散文網(wǎng) » 生活 »日常 » YoloV8最新改進手冊——高階篇

YoloV8最新改進手冊——高階篇

2023-10-25 20:45 作者:AI小浩 0人讀過 | 我要投稿

摘要

本專欄是講解如何改進Yolov8的專欄。改進方法采用了最新的論文提到的方法。改進的方法包括：增加注意力機制、更換卷積、更換block、更換backbone、更換head、更換優(yōu)化器等；每篇文章提供了一種到N種改進方法。

評測用的數(shù)據(jù)集是我自己標注的數(shù)據(jù)集，里面包含32種飛機。每種改進方法我都做了測評，并與官方的模型做對比。

代碼和PDF版本的文章，我在驗證無誤后會上傳到百度網(wǎng)盤中，方便大家下載使用。

這個專欄，求質(zhì)不求量，爭取盡心盡力打造精品專欄?。?！專欄鏈接： ''' https://blog.csdn.net/m0_47867638/category_12295903.html?spm=1001.2014.3001.5482 '''

謝謝大家支持！?。?/p>

YoloV8改進策略：獨家原創(chuàng)，LSKA（大可分離核注意力）改進YoloV8，比Transformer更有效，包括論文翻譯和實驗結(jié)果

YoloV8改進策略：SwiftFormer，全網(wǎng)首發(fā)，獨家改進的高效加性注意力用于實時移動視覺應(yīng)用的模型，重構(gòu)YoloV8

YoloV8改進策略：全新特征融合模塊AFPN，更換YoloV8的Neck

YoloV8改進策略：EfficientViT，高效的視覺transformer與級聯(lián)組注意力提升YoloV8的速度和精度，打造高效的YoloV8

YoloV8改進策略：復(fù)現(xiàn)HIC-YOLOv5，打造HIC-YOLOv8，用于小物體檢測

YoloV8改進策略：LSKNet加入到Y(jié)oloV8中，打造更適合小目標的YoloV8

YoloV8改進策略：可變形大核注意力D-LKA,YoloV8的超大杯醬香拿鐵

YoloV8改進策略：RepViT改進YoloV8，輕量級的Block助力YoloV8實現(xiàn)更好的移動性

YoloV8改進策略：Diverse Branch Block改進YoloV8，繼續(xù)在重參數(shù)結(jié)構(gòu)上恐龍抗狼

YoloV8改進策略：FastVit與YoloV8完美融合，重參數(shù)重構(gòu)YoloV8網(wǎng)絡(luò)（全網(wǎng)首發(fā))

YoloV8改進策略：輕量級Slim Neck打造極致的YoloV8

YoloV8改進策略：NWD小目標檢測新范式，助力YoloV5、V8在小目標上暴力漲點

YoloV8改進策略：Intel面向參數(shù)高效動態(tài)卷積KernelWarehouse，YoloV8的上分顯眼包

YoloV8改進策略：CoordConv給卷積加上坐標，從而使其具備了空間感知能力

YoloV8改進策略：SPD-Conv加入到Y(jié)oloV8中，讓小目標無處遁形

YoloV8改進策略：MPDIoU超越現(xiàn)有的IoU，與YoloV8一起恐龍扛狼扛狼扛

YoloV8改進策略：Intel的多維動態(tài)卷積，漲點更輕松

YoloV8改進策略：即插即用的SCConv，YoloV8的輕量化漲點神器

YoloV8改進策略：重新思考高效的基于注意力的移動塊模型EMO重新定義了輕量化的YoloV8

YoloV8改進策略：基于圖的稀疏注意移動視覺的MobileViG，YoloV8用上了先進的圖卷積網(wǎng)絡(luò)

YoloV8改進策略：基于分層注意力的FasterViT，讓YoloV8實現(xiàn)性能的飛躍

YoloV8改進策略：基于分層注意力的FasterViT，讓YoloV8實現(xiàn)性能的飛躍這篇文章向大家展示如何使用FasterViT改進YoloV8，我嘗試了幾種方法，選出了三種效果比較好的方法推薦給大家。 FasterViT結(jié)合了cnn的快速局部表示學(xué)習和ViT的全局建模特性的優(yōu)點。新提出的分層注意力(HAT)方法將具有二次復(fù)雜度的全局自注意力分解為具有減少計算成本的多級注意力。我們受益于基于窗口的高效自我關(guān)注。每個窗口都可以訪問參與局部和全局表示學(xué)習的專用載體Token。在高層次上，全局的自我關(guān)注使高效的跨窗口通信能夠以較低的成本實現(xiàn)。FasterViT在精度與圖像吞吐量方面達到了SOTA Pareto-front。

YoloV8改進策略：InceptionNext主干替換YoloV8和YoloV5的主干

這篇文章主要講解如何使用InceptionNext主干網(wǎng)絡(luò)替換YoloV8和YoloV5的主干。更改了InceptionNext網(wǎng)絡(luò)結(jié)構(gòu)，和Yolov5、YoloV8的架構(gòu)。

YoloV8改進策略：輕量級的CloFormer助力Yolov8在速度和精度上實現(xiàn)雙雙提升

CloFormer是清華大學(xué)在今年發(fā)表的輕量級主干網(wǎng)絡(luò)，引入了AttnConv，一種attention風格的卷積算子。所提出的AttnConv使用共享權(quán)重來聚合局部信息，并配置精心設(shè)計的上下文感知權(quán)重來增強局部特征。AttnConv和普通attention的結(jié)合使用池化來減少CloFormer中的FLOPs，使模型能夠感知高頻和低頻信息。

YoloV8改進策略：InceptionNeXt和YoloV8完美結(jié)合，讓YoloV8大放異彩

InceptionNeXt是今年顏水成團隊發(fā)布的一篇論文，將ConvNext和Inception的思想融合，即IncepitonNeXt。InceptionNeXt-T實現(xiàn)了比convnext - t高1.6倍的訓(xùn)練吞吐量，并在ImageNet- 1K上實現(xiàn)了0.2%的top-1精度提高。

YoloV8改進策略：新出爐的EMA注意力機制助力YoloV8更加強大

EMA注意力機制是今年新的高效的多尺度注意力模塊。以保留每個通道上的信息和降低計算開銷為目標，將部分通道重塑為批量維度，并將通道維度分組為多個子特征，使空間語義特征在每個特征組中均勻分布。具體來說，除了對全局信息進行編碼以重新校準每個并行分支中的通道權(quán)重外，還通過跨維度交互進一步聚合兩個并行分支的輸出特征，以捕獲像素級成對關(guān)系。

YoloV8改進策略：VanillaNet極簡主義網(wǎng)絡(luò)，大大降低YoloV8的參數(shù)

VanillaNet，一個包含優(yōu)雅設(shè)計的神經(jīng)網(wǎng)絡(luò)架構(gòu)。通過避免高深度，shotcut和復(fù)雜的操作，如自主意力，VanillaNet令人耳目一新的簡潔，但非常強大。每一層都被精心制作得緊湊而直接，非線性激活函數(shù)在訓(xùn)練后被修剪以恢復(fù)原始結(jié)構(gòu)。VanillaNet克服了固有復(fù)雜性的挑戰(zhàn)，使其成為資源受限環(huán)境的理想選擇。其易于理解和高度簡化的架構(gòu)為高效部署提供了新的可能性。大量的實驗表明，VanillaNet提供的性能與著名的深度神經(jīng)網(wǎng)絡(luò)和視覺轉(zhuǎn)換器相當，展示了極簡主義在深度學(xué)習中的力量。VanillaNet的這一富有遠見的旅程具有重新定義景觀和挑戰(zhàn)基礎(chǔ)模型現(xiàn)狀的巨大潛力，為優(yōu)雅有效的模型設(shè)計開辟了一條新的道路。

YoloV8改進策略：RFAConv模塊即插即用，實現(xiàn)YoloV8絲滑上分

YoloV8改進策略：RFAConv模塊即插即用，實現(xiàn)YoloV8絲滑上分RFAConv是一種新的注意力機制，稱為感受野注意力（RFA）。卷積塊注意力模塊（CBAM）和協(xié)調(diào)注意力模塊（CA）只關(guān)注空間特征，不能完全解決卷積核參數(shù)共享的問題，但在RFA中，感受野空間特征不僅集中，而且為大尺寸卷積核提供了良好的注意力權(quán)重。RFA設(shè)計的感受野注意力卷積運算（RFAConv）可以被認為是取代標準卷積的一種新方法，它帶來的計算成本和許多參數(shù)幾乎可以忽略不計。由于作者沒有開源我自己復(fù)現(xiàn)了一版，并嘗試將其加入到Y(jié)oloV8網(wǎng)絡(luò)中。

YoloV8改進策略：讓SeaFormer走進Yolov8的視野，輕量高效的注意力模塊展現(xiàn)出無與倫比的魅力

SeaFormer使用壓縮軸和細節(jié)增強的方法設(shè)計了一個通用的注意力塊。它可以進一步用于創(chuàng)建一系列具有卓越成本效益的骨干體系結(jié)構(gòu)。再加上一個輕分割頭，我們在基于arm的移動設(shè)備上在ADE20K和cityscape數(shù)據(jù)集上實現(xiàn)了分割精度和延遲之間的最佳權(quán)衡。關(guān)鍵的是，我們以更好的性能和更低的延遲擊敗了適合移動設(shè)備的競爭對手和基于transformer的對手，而且沒有花哨的東西。

YoloV8改進策略：將DCN v1與v2運用到Y(jié)oloV8中，化身成上分小黑子

嘗試用DCNv1與DCNv2代替普通的卷積！

YoloV8改進策略：基于雙層路由注意力的視覺Transformer提升YoloV8的檢測能力

YoloV8改進策略：基于雙層路由注意力的視覺Transformer提升YoloV8的檢測能力雙層路由注意力實現(xiàn)具有內(nèi)容感知的更靈活的計算分配。利用稀疏性來節(jié)省計算和內(nèi)存，同時只涉及適用于GPU的密集矩陣乘法。用所提出的雙層路由注意力建立了一個新的通用視覺transformer，稱為BiFormer。

YoloV8改進策略：來自谷歌最新的優(yōu)化器——Lion，在速度和精度上雙雙提升。Adam表示年輕人不講武德

Lion將ViT在ImageNet上的準確率提高了2%，并在JFT上節(jié)省了高達5倍的預(yù)訓(xùn)練計算。在視覺-語言對比學(xué)習方面，在ImageNet上實現(xiàn)了88.3%的零樣本和91.1%的微調(diào)精度，分別超過了之前的最佳結(jié)果2%和0.1%。在擴散模型上，Lion通過獲得更好的FID分數(shù)并將訓(xùn)練計算量減少了2.3倍，超越了Adam。在自回歸、掩碼語言建模和微調(diào)方面，Lion表現(xiàn)出與Adam類似或更好的性能。對Lion的分析表明，其性能增益隨著訓(xùn)練批大小的增加而增長。由于符號函數(shù)產(chǎn)生的更新范數(shù)更大，它還需要比Adam更小的學(xué)習率。

YoloV8改進策略：Conv2Former與YoloV8深度融合，極簡網(wǎng)絡(luò)，極高性能

YoloV8改進策略：Conv2Former與YoloV8深度融合，極簡網(wǎng)絡(luò)，極高性能Conv2Former是在ConvNeXt基礎(chǔ)上，做了進一步的優(yōu)化，性能得到了提升。

YoloV8改進策略：將ConvNextV2與YoloV8激情碰撞，能迸發(fā)出什么樣的火花呢？

YoloV8改進策略：將ConvNextV2與YoloV8激情碰撞，能迸發(fā)出什么樣的火花呢

ConvNextV2將一個全卷積掩碼自編碼器框架和一個新的全局響應(yīng)歸一化(GRN)層，可以添加到ConvNeXt架構(gòu)中，以增強通道間的特征競爭，它顯著提高了純ConvNets在各種識別基準上的性能，包括ImageNet分類、COCO檢測和ADE20K分割。

YoloV8改進策略：將CIoU替換成Wise-IoU，幸福漲點，值得擁有，還支持EIoU、GIoU、DIoU、SIoU無縫替換。

YoloV8改進策略：將CIoU替換成Wise-IoU，幸福漲點，值得擁有，還支持EIoU、GIoU、DIoU、SIoU無縫替換。這篇文章講述如何在yolov8中，使用Wise-IoU漲點。首先，翻譯了論文，讓大家了解什么是Wise IoU，以及Wise IoU的三個版本。接下來講解如何在yolov8中添加Wise IoU。

YoloV8改進策略：增加分支，減少漏檢

通過增加一個分支，來提高小目標的檢測

YoloV8改進策略：將FasterNet與YoloV8深度融合，打造更快更強的檢測網(wǎng)絡(luò)

YoloV8改進策略：將FasterNet與YoloV8深度融合，打造更快更強的檢測網(wǎng)絡(luò)fastternet，這是一種新的神經(jīng)網(wǎng)絡(luò)家族，它在各種設(shè)備上獲得了比其他網(wǎng)絡(luò)更高的運行速度，而不影響各種視覺任務(wù)的準確性。

Yolov8網(wǎng)絡(luò)詳解與實戰(zhàn)（附數(shù)據(jù)集）

標簽：