相關文章

• YOLOv8改進 | Neck篇 | 當SDI碰上BiFPN形成全新的特征金字塔網(wǎng)絡（全網(wǎng)獨家創(chuàng)新）

  本文給大家?guī)淼母倪M機制是利用多層次特征融合模塊 （SDI） 配上經(jīng)典的加權雙向特征金字塔網(wǎng)絡 Bi-FPN 形成一種全新的Neck網(wǎng)絡結構，從而達到二次創(chuàng)新的效果，其中 （SDI） 模塊的主要思想是通過整合編碼器生成的層級特征圖來增強圖像中的語義信息和細節(jié)信息。 Bi-FPN 無

  2024年02月21日

  瀏覽(24)
• 

  yolov5-7.0 添加BiFPN

  BiFPN是目標檢測中神經(jīng)網(wǎng)絡架構設計的選擇之一，為了優(yōu)化目標檢測性能而提出。主要用來進行多尺度特征融合，對神經(jīng)網(wǎng)絡性能進行優(yōu)化。來自EfficientDet: Scalable and Efficient Object Detection這篇論文。 在這篇論文中，作者主要貢獻如下： 首先，提出了一種 加權雙向特征金字塔網(wǎng)

  2024年02月17日

  瀏覽(20)
• 

  YOLOv5的Neck端設計

  YOLOv5的Neck端設計 在上一篇《YOLOv5的Backbone設計》中，我們從yolov5的backbone配置文件出發(fā)，細致講解了backbone的網(wǎng)絡架構及各模塊的源碼和結構，對骨架網(wǎng)絡有了較為全面的初步認知。接下來我們會循著之前的學習思路，繼續(xù)深入到網(wǎng)絡結構源碼中去探尋YOLO的Neck端設計。 網(wǎng)絡

  2024年02月07日

  瀏覽(18)
• 

  【YOLOv5】Backbone、Neck、Head各模塊詳解

  Yolov5是一種目標檢測算法，采用基于Anchor的檢測方式，屬于單階段目標檢測方法。相比于Yolov4，Yolov5有著更快的速度和更高的精度，是目前業(yè)界領先的目標檢測算法之一。 Yolov5基于目標檢測算法中的one-stage方法，其主要思路是將整張圖像劃分為若干個網(wǎng)格，每個網(wǎng)格預測出該

  2024年02月03日

  瀏覽(30)

• YOLOv5改進 | 融合改進篇 | 華為VanillaNet + BiFPN突破漲點極限

  本文給大家?guī)淼母倪M機制是 華為VanillaNet 主干 配合 BiFPN 實現(xiàn)融合漲點，這個主干是一種注重極簡主義和效率的神經(jīng)網(wǎng)絡我也將其進行了實驗，?其中的BiFPN不用介紹了從其發(fā)布到現(xiàn)在一直是比較熱門的改進機制，其主要思想是通過多層級的特征金字塔和雙向信息傳遞來提高

  2024年02月20日

  瀏覽(23)
• 

  YOLOv5/v7 引入 最新 BiFusion Neck | 附詳細結構圖

  YOLO 社區(qū)自前兩次發(fā)布以來一直情緒高漲！隨著中國農(nóng)歷新年2023兔年的到來，美團對YOLOv6進行了許多新的網(wǎng)絡架構和訓練方案改進。此版本標識為 YOLOv6 v3.0。對于性能，YOLOv6-N在COCO數(shù)據(jù)集上的AP為37.5%，通過NVIDIA Tesla T4 GPU測試的吞吐量為1187 FPS。YOLOv6-S以484 FPS的速度得到了超過

  2024年02月05日

  瀏覽(119)

• YOLOv5改進 | Neck篇 | 利用ASF-YOLO改進特征融合層（適用于分割和目標檢測）

  本文給大家?guī)淼母倪M機制是 ASF-YOLO（發(fā)布于2023.12月份的最新機制） ，其是特別設計用于細胞實例分割。這個模型通過結合空間和尺度特征，提高了在處理細胞圖像時的準確性和速度。在實驗中， ASF-YOLO在2018年數(shù)據(jù)科學競賽 數(shù)據(jù)集上取得了卓越的分割準確性和速度，達到了

  2024年01月15日

  瀏覽(17)

• YOLOv5改進 | 一文匯總：如何在網(wǎng)絡結構中添加注意力機制、C3、卷積、Neck、SPPF、檢測頭

  本篇文章的內(nèi)容是在大家得到一個改進版本的C3一個新的注意力機制、或者一個新的卷積模塊、或者是檢測頭的時候如何替換我們YOLOv5模型中的原有的模塊，從而用你的模塊去進行訓練模型或者檢測。因為最近開了一個專欄里面涉及到挺多改進的地方，不能每篇文章都去講解

  2024年02月19日

  瀏覽(27)
• 

  【魔改YOLOv5-6.x（中）】加入ACON激活函數(shù)、CBAM和CA注意力機制、加權雙向特征金字塔BiFPN

  【魔改YOLOv5-6.x（上）】：結合輕量化網(wǎng)絡Shufflenetv2、Mobilenetv3和Ghostnet 本文使用的YOLOv5版本為v6.1，對YOLOv5-6.x網(wǎng)絡結構還不熟悉的同學們，可以移步至：【YOLOv5-6.x】網(wǎng)絡模型源碼解析 另外，本文所使用的實驗環(huán)境為1個GTX 1080 GPU，數(shù)據(jù)集為VOC2007，超參數(shù)為hyp.scratch-low.yaml，訓

  2024年02月02日

  瀏覽(22)
• 

  YOLO Air：YOLO科研改進論文推薦 | 改進組合上千種搭配，包括Backbone,Neck,Head,注意力機制,適用于YOLOv5、YOLOv7、YOLOX等算法

  ??????YOLOAir開源算法庫?。?！ ??統(tǒng)一使用 YOLOv5、YOLOv7 代碼框架， 結合不同模塊來構建不同的YOLO目標檢測模型。 ??本項目包含大量的改進方式,降低改進難度,改進點包含 【Backbone特征主干】 、 【Neck特征融合】 、 【Head檢測頭】 、 【注意力機制】 、 【IoU損失函數(shù)】

  2024年02月01日

  瀏覽(40)