以促进学习效果提升。 #### 三、自顶向下与自底向上路径加强 除了传统的自上而下的下采样操作外,Efficient RepGFPN还增加了自底部向上的上采样连接方式。这种双向的信息流动有助于更好地捕捉不同层次的空间细节以及语义含义。 ```python def forward(self,xs): # 自底向上处理分支 for i in range(len(xs)-1,-1,-1): ... # 自顶向下处理分支 for i in range(0,len(outs)): ... ``` #### 四、轻量化设计原则 考虑到实际应用场景对于速度的要求,DAMO团队特别注重控制整个neck模块的复杂度。因此尽管加入了更多复杂的组件如上述提到的各种改进措施,但在整体结构上仍然遵循着简洁高效的设计理念。
评论 2
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

小哥谈

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