neck

《Hello YOLOv8从入门到精通》4， 模型架构和骨干网络Backbone调优实践

YOLOv8是由Ultralytics开发的最先进的目标检测模型，其模型架构细节包括骨干网络（Backbone）、颈部网络（Neck）和头部网络（Head）三大部分。
Jagua·2025-03-16 10:54

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

必读内容船新的YOLOv12改进专栏~1️⃣什么！不知道如何改进模型⁉️本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣找不到合适的模块⁉️所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到YOLOv12中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣不确定自己改进的步
Limiiiing·2025-03-13 00:27

《YOLOv12魔术师专栏》专栏介绍 & 专栏目录

《YOLOv12魔术师专栏》将从以下各个方向进行创新（更新日期25.03.05）：【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】【block&多尺度融合结合】【损失
AI小怪兽·2025-03-05 15:24

自动驾驶之BEVDet

BEVDet主要分为4个模块：1、图像视图编码器（Image-viewEncoder）:就是一个图像特征提取的网络，由主干网络backbone+颈部网络neck构成。
maxruan·2025-02-27 16:13

joint_info smpl

Metrabs_PoseEstimationdefget_joint_info():joint_names_smpl=('pelv,lhip,rhip,bell,lkne,rkne,spin,lank,rank,thor,ltoe,rtoe,neck
AI算法网奇·2025-02-20 22:27

【YOLOv11改进- 主干网络】YOLOv11+CSWinTransformer: 交叉窗口注意力Transformer助力YOLOv11有效涨点；

YOLOV11目标检测改进实例与创新改进专栏专栏地址：YOLOv11目标检测改进专栏，包括backbone、neck、loss、分配策略、组合改进、原创改进等本文介绍发paper，毕业皆可使用。
算法conv_er·2025-02-18 15:43

YOLOv8改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构，强化小目标检测能力

一、本文介绍本文主要利用GOLD-YOLO中的颈部结构优化YOLOv8的网络模型。GOLD-YOLO颈部结构中的GD机制借鉴了全局信息融合的理念，通过独特的模块设计，在不显著增加延迟的情况下，高效融合不同层级的特征信息。将其应用于YOLOv8的改进过程中，能够使模型更有效地整合多尺度特征，减少信息损失，强化对不同大小目标物体的特征表达，从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。专栏
Limiiiing·2025-02-12 09:31

YOLOv8改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题

一、本文介绍本文主要利用FreqFusion结构改进YOLOv8的目标检测网络模型。FreqFusion结构针对传统特征融合在密集图像预测中存在的问题，创新性地引入自适应低通滤波器生成器、偏移量生成器和自适应高通滤波器生成器。将FreqFusion应用于YOLOv8的改进过程中，能够使模型在处理复杂场景图像时，更精准地聚焦目标物体边界，减少背景噪声干扰，显著强化目标物体边界特征表达，进而提升模型在
Limiiiing·2025-02-11 09:37

YOLOv10改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构，强化小目标检测能力

一、本文介绍本文主要利用GOLD-YOLO中的颈部结构优化YOLOv10的网络模型。GOLD-YOLO颈部结构中的GD机制借鉴了全局信息融合的理念，通过独特的模块设计，在不显著增加延迟的情况下，高效融合不同层级的特征信息。将其应用于YOLOv10的改进过程中，能够使模型更有效地整合多尺度特征，减少信息损失，强化对不同大小目标物体的特征表达，从而提升模型在复杂场景下对目标物体的检测精度与定位准确性。
Limiiiing·2025-02-02 10:50

YOLOv10改进策略【Neck】| HS-FPN：高级筛选特征融合金字塔，加强细微特征的检测

一、本文介绍本文将HS-FPN结构融入YOLOv10以优化目标检测网络模型。HS-FPN借助通道注意力机制及独特的多尺度融合策略，有效应对目标尺寸差异及特征稀缺问题。在YOLOv10中应用HS-FPN时，其利用高级特征筛选低级特征，增强特征表达，助力模型精准定位和识别目标，减少因尺度变化及特征不足导致的检测误差，显著提升YOLOv10在各项检测任务中的准确性与稳定性。专栏目录：YOLOv10改进目
Limiiiing·2025-02-02 10:49

【YOLOv11改进- 注意力机制】YOLOv11+SCSA注意力机制（2024）: 最新空间和通道协同注意力,助力YOLOv11有效涨点；包含二次创新

YOLOV11目标检测改进实例与创新改进专栏专栏地址：YOLOv11目标检测改进专栏，包括backbone、neck、loss、分配策略、组合改进、原创改进等；本文介绍本文给大家带来的改进内容是在YOLOv11
算法conv_er·2025-01-30 02:08

RT-DETR改进策略【Neck】| PRCV 2023，SBA（Selective Boundary Aggregation）：特征融合模块，描绘物体轮廓重新校准物体位置，解决边界模糊问题

一、本文介绍本文主要利用DuAT中的SBA模块优化RT-DETR的目标检测网络模型。SBA模块借鉴了医疗图像分割中处理边界信息的独特思路，通过创新性的结构设计，在维持合理计算复杂度的基础上，巧妙融合浅层的边界细节特征与深层的语义信息，实现边界特征的精准提取与语义信息的有效整合。将其应用于RT-DETR的改进过程中，能够使模型着重聚焦于目标物体的边界区域，降低背景及其他无关信息的影响，强化目标物体的
Limiiiing·2025-01-21 04:46

深度学习图像算法中的网络架构：Backbone、Neck 和 Head 详解

在这些任务的网络架构中，通常可以分为三个主要部分：Backbone、Neck和Head。
肥猪猪爸·2025-01-17 02:27

YOLOv11改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题

一、本文介绍本文主要利用FreqFusion结构改进YOLOv11的目标检测网络模型。FreqFusion结构针对传统特征融合在密集图像预测中存在的问题，创新性地引入自适应低通滤波器生成器、偏移量生成器和自适应高通滤波器生成器。将FreqFusion应用于YOLOv11的改进过程中，能够使模型在处理复杂场景图像时，更精准地聚焦目标物体边界，减少背景噪声干扰，显著强化目标物体边界特征表达，进而提升模
Limiiiing·2025-01-16 18:44

计算机设计大赛 深度学习交通车辆流量分析 - 目标检测与跟踪 - python opencv

文章目录0前言1课题背景2实现效果3DeepSORT车辆跟踪3.1DeepSORT多目标跟踪算法3.2算法流程4YOLOV5算法4.1网络架构图4.2输入端4.3基准网络4.4Neck网络4.5Head
iuerfee·2024-02-20 11:15

YOLOv5改进 | 一文汇总：如何在网络结构中添加注意力机制、C3、卷积、Neck、SPPF、检测头

一、本文介绍本篇文章的内容是在大家得到一个改进版本的C3一个新的注意力机制、或者一个新的卷积模块、或者是检测头的时候如何替换我们YOLOv5模型中的原有的模块，从而用你的模块去进行训练模型或者检测。因为最近开了一个专栏里面涉及到挺多改进的地方，不能每篇文章都去讲解一遍如何修改，就想着在这里单独出一期文章进行一个总结性教程，大家可以从我的其它文章中拿到修改后的代码，从这篇文章学会如何去添加到你的模型
Snu77·2024-02-14 17:07

YoloV8改进策略：Neck改进：HAM混合注意力机制改进YoloV8|多种改进，多种姿势涨点|代码注释详解

摘要HAM通过快速一维卷积来缓解通道注意机制的负担，并引入通道分离技术自适应强调重要特征。HAM作为通用模块，在CIFAR-10、CIFAR-100和STL-10数据集上实现了SOTA级别的分类性能。论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0031320322002667?via%3Dihub方法通道注意力如下图：输入
静静AI学堂·2024-02-06 13:49

计算机设计大赛 深度学习 python opencv 火焰检测识别

课题背景3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网络4YOLOV54.1网络架构图4.2输入端4.3基准网络4.4Neck
iuerfee·2024-02-03 16:31

计算机设计大赛 深度学习 python opencv 火焰检测识别 火灾检测

课题背景3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网络4YOLOV54.1网络架构图4.2输入端4.3基准网络4.4Neck
iuerfee·2024-02-02 07:17

计算机设计大赛 深度学习 python opencv 动物识别与检测

深度学习实现动物识别与检测2卷积神经网络2.1卷积层2.2池化层2.3激活函数2.4全连接层2.5使用tensorflow中keras模块实现卷积神经网络3YOLOV53.1网络架构图3.2输入端3.3基准网络3.4Neck
iuerfee·2024-02-01 07:59

YOLOv5模型简述

二、网络模型模型主要结构分为：Input、Backbone、Neck、Head整体
禄亿萋·2024-01-29 16:56

个人相关工作介绍

[1]低质量、多分辨率、多尺度遥感、医学、文字图像应用型研究[2]大数据、文本、语音、图像工程化应用型研究[3]传统算法+数据结构的基础研究[4]深度学习head、neck、loss、优化、并行方面应用研究
Ada's·2024-01-23 10:06

GIRAFFEDET: A HEAVY-NECK PARADIGM FOROBJECT DETECTION（中文翻译）

ABSTRACT在传统的目标检测框架中，继承自图像识别模型的骨干主体提取深度潜在特征，然后由颈部模块融合这些潜在特征来获取不同尺度的信息。由于目标检测的分辨率远大于图像识别，因此主干的计算代价往往占主导地位。这种重主干设计范式主要是由于将图像识别模型转移到目标检测时的历史遗留问题，而不是目标检测的端到端优化设计。在这项工作中，我们表明，这种范式确实导致次优的目标检测模型。为此，我们提出了一个新的重
江小白jlj·2024-01-23 00:45

YOLOv8改进：RepBiPAN结构 + DETRHead检测头，为YOLOv8目标检测使用不一样的检测头，用于提升检测精度

本篇内容：YOLOv8全新Neck改进：RepBiPAN结构升级版，为目标检测打造全新融合网络，增强定位信号，对于小目标检测的定位具有重要意义本博客改进源代码改进适用于YOLOv8按步骤操作运行改进后的代码即可本文改进
芒果汁没有芒果·2024-01-21 07:52

YOLOv5改进 | 融合改进篇 | CCFM + Dyhead完美融合突破极限涨点 (全网独家首发)

CCFM配合Dyhead检测头实现融合涨点，这个结构配合在一起只能说是完美的融合，看过我之前的检测头篇的读者都知道Dyhead官方版本支持的输入通道数是需要保持一致的，但是CCFM作为RT-DETR的Neck
Snu77·2024-01-18 18:31

标准卷积、深度可分离卷积与GSConv，YOLOv8引入SlimNeck

此外，我们提供了一种设计范式，即“slim-neck”，以实现更高的检测器计算成本
masterMono·2024-01-16 16:31

YOLOv5改进 | Neck篇 | 利用ASF-YOLO改进特征融合层（适用于分割和目标检测）

一、本文介绍本文给大家带来的改进机制是ASF-YOLO（发布于2023.12月份的最新机制），其是特别设计用于细胞实例分割。这个模型通过结合空间和尺度特征，提高了在处理细胞图像时的准确性和速度。在实验中，ASF-YOLO在2018年数据科学竞赛数据集上取得了卓越的分割准确性和速度，达到了0.91的boxmAP（平均精度），0.887的maskmAP，以及47.3FPS的推理速度，效果非常的好，这个
Snu77·2024-01-16 00:48

YOLOv8改进 | 融合改进篇 | CCFM + Dyhead完美融合突破极限涨点 (全网独家首发)

CCFM配合Dyhead检测头实现融合涨点，这个结构配合在一起只能说是完美的融合，看过我之前的检测头篇的读者都知道Dyhead官方版本支持的输入通道数是需要保持一致的，但是CCFM作为RT-DETR的Neck
Snu77·2024-01-13 17:02

YOLOV5

Yolov5代码：https://github.com/ultralytics/yolov5目录1网络结构图2输入端3Backbone4Neck5输出端1网络结构图解释图，根据自己的理解更新2输入端（1
andeyeluguo·2024-01-12 10:02

轻量检测模型NonoDet-Plus解析

Neck和nanodet相比，neck部分的改进包括三个部分借
00000cj·2024-01-11 15:10

# c04ex03.pyw

CodyLeistikow(10/4/02)fromgraphicsimport*defmain():win=GraphWin('Face',400,420)win.setBackground("white")neck
特丽斯纳普·2024-01-11 02:44

YOLOv8改进GSConv+Slim Neck，有效提升目标检测效果，代码改进（超详细）

论文地址https://arxiv.org/abs/2206.02424背景目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。本次介绍引入了一种新的轻量级卷积技术GSConv，该模型可以减轻重量但保持准确性。GSConv在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范
kay_545·2024-01-10 21:16

大创项目推荐 深度学习手势识别 - yolo python opencv cnn 机器视觉

1课题背景2卷积神经网络2.1卷积层2.2池化层2.3激活函数2.4全连接层2.5使用tensorflow中keras模块实现卷积神经网络3YOLOV53.1网络架构图3.2输入端3.3基准网络3.4Neck
laafeer·2024-01-10 18:10

YOLOv8改进 | Neck篇 | 利用ASF-YOLO改进特征融合层（适用于分割和目标检测）

一、本文介绍本文给大家带来的改进机制是ASF-YOLO（发布于2023.12月份的最新机制），其是特别设计用于细胞实例分割。这个模型通过结合空间和尺度特征，提高了在处理细胞图像时的准确性和速度。在实验中，ASF-YOLO在2018年数据科学竞赛数据集上取得了卓越的分割准确性和速度，达到了0.91的boxmAP（平均精度），0.887的maskmAP，以及47.3FPS的推理速度，效果非常的好，这个
Snu77·2024-01-06 06:33

BEVFormer | ECCV2022

转载自:万字长文理解纯视觉感知算法——BEVFormer-知乎BEVFormer的PipelineBackbone+Neck（ResNet-101-DCN+FPN）提取环视图像的多尺度特征；论文提出的Encoder
HHHHGitttt·2024-01-05 01:19

人体结构概述

一人体分部从外形，可以将人体分成五部，头部（head）caput、颈部（neck）collvm、躯干（trunk）truncus、左右上肢（upperlimb）、左右下肢（lowerlimp）二人体细微结构一切生物体都由细胞构成
宏梦·2024-01-03 12:21

YOLOv5改进系列(四) 本文(2.5万字) | 更换Neck | BiFPN | AFPN | BiFusion |

点击进入专栏：《人工智能专栏》Python与Python|机器学习|深度学习|目标检测|YOLOv5及其改进|YOLOv8及其改进|关键知识点|各种工具教程代码函数调用关系图(全网最详尽-重要)因文档特殊，不能在博客正确显示，请移步以下链接！图解YOLOv5_v7.0代码结构与调用关系(点击进入可以放大缩小等操作)预览：文章目录BiFPN一、BiFPN介绍1.1简介
小酒馆燃着灯·2024-01-01 20:05

YOLOv8独家原创改进：轻量化自研设计双卷积，重新设计backbone和neck结构，完成涨点且计算量和参数量显著下降

本文自研创新改进：双卷积由组卷积和异构卷积组成，执行3×3和1×1卷积运算代替其他卷积核仅执行1×1卷积，YOLOv8Conv，从而轻量化YOLOv8，性能如下表，GFLOPs8.1降低至7.6，参数量6.3MB降低至5.8MBlayersparametersGFLOPsMBYOLOv8n16830068188.16.3MByolov8_DualConv17427821467.65.8MB收录YO
AI小怪兽·2024-01-01 15:27

YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

YOLOv8改进有效系列目录前言Hello，各位读者们好本专栏自开设两个月以来已经更新改进教程60余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
Snu77·2023-12-31 18:39

大创项目推荐 深度学习交通车辆流量分析 - 目标检测与跟踪 - python opencv

文章目录0前言1课题背景2实现效果3DeepSORT车辆跟踪3.1DeepSORT多目标跟踪算法3.2算法流程4YOLOV5算法4.1网络架构图4.2输入端4.3基准网络4.4Neck网络4.5Head
laafeer·2023-12-31 07:18

YOLOv5改进 | 2023Neck篇 | CCFM轻量级跨尺度特征融合模块（RT-DETR结构改进v5）

一、本文介绍本文给大家带来的改进机制是轻量级跨尺度特征融合模块CCFM（Cross-ScaleFeatureFusionModule）其主要原理是：将不同尺度的特征通过融合操作整合起来，以增强模型对于尺度变化的适应性和对小尺度对象的检测能力。我将其复现在YOLOv5上，发现其不仅能够降低GFLOP，同时精度上也有很大幅度的提升mAP大概能够提高0.05左右，相对于BiFPN也有一定幅度的上涨。适用
Snu77·2023-12-31 04:07

常用人体模型关节索引

RKnee#2:RHip#3:LHip#4:LKnee#5:LAnkle#6:RWrist#7:RElbow#8:RShoulder#9:LShoulder#10:LElbow#11:LWrist#12:Neck
whale998·2023-12-30 14:57

YOLOv5涨点技巧：一种新颖的多尺度特征融合方法iAFF

本文全网独家改进：1)引入了一种新颖的多尺度特征融合iAFF；2）为了轻量级部署，和GhostConv有效结合在边缘端具有竞争力的准确性在YOLOv5中如何使用1）iAFF加入Neck替代Concat；
AI小怪兽·2023-12-24 19:58

【Latex】表格的调整—如何一行内容写满，不换行？（含具体示例）

begin{table*}[ht]\centering\setlength{\tabcolsep}{15pt}\begin{tabular}{cccccccc}\hline&CSAM&STRCSM&Lean-neck
旅途中的宽~·2023-12-24 17:59

一文了解YOLO家族技术演进史

目标检测任务相关背景知识目标检测模型的解剖结构：backbone,neck,和head物体检测器的架构分为
Garry1248·2023-12-22 11:10

大创项目推荐 深度学习 python opencv 火焰检测识别 火灾检测

课题背景3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网络4YOLOV54.1网络架构图4.2输入端4.3基准网络4.4Neck
laafeer·2023-12-21 21:50

RTDETR论文快速理解和代码快速实现(训练与预测)

文章目录前言一、摘要二、论文目的三、论文贡献四、模型结构1、模型整体结构2、backbone结构3、neck结构4、混合编码器(neck)五、RTDERT模型训练(data-->train)1、环境安装
tangjunjun-owen·2023-12-21 05:41

基于深度学习的动物智能识别系统设计与实现

收藏和点赞，您的关注是我创作的动力文章目录概要一、基于YOLOv4的动物图像检测3.1YOLOv4网络结构3.1.1输入层3.1.2主干特征提取网络CSPDarknet533.1.3Neck层3.1.4
2301_79810943·2023-12-20 23:05

【改进YOLOv8】生猪胖瘦评价分级系统：可重参化EfficientRepBiPAN优化Neck

1.研究背景与意义项目参考AAAIAssociationfortheAdvancementofArtificialIntelligence研究背景与意义：随着计算机视觉和深度学习的快速发展，目标检测成为了计算机视觉领域的一个重要研究方向。目标检测的目标是在图像或视频中准确地识别和定位出物体的位置。在过去的几年中，YOLO（YouOnlyLookOnce）系列算法以其高效的实时目标检测能力而备受关注
xuehai996·2023-12-20 00:33

yolov5模型

主要包括四个部分：输入端、Backbone、Neck和Prediction（1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放（2）Backbone：Focus结构、CSP结构（3）Neck
无名之辈008·2023-12-19 17:03
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他