特征融合篇 | YOLOv8 引入通用高效层聚合网络 GELAN | YOLOv9 新模块
今天的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果最接近真实情况。同时，必须设计一个合适的架构，以便为预测提供足够的信息。现有方法忽视了一个事实，即当输入数据经过逐层特征提取和空间转换时，会丢失大量信息。本文将深入探讨数据通过深度网络传输时出现的数据丢失的重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务...
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（15）-Yolov9探索
SS928移植yolov8问题暂未解决，对比SVP NNN和NNN两个NPU核，SVP NNN是不支持transpose层，仅支持CPU里运行，去掉这个层认为不现实，NNN里倒是写的在onnx模型里支持transpose，应该是在NPU里运行。 一种方式是转caffe模型，transpose对应的是permute，是支持的。另一种是希望NNN里支持NPU里运行transpose。这两种方式都消耗时间比...
YOLOv8-Seg改进：卷积变体系列篇 | Shift-ConvNets，具有大核效应的小卷积核
🚀🚀🚀本文改进：Shift-ConvNets让小卷积核也能达到大卷积核效果，实现涨点 🚀🚀🚀YOLOv8-seg创新专栏：http://t.csdnimg.cn/KLSdv 学姐带你学习YOLOv8，从入门到创新，轻轻松松搞定科研； 1）手把手教你如何训练YOLOv8-seg； 2）模型创新，提升分割性能； 3）独家自研模块助力分割； 1.Shift-Conv原理介绍 摘要：近年来的研究表明，视觉变压器(V...
基于YOLOv8深度学习+Pyqt5的电动车头盔佩戴检测系统
wx供重浩：创享日记 对话框发送：225头盔 获取完整源码源文件+已标注的数据集（1463张）+源码各文件说明+配置跑通说明文档 若需要一对一远程操作在你电脑跑通，有偿89yuan 效果展示 基于YOLOv8深度学习+PyQT5的电动车头盔佩戴检测系统 各文件说明 随着电动车的普及，交通安全问题日益凸显。头盔作为保护骑行者头部安全的重要装备，其佩戴情况的监测对于减少交通事故伤害具有重要意义。本文提出了一种基...
YOLOv8改进 | Conv篇 | 全新的SOATA轻量化下采样操作ADown（参数量下降百分之二十，附手撕结构图）
改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的ADown模块来改进我们的Conv模块，其中YOLOv9针对于这个模块并没有介绍，只是在其项目文件中用到了，我将其整理出来用于我们的YOLOv8的项目，经过实验我发现该卷积模块（作为下采样模块）首先可以大幅度降低参数值（v8n大约六十万），其次其精度上也有很高的提升，同时本文的内容目前网络上并无其它人总结（也是最新发布的，可以说BUff是集满...
YOLOv8改进 | 利用训练好权重文件计算YOLOv8的FPS、推理每张图片的平均时间（科研必备）
一、本文介绍 本文给大家带来的改进机制是利用我们训练好的权重文件计算FPS，同时打印每张图片所利用的平均时间，模型大小（以MB为单位），同时支持batch_size功能的选择，对于轻量化模型的读者来说，本文的内容对你一定有帮助，可以清晰帮你展示出模型速度性能的提升以及轻量化的效果（模型大小），对于以提高精度为目的的读者本文也能够帮助大家展示出现阶段的模型速度指标。所以本文的内容是十分有用的机制，对于大家发表论...
YOLOv8改进 | 检测头篇 | 重参数化检测头RepHead解决困难样本检测（全网独家首发）
一、本文介绍 本文给大家带来的改进机制是RepHead，该检测头为我独家全网首发，该检测头由重参数化模块组成，加大对于特征学习的能力，却可以不增加GFLOPs（仅仅略微提升）从而不影响模型的推理速度和性能，保持较高的FPS能力，牺牲了少量GFLOPs的情况下确提高了模型的特征提取能力，对于那些数据集中有困难识别的样本来说是非常有效的解决方法，同时本文的检测头结构为我本人独家提出，全网仅此一份，结构非常新颖，想...
OBB头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
左图：ResNet 的一个模块。右图：复杂度大致相同的 ResNeXt 模块，基数（cardinality）为32。图中的一层表示为（输入通道数，滤波器大小，输出通道数）。 1. 思路 ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型，但ResNeXt有个特别之处：它采用了多个并行的“组”来处理数据，而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的特...
分割头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
左图：ResNet 的一个模块。右图：复杂度大致相同的 ResNeXt 模块，基数（cardinality）为32。图中的一层表示为（输入通道数，滤波器大小，输出通道数）。 1. 思路 ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型，但ResNeXt有个特别之处：它采用了多个并行的“组”来处理数据，而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的特...
YOLOv8独家改进：上采样算子 | 超轻量高效动态上采样DySample，效果秒杀CAFFE，助力小目标检测
💡💡💡本文独家改进：一种超轻量高效动态上采样DySample， 具有更少的参数、FLOPs，效果秒杀CAFFE和YOLOv8网络中的nn.Upsample 💡💡💡在多个数据集下验证能够涨点，尤其在小目标检测领域涨点显著。 收录 YOLOv8原创自研 https://blog.csdn.net/m0_63774211/category_12511737.html?spm=1001.2014.3001.5...