使用Reparameterize重参数化实现模型的轻量化,基本模块如下图所示。 三、改进方法 说明:该部分的改进代码尽可能地根据官方代码的写法与YOLOv7项目进行整合; 3.1 改进分析 通过阅读MobileOne源码和结合论文中Table2可以发现以下两点: (1)Table2中Block Type全写为MobileOne Block,但在源码中的Stage1和后面的Block是稍...
在这篇论文中,提出了一种基于YOLOv7-Tiny算法的无人机实时跟踪野生动物的方法。这种方法主要用于解决在复杂自然环境中由于树木遮挡和背景干扰而导致的跟踪问题。为了适应无人机边缘设备的有限算力,作者们设计了一种轻量化的跟踪算法。 一主要内容与创新点 算法改进主要集中在两个方面:网络优化和轻量化设计以提高在无...
从表2可以看出,YOLO7 Tiny模型在训练损失方面表现出最佳性能,但它的GPU消耗也最高。当综合考虑GPU消耗和损失时,DGST+DGSM组合模型提供了一个更加平衡的选择。 YOLOv7 Tiny模型作为轻量级选项,在实验中展示了其独特的性能特点。在训练期间,该模型的GPU消耗为3.79G,是四个模型中最高的。其参数大小也是最大的,为6...
YOLOv7 改进： BiFormer: 基于动态稀疏注意力构建高效金字塔网络架构，BiLevelRoutingAttention对小目标涨...
海上舰船目标识别是海洋监测的重要一环,也是世界各海岸地带国家国土安全的重要解决方案之一.针对SAR图像舰船目标检测存在识别精度低,训练模型大等问题,提出了一种基于通道剪枝的改进YOLOv7-tiny海上船舶识别算法,首先,采用MobileNetV3替代原有主干网络,以降低模型的计算量和体积,实现模型轻量化.其次,引入MPDIOU算法简化计算...
Head部分是模型的预测器,负责最终的目标检测任务。它通常包含多个并行的卷积层,用于预测边界框的位置、尺寸和目标的类别。YOLOv8的Head可能通过改进的anchor机制来预测边界框,该机制能够更精准地匹配目标的形状和大小,从而提高了检测的精度。 除了架构上的创新,YOLOv8在算法的训练和优化方面也做了诸多改进。例如,利用A...
针对密集人群下口罩佩戴检测实时性差,难以部署到移动端的问题,提出基于YOLOv7-tiny改进的口罩佩戴检测算法YOLOv7-DSC.该算法结合深度可分离卷积改进的SE注意力机制设计了一种轻量化特征提取模块,并结合BiFPN设计了一种加权特征融合模块.经实验验证,YOLOv7-DSC算法在口罩数据集上mAP为96.9%,与YOLOv7-tiny算法相比仅...
[512, 1, 1]], # 28 ] # YOLOv7-tiny head head: [[-1, 1, Conv, [256, 1, 1]], [-2, 1, Conv, [256, 1, 1]], [-1, 1, SP, [5]], [-2, 1, SP, [9]], [-3, 1, SP, [13]], [[-1, -2, -3, -4], 1, Concat, [1]], [-1, 1, Conv, [256, 1, ...
YOLOv8算法还整合了GFL(Generalized Focal Loss),这是一种改进的焦点损失函数,用于解决目标检测中的类别不平衡问题。GFL通过重新设计损失函数,使模型在训练过程中对于各类目标的学习重视度更加均衡,尤其是在存在大量简单背景和少量难以检测目标时。此外,GFL也帮助模型更好地处理边界框定位的不确定性,这对于提升检测的准...
Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，...