即插即用篇 | YOLOv5/v7引入Haar小波下采样 | 一种简单而有效的语义分割下采样模块
下采样操作如最大池化或步幅卷积在卷积神经网络（CNNs）中被广泛应用，用于聚合局部特征、扩大感受野并减少计算负担。然而，对于语义分割任务，对局部邻域的特征进行池化可能导致重要的空间信息丢失，这有助于逐像素预测。为了解决这个问题，我们引入了一种简单而有效的池化操作，称为基于Haar小波的下采样（HWD）模块。该模块可以轻松集成到CNNs中，以提高语义分割模型的性能。HWD的核心思想是应用Haar小波变换来降...
在自定义数据集上微调 YOLOv9 模型
在自定义数据集上微调 YOLOv9模型可以显着提高目标检测性能，但这种改进有多显着呢？在这次全面的探索中，YOLOv9在SkyFusion数据集上进行了微调，分为三个不同的类别：飞机、船舶和车辆。通过一系列广泛的实验，包括修改学习率、图像大小和战略性冻结主干网，已经实现了令人印象深刻的mAP50 值0.766 ！ 这篇研究文章不仅详细介绍了这些重要结果，还提供了对这些实验背后的微调代码的访问。 ...
Python+Yolov8框选位置目标识别人数统计计数
前言 这篇博客针对《Python+Yolov8框选位置目标识别人数统计计数》编写代码，代码整洁，规则，易读。 学习与应用推荐首选。 运行结果 文章目录 一、所需工具软件 二、使用步骤 1. 主要代码 2. 运行结果 三、在线协助 一、所需工具软件 1. VS2019, Qt 2. C++ 二、使用步骤 代码如下（示例）： import cv2fro...
第五章 YOLOv3训练自己的数据集
使用voc_annotation.py生成2012_train.txt和2012_val.txt标注文件，如图14所示： 图14 二、 模型训练 （1）训练所需要的环境如下： （2）下载附件5 yolov3-keras，解压后，使用vs code打开项目文件夹（图15），并使用上述环境运行train.py进行模型训练。 图15 图16 （3）训练结束后，项目根目录下会生成logs/000文...
基于YOLOv8的铁路工人安全作业检测系统
💡💡💡本文摘要：基于YOLOv8的铁路工人安全作业检测系统，属于小目标检测范畴，并阐述了整个数据制作和训练可视化过程， 博主简介 AI小怪兽，YOLO骨灰级玩家，1）YOLOv5、v7、v8优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富； 原创自研系列， 2024年计算机视觉顶会创新点 《YOLOv8原创自研》 《YOLOv5原创自研》...
YOLOv9改进策略 ：IoU优化| Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU）| 二次创新
r-IoU引入尺度因子 ratio 控制辅助边框的尺度大小用于计算损失，新型边界框相似度度量（MPDIoU）MPDIoU损失进行有效结合 💡💡💡适用场景：小目标数据集，进一步提升检测精度，强烈推荐 《YOLOv9魔术师专栏》将从以下各个方向进行创新： 【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 】【SPPELAN & RepNC...
YOLOv8全网独家改进: 小目标 |新颖的多尺度前馈网络(MSFN) | 2024年4月最新成果
💡💡💡本文独家改进：多尺度前馈网络(MSFN)，通过提取不同尺度的特征来增强特征提取能力，2024年最新的改进思路 💡💡💡创新点：多尺度前馈网络创新十足，抢先使用 💡💡💡如何跟YOLOv8结合：1）放在backbone后增强对全局和局部特征的提取能力；2）放在detect前面，增强detect提取能力；提供多种改进方案 💡💡💡多个私有数据集涨点明显，如缺陷检测NEU-DET、农业病害检测等； 改...
YOLOv9改进策略：注意力机制 | 多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM等 | 即插即用系列，原创独家首发
💡💡💡本文改进内容：多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM，创新性十足，可直接作为创新点使用。 改进结构图如下： 《YOLOv9魔术师专栏》将从以下各个方向进行创新： 【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 】【SPPELAN & RepNCSPELAN4优化】【小目标性能提升】【前沿论文分...
基于YOLOv8的绝缘子检测系统
💡💡💡本文摘要：基于YOLOv8的绝缘子小目标检测，阐述了整个数据制作和训练可视化过程 1.YOLOv8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的（SOTA）模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。它可以在大型数据集上进行训练，并且...
YoloV8改进策略：BackBone改进|GCNet（独家原创）
摘要 非局部网络（NLNet）通过为每个查询位置聚合特定于查询的全局上下文，为捕获长距离依赖关系提供了一个开创性的方法。然而，经过严格的实证分析，我们发现非局部网络所建模的全局上下文在图像中的不同查询位置几乎相同。在本文中，我们利用这一发现，创建了一个基于查询独立公式的简化网络，该网络保持了NLNet的准确性，但计算量大大减少。我们还观察到，这种简化的设计与压缩-激励网络（SENet）具有相似的结构。因此...