相關(guān)文章

• 

  損失函數(shù)篇 | YOLOv8 更換損失函數(shù)之 MPDIoU | 《2023 一種用于高效準(zhǔn)確的邊界框回歸的損失函數(shù)》

  論文地址：https://arxiv.org/pdf/2307.07662v1.pdf 邊界框回歸（Bounding Box Regression，BBR）在目標(biāo)檢測(cè)和實(shí)例分割中得到了廣泛應(yīng)用，是目標(biāo)定位的重要步驟。然而，對(duì)于邊界框回歸的大多數(shù)現(xiàn)有損失函數(shù)來(lái)說(shuō)，當(dāng)預(yù)測(cè)的邊界框與真值邊界框具有相同的長(zhǎng)寬比，但寬度和高度的值完全不

  2024年02月15日

  瀏覽(20)
• 

  復(fù)現(xiàn)YOLOv5改進(jìn)最新MPDIoU:有效和準(zhǔn)確的邊界盒回歸的損失，打敗G/E/CIoU，效果明顯?。?！

  論文地址：https://arxiv.org/pdf/2307.07662.pdf ?? 邊界盒回歸(Bounding box regression, BBR)廣泛應(yīng)用于目標(biāo)檢測(cè)和實(shí)例分割，是目標(biāo)定位的重要步驟。然而，當(dāng)預(yù)測(cè)框與groundtruth盒具有相同的縱橫比，但寬度和高度值完全不同時(shí)，大多數(shù)現(xiàn)有的邊界盒回歸損失函數(shù)都無(wú)法優(yōu)化。為了解決上

  2024年02月14日

  瀏覽(17)
• 

  yolov5使用最新MPDIOU損失函數(shù)，有效和準(zhǔn)確的邊界盒回歸的損失，優(yōu)于GIoU/EIoU/CIoU/EIoU（附代碼可用）

  MPDIoU: A Loss for Efficient and Accurate Bounding Box Regression (一個(gè)有效和準(zhǔn)確的邊界框損失回歸函數(shù)) 論文地址 1.1. 主要目的 當(dāng)預(yù)測(cè)框與邊界框具有相同的縱橫比，但寬度和高度值完全不同時(shí)，大多數(shù)現(xiàn)有的邊界框回歸損失函數(shù)都無(wú)法優(yōu)化。 為了解決上述問(wèn)題，MPDIoU充分挖掘水平矩形

  2024年02月07日

  瀏覽(26)
• 

  YOLOv8改進(jìn) | 損失篇 | VarifocalLoss密集目標(biāo)檢測(cè)專用損失函數(shù) (VFLoss，原論文一比一復(fù)現(xiàn))

  本文給大家?guī)?lái)的是損失函數(shù)改進(jìn) VFLoss損失函數(shù) ，VFL是一種為 密集目標(biāo)檢測(cè)器 訓(xùn)練預(yù)測(cè)IoU-aware Classification Scores（IACS）的損失函數(shù)，我經(jīng)過(guò)官方的版本將其集成在我們的YOLOv8的損失函數(shù)使用上， 其中有很多使用的小細(xì)節(jié) (否則按照官方的版本使用根本擬合不了，這也是為啥

  2024年02月02日

  瀏覽(24)

• 劍指YOLOv5改進(jìn)損失函數(shù)，具有自適應(yīng)閾值的 Slide 權(quán)重函數(shù)，使模型在訓(xùn)練期間更加關(guān)注硬樣本

  ?? 本篇內(nèi)容 ：劍指YOLOv5改進(jìn)損失函數(shù)，設(shè)計(jì)具有自適應(yīng)閾值的 Slide 權(quán)重函數(shù)，使模型在訓(xùn)練期間更加關(guān)注硬樣本 ????????本博客 改進(jìn)源代碼改進(jìn) 適用于 YOLOv5 按步驟操作運(yùn)行改進(jìn)后的代碼即可 ??：重點(diǎn)：該 專欄 《劍指YOLOv5原創(chuàng)改進(jìn)》只更新改進(jìn) YOLOv5 模型的內(nèi)容 劍

  2024年02月11日

  瀏覽(27)
• 

  YOLOV8改進(jìn)：更換為MPDIOU,實(shí)現(xiàn)有效漲點(diǎn)

  1.該文章屬于YOLOV5/YOLOV7/YOLOV8改進(jìn)專欄，包含大量的改進(jìn)方式，主要以2023年的最新文章和2022年的文章提出改進(jìn)方式。 2.提供更加詳細(xì)的改進(jìn)方法，如將注意力機(jī)制添加到網(wǎng)絡(luò)的不同位置，便于做實(shí)驗(yàn)，也可以當(dāng)做論文的創(chuàng)新點(diǎn)。 2.漲點(diǎn)效果：更換為MPDIOU,實(shí)現(xiàn)有效漲點(diǎn)！ 目錄

  2024年02月10日

  瀏覽(22)
• 

  YOLOv8改進(jìn)損失函數(shù)WDLoss：獨(dú)家更新｜即插即用｜YOLOv8小目標(biāo)檢測(cè)高效漲點(diǎn)2%，改進(jìn)用于小目標(biāo)檢測(cè)的歸一化高斯 Wasserstein Distance Loss，提升小目標(biāo)檢測(cè)

  ??該教程為 《芒果書(shū)》 ??系列，包含大量的原創(chuàng)首發(fā)改進(jìn)方式, 所有文章都是全網(wǎng)首發(fā)原創(chuàng)改進(jìn)內(nèi)容?? 內(nèi)容出品： CSDN博客獨(dú)家更新 @CSDN芒果汁沒(méi)有芒果 ??本篇文章 基于 YOLOv8 芒果 改進(jìn)YOLO系列： 芒果YOLOv8改進(jìn)WDLoss損失函數(shù)：獨(dú)家首發(fā)更新｜即插即用｜YOLOv8小目標(biāo)檢測(cè)高

  2024年02月01日

  瀏覽(42)

• YOLOv8改進(jìn)PIoU損失函數(shù)：PIoU v2損失增強(qiáng)了專注于中等質(zhì)量錨盒的能力，v1版本使用非單調(diào)聚焦機(jī)制更直接、更快的邊界框回歸損失

  ?? 本篇內(nèi)容 ：YOLOv8改進(jìn)PIoU損失函數(shù)：PIoU v2損失增強(qiáng)了專注于中等質(zhì)量錨盒的能力，v1版本使用非單調(diào)聚焦機(jī)制更直接、更快的邊界框回歸損失 ??附改進(jìn)源代碼及教程，用來(lái)改進(jìn) ??PIoU損失函數(shù) Powerful-IoU損失函數(shù)論文地址：https://www.sciencedirect.com/science/article/abs/pii/S0893608

  2024年02月21日

  瀏覽(18)
• 

  YOLOv7、YOLOv5改進(jìn)全新XIoU損失函數(shù)：獨(dú)家首發(fā)最新改進(jìn)｜YOLO改進(jìn)Trick，相比較CIoU改進(jìn)輕松漲點(diǎn)，提升網(wǎng)絡(luò)模型性能、收斂速度和魯棒性

  ??該教程為屬于 《芒果書(shū)》 ??系列，包含大量的原創(chuàng)首發(fā)改進(jìn)方式, 所有文章都是全網(wǎng)首發(fā)原創(chuàng)改進(jìn)內(nèi)容?? ??本篇文章 為 YOLOv5、YOLOv7、YOLOv8 芒果改進(jìn)YOLO系列： YOLOv7、YOLOv5改進(jìn)全新XIoU損失函數(shù)：首發(fā)最新改進(jìn)｜結(jié)合XIoU損失函數(shù)，相比較CIoU改進(jìn)輕松漲點(diǎn)，YOLO改進(jìn)Trick，

  2023年04月21日

  瀏覽(22)
• 

  YOLOv7、YOLOv5改進(jìn)之損失函數(shù)EfficiCIoU-Loss：獨(dú)家首發(fā)最新｜結(jié)合EfficiCIoULoss損失函數(shù)(適用于YOLOv5)，新的增強(qiáng)預(yù)測(cè)幀調(diào)整并加快幀回歸率，加快網(wǎng)絡(luò)模型收斂

  ??該教程為屬于 《芒果書(shū)》 ??系列，包含大量的原創(chuàng)首發(fā)改進(jìn)方式, 所有文章都是全網(wǎng)首發(fā)原創(chuàng)改進(jìn)內(nèi)容?? ??本篇文章 為 YOLOv5、YOLOv7、YOLOv8 芒果改進(jìn)YOLO系列： YOLOv7改進(jìn)損失函數(shù)：獨(dú)家首發(fā)最新｜結(jié)合EfficiCIoU-Loss損失函數(shù)，新的增強(qiáng)預(yù)測(cè)幀調(diào)整并加快幀回歸率，加快網(wǎng)

  2024年02月05日

  瀏覽(25)