- 博客(9)
- 收藏
- 关注
RSS订阅原创 【YOLOv11】网络结构图详解
Backbone 是目标检测模型的“特征提取器”，负责从输入图像中提取不同层次的语义特征。YOLO11 的 backbone 采用多尺度特征提取设计，最终输出 P3/8、P4/16、P5/32 三种尺度的特征图（分辨率依次降低，语义信息依次增强），用于后续检测头的目标识别与定位。注释含义： (网络层数索引)-(特征金字塔级数) / (相对于输入图像的下采样倍数)
2025-06-18 22:06:48
1148
原创 YOLOv11改进点总结
的改进：相比较于YOLOv8模型，其将CF2模块改成C3K2，同时在SPPF模块后面添加了一个C2PSA模块，且将YOLOv10的head思想引入到YOLO11的head中，使用深度可分离的方法，减少冗余计算，提高效率。
2025-06-17 19:39:13
800
原创 YOLOv11改进块：C3、C2f、C3k2、C2PSA结构与代码
C3、C2f、C3k2、C2PSA结构与代码。本文分析了YOLOv5目标检测网络中的核心模块结构，包括C3、Bottleneck、C2f和C3k2等。C3模块采用双路径结构进行特征融合，Bottleneck使用残差连接提升训练效果。C2f模块通过改进的多尺度特征融合结构实现更高效的运算，而C3k2是其升级版本，通过可配置参数在C2f和C3k2模式间切换。
2025-06-17 16:42:00
870
原创 2024-2025年最新YOLO小目标检测改进论文
传统 YOLOv8 的 FPN 融合能力有限，难以保留浅层小目标的空间细节。SOD-YOLOv8 借鉴。传统 CIoU 损失在小目标边界框回归时，对中心点距离和宽高比例的惩罚不够直接，易导致定位偏差。：相比 CIoU，PIoU 对小目标边界框的微小偏移更敏感，定位精度提升约 1.1%~2.6%。：通过融合浅层高分辨率特征与深层语义特征，小目标定位精度提升显著。：动态调整不同通道和空间位置的特征权重，增强小目标特征的表达能力。注意力机制，可以优先处理对小目标重要的特征。在颈部的 C2f 模块中嵌入。
2025-06-08 20:39:23
780
原创 【YOLO小目标改进】YOLOv8s-SOD
针对小目标检测中目标尺寸小、背景复杂等挑战，本文提出SOD-YOLO算法，通过在特征提取网络集成S_C2f_CAFM和SPPF_E模块、设计含SCAM的双向特征金字塔网络并引入D_C2f_MSPA模块，以及采用NWD损失函数，在DOTAv1.0等数据集上实现mAP较YOLOv8提升6.7%-11.9%且参数减少13.9%。
2025-06-08 20:38:23
818
原创 baseline
将两个自定义配置文件复制到 PaddleDetection 框架的对应配置目录中。configs/picodet 是 PicoDet 模型的配置文件夹，ppq.yml 可能包含模型训练参数、网络结构配置等内容configs/datasets 用于存放数据集配置，voc_ppq.yml 可能定义了乒乓球数据集的路径、格式（如 Pascal VOC 标准）、类别信息等# 将当前目录下的 ppq.yml 文件，复制到 PaddleDetection 框架的 configs/picodet 目录!
2025-03-28 16:48:26
642
原创 飞浆PaddleDetection套件
在计算机视觉目标检测、实例分割等任务中，网络结构通常由骨干网络（Backbone）、颈部模块（Neck）和检测头（Head）组成。
2025-03-27 23:34:39
1121
原创 TrackNet V1-V4进阶之路
本文聚焦 TrackNet 系列深度学习框架，该系列旨在解决体育视频中高速物体的跟踪难题。TrackNetV1 基于热图架构，利用多帧输入应对运动模糊和遮挡问题。TrackNetV2 借助 U - Net 跳连接、MIMO 设计及加权交叉熵损失函数提升效率。TrackNetV3 引入背景估计、混合增强和轨迹校正技术，进一步优化跟踪性能。TrackNetV4 则通过运动注意力图与视觉特征融合的创新方式，增强了对高速物体的跟踪能力。关键词：TrackNet；体育分析；目标跟踪；深度学习；运动注意力；轨迹校正。
2025-03-20 16:54:35
973
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人