YoloV8改进策略：将DCN v1与v2运用到YoloV8中，化身成上分小黑子

最新推荐文章于 2025-02-20 17:37:41 发布
最新推荐文章于 2025-02-20 17:37:41 发布
阅读量1.8k 收藏 2
点赞数 2
CC 4.0 BY-SA版权
分类专栏： (2025年最新改进)YoloV8涨点改进——高阶篇 文章标签： YOLO 深度学习 计算机视觉
不能复制，转发
本文链接：https://blog.csdn.net/m0_47867638/article/details/130395857
本文探讨了在YOLOV8中应用DCNv1和DCNv2以提高模型性能，分析了两者背景及原理，并通过实验比较了两种方法的效果。虽然结果显示地图得分提升，但DCN的计算复杂度高，消耗显存，可能导致训练速度慢。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

摘要

在前面的文章中，我们尝试用DCNv3替换YoloV8中的结构，实现了分数的上涨。在这篇文章中，我们尝试用DCNv1与DCNv2.比一比哪个才是最优秀的小黑子。
在这里插入图片描述

DCNv1和DCNv2（可变形卷积）

论文链接：

  • DCN v1论文https://arxiv.org/pdf/1703.06211.pdf
  • DCN v2论文https://arxiv.org/pdf/1811.1116

背景

在计算机视觉领域，同一物体在不同场景，角度中未知的几何变换是检测/识别的一大挑战，通常来说我们有两种做法:

(1)通过充足的数据增强，扩充足够多的样本去增强模型适应尺度变换的能力。

(2)设置一些针对几何变换不变的特征或者算法，比如SIFT和sliding windows。

两种方法都有缺陷，第一种方法因为样本的局限性显然模型的泛化能力比较低，无法泛化到一般场景中，第二种方法则因为手工设计的不变特征和算法对于过于复杂的变换是很难的而无法设计。所以作者提出了Deformable Conv（可变形卷积）。

可变形卷积

可变形卷积顾名思义

了解本专栏 订阅专栏 解锁全文
YOLOv8改进，YOLOv8添加DCNv3可变性卷积，无需编译
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
06-25 4119
DCNv3在DCNv2版本上进行了改进，上一期我们在YOLOv8中添加了DCNv2，这一期我们将添加DCNv3，DCNv3代码详解可以参考链接:代码详解——可变形卷积（DCNv3）
YOLOv8改进，YOLOv8添加可变性卷积DCNv2
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
06-24 2901
DCNv2对原始的DCNv1进行了改进，可变形卷积网络的卓越性能源于其适应对象几何变化的能力。通过对其自适应行为的检查，虽然对其神经特征的空间支持比常规的ConvNets更接近于对象结构，但这种支持可能远远超出感兴趣区域，导致特征受到不相关图像内容的影响。为了解决这个问题，我们提出了一种可变形卷积网的重新表述，通过提高建模能力和更强的训练，提高了其专注于相关图像区域的能力。通过更全面地集成网络中的可变形卷积，并引入扩展变形建模范围的调制机制，增强了建模能力。
DCNv1 and DCNv2：Deformable Convolutional networks,可变形卷积
绘视科技
10-21 1670
论文阅读：DCNv1 and DCNv2：Deformable Convolutional networks,可变形卷积DCNv1论文解析创新点1 背景2 方法DCN v21 背景2 方法 DCNv1论文解析 创新点 1、Deformable Conv 2、Deformable ROI pooling 1 背景 深度学习对图像处理往往需要大量的数据集训练，是因为我们需要让网络学习到所有可能存在的情况，所以我们采用了数据增强的方法，如旋转，左右移，上下移，裁剪等操作； 但是针对图像目标尺度，姿态，角度，局部的
DCNv1 - DCNv2 - RepPoint
Blue_Whale2020的博客
01-14 288
从faster-rcnn谈起： faster-rcnnhttps://zhuanlan.zhihu.com/p/31426458具体ROI-pooling的解读： ROIpoolinghttps://blog.csdn.net/u011436429/article/details/80279536RFCN到底怎么改进了ROI-pooling RFCNhttps://www.cnblogs.com/shouhuxianjian/p/7710707.htmlDCN1继续改进了ROI-pooling ht
可变形卷积：DCNv1and DCNv2
chairon的博客
05-10 6549
可变形卷积顾名思义就是卷积的位置是可变形的，并非在传统的N × N的网格上做卷积，这样的好处就是更准确地提取到我们想要的特征（传统的卷积仅仅只能提取到矩形框的特征）(a)是标准的3×3卷积。(b)，( c)，(d)是给普通卷积加上偏移之后形成的可变形的卷积核，其中蓝色的是新的卷积点，箭头是位移方向。因此DCN v1提出在方形卷积核上的每个点学习一个偏移（offset），卷积核可以根据不同的数据学习不同的卷积核结构，如图1所示。在不同的阶段，不同的特征图，甚至不同的像素点上都可能有其最优的卷积核结构。
YoloV8改进策略：InternImage与YoloV8深度融合，动态卷积DCNv3大显神威
AI浩
04-04 6314
他来了！他来了！他带着氩弧焊的光芒过来了！作为CV的大模型，InternImage的光芒太强了。分类任务检测任务分割任务“书生2.5”可根据文本内容需求快速定位检索出语义最相关的图像。这一能力既可应用于视频和图像集合，也可进一步结合物体检测框，具有丰富的应用模式，帮助用户更便捷、快速地找到所需图像资源, 例如可在相册中返回文本所指定的相关图像。“书生2.5”的“以图生文”在图像描述、视觉问答、视觉推理和文字识别等多个方面均拥有强大的理解能力。例如在自动驾驶场景下，可以提升场景感知理解能力，辅助车辆判断交通信
适用于复杂背景的YOLOv8改进：基于DCN的特征提取能力提升研究
最新发布
shrgegrb的博客
02-20 1281
本文针对YOLOv8模型在多目标检测和复杂场景中的性能瓶颈，提出了通过引入可变形卷积（DCNv1、DCNv2、DCNv3）来增强其特征提取能力的改进方法。通过将可变形卷积替换YOLOv8中的标准卷积操作，显著提高了模型对多尺度、形变目标的适应能力和检测精度。
目标检测算法改进系列之嵌入Deformable ConvNets v2 (DCNv2)
DM_zx的博客
10-29 644
目标检测算法改进系列之嵌入Deformable ConvNets v2 (DCNv2)
可变形卷积DCNv1、DCNv2、DCNv3比较
热门推荐
m0_59959542的博客
12-21 1万+
可变形卷积DCN
涨点技巧：卷积变体DCNV2引入Yolov8，助力小目标涨点
04-18 2945
将DCNV2引入到yolov8中，提升不规则、可形变检测目标的检测性能
YoloV8改进策略：下采样改进|HWD改进下采样
m0_47867638的博客
03-15 2781
此外，为了研究HWD的优势，我们提出了一种新的度量指标，即特征熵指数（FEI），用于衡量CNN中下采样后信息的不确定性程度。• 我们为卷积神经网络（CNNs）提出了一种新颖的基于小波的下采样模块（HWD）。据我们所知，我们的方法是首次尝试探索在深度卷积神经网络（DCNNs）的下采样阶段禁止（或阻碍）信息丢失的可行性，以改善语义分割任务的性能。• 我们探索了卷积神经网络中信息不确定性的度量方法，并提出了一种新的指标，即特征熵指数（FEI），用于评估下采样特征图与预测结果之间的信息不确定性或特征重要性。
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
B站 Ai学术叫叫兽的文案地
04-18 3013
YOLOv9最新改进系列：YOLOv9改进加入新型高效的多尺度注意力（EMA）模块保留每个通道的信息并减少计算成本！助力v9检测性能遥遥领先！
【深度学习】可变形卷积V1和V2
weixin_44001371的博客
10-31 2541
红色点对应的坐标是坐标(floor(a),floor(b)), ((floor(a),ceil(b)), ((ceil(a),floor(b)), ((ceil(a),ceil(b))；(b)，( c)，(d)是给普通卷积加上偏移之后形成的可变形的卷积核，其中蓝色的是新的卷积点，箭头是位移方向。假设黄色的点是我们偏移后的position, 它的坐标值设为(a,b), 其中a,b均是浮点数，此时黄色的点的位置是不存在像素值的。在不同的阶段，不同的特征图，甚至不同的像素点上都可能有其最优的卷积核结构。
动态上采样器：Learning to Upsample by Learning to Sample
AI浩
04-28 1万+
我们再次回到上采样的本质，即点采样，来建模几何信息。在PyTorch的内置函数的基础上，我们首先提供一个简单的实现，以证明基于采样的动态上采样的可行性（图2(a)）。网格采样。给定一个大小为C×H1×W1C×H1​×W1​的特征图XX，以及一个大小为2×H2×W22×H2​×W2​的采样集SS，其中第一维的2表示xxx和yyy坐标。grid_sample函数使用SS中的位置对假设的双线性插值XX。
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
B站 Ai学术叫叫兽的文案地
08-05 2407
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
yolov8分割改进-小样本训练
**My Coding Family**
01-13 1171
yolov8-分割-改进 使用_yolov8_检测分割缺陷_(划伤、脏污、磨花等缺陷)_ 总数据比较少不到两百张； 希望先驱者们分享一些实用的优化改进的方案或方法  如下是上述问题的解决方案，仅供参考：针对YOLOv8分割任务在小样本数据下进行训练和改进，主要面临的问题是数据量不足，容易导致过拟合和模型泛化性能较差。以下是一些实用的优化方法和策略，可以帮助改进小样本条件下的分割性能：在小样本场景下，数据增强是最重要的方法，可以人为扩充数据量，增强模型鲁棒性。实现方式：利用已经在大规模数据集（如 COCO、I
LSKA（大可分离核注意力）：重新思考CNN大核注意力设计
m0_47867638的博客
10-23 2902
大型可分离核注意力（LSKA）模块的视觉注意力网络（VAN）已被证明在各种基于视觉的任务上提供了卓越的性能，超过了视觉转换器（ViTs）。然而，这些LSKA模块中的逐深度卷积层随着卷积核尺寸的增加，计算和内存占用呈二次增长。为了缓解这些问题，并使VAN的注意力模块能够使用极大的卷积核，我们提出了一种大型可分离核注意力模块，称为LSKA。LSKA将深度卷积层的2D卷积核分解为级联的水平1D和垂直1D内核。与标准LKA设计不同，提出的分解使得可以直接使用注意力模块中的深度卷积层的大内核，而不需要任何额外的块。
yolov8改进DCN
09-12
yolov8改进DCN是指在yolov8模型中引入了动态卷积（DCN）来提高模型的性能。DCN是在Conv模块中增加了动态卷积操作，这里的输入是N, H, W, C，所以需要对输入进行维度的转换，计算完成后再将维度转换回去。接着，将输出输入到BatchNorm和激活函数中。这样的改进可以提高yolov8模型在图像模态任务性能和图文跨模态任务性能上的表现。 此外，为了使用改进后的yolov8模型，还需要对train.py进行一些修改，包括调整学习率和优化器。代码示例如下： ```python from ultralytics import YOLO import os os.environ['CUDA_VISIBLE_DEVICES']="2,3" # 设置可见的GPU设备 # 加载模型 model = YOLO(model="ultralytics/models/v8/yolov8l.yaml") # 从头开始构建新模型 print(model.model) # 训练模型 results = model.train(lr0=1e-2,data="VOC.yaml", epochs=300, device='0,1', batch=16) ``` 这样的修改可以使yolov8模型在使用DCN改进后更好地训练和收敛。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI智韵

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值