YOLO Air:YOLO科研改进论文推荐 | 改进组合上千种搭配,包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法

这篇具有很好参考价值的文章主要介绍了YOLO Air:YOLO科研改进论文推荐 | 改进组合上千种搭配,包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

🔥🔥🔥YOLOAir开源算法库!!!

  • 💡统一使用 YOLOv5、YOLOv7 代码框架,结合不同模块来构建不同的YOLO目标检测模型。
  • 🌟本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】【Neck特征融合】【Head检测头】【注意力机制】【IoU损失函数】【NMS】【Loss计算方式】【自注意力机制】、【数据增强部分】【标签分配策略】、【激活函数】等各个部分。

YOLOAir开源作者:CSDN芒果汁没有芒果

🚀🚀🚀重磅|独家|YOLO系列改进大全(芒果书📚系列)

仅在CSDN博客:芒果汁没有芒果 更新

🔥 《芒果书》系列改进专栏内的改进文章,均包含多种模型改进方式,均适用于YOLOv3YOLOv4YOLORYOLOXYOLOv5YOLOv7YOLOv8 改进(重点)!!!

🔥 专栏创新点教程 均有不少同学反应和我说已经在自己的数据集上有效涨点啦!! 包括COCO数据集也能涨点

🔥 对应专栏订阅的越早,就可以越早使用原创创新点去改进模型,抢先一步

以下《芒果书》改进YOLO专栏内容 适用于以下主流模型的改进


专栏汇总

专栏地址:独家全网首发专栏《芒果改进YOLO高阶指南》💡

专栏地址:独家全网首发专栏《芒果改进YOLO进阶指南》🥭

专栏地址:独家全网首发专栏《目标检测YOLO改进指南》🎈

专栏地址:独家全网首发专栏《芒果YOLO轻量化网络改进》🍇

专栏地址:独家全网首发专栏《剑指YOLOv8原创改进》🍊

专栏地址:独家全网首发专栏《剑指YOLOv7原创改进》🥝

专栏地址:独家全网首发专栏《剑指YOLOv5原创改进》🍉

点Star🌟Fork,第一时间获取同步更新🚀!同步更新解决Bug
YOLO Air:YOLO科研改进论文推荐 | 改进组合上千种搭配,包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法
链接:https://github.com/iscyy/yoloair

GitHub 1500+ Star🌟🌟的开源项目 值得一试


重点🚀:YOLOAir算法库中,里面的内容均调试好了,包括本博主开源的大部分的全网首发的Attention注意力机制以及一些Backbone!!直接一键运行使用即可!!!


如果帮到您可以给个 star 🌟🌟🌟,您的 star🌟 是我最大的鼓励!

如果您觉得我的项目不错,可以将我的 Github 链接:https://github.com/iscyy/yoloair随便转发;

但如果您想基于 YOLOAir 的内容发博客,请先私信我,沟通后再将我的 Github 链接放到文章开头的位置并引用!开源不易,请尊重每个人的汗水!


  • 💡统一使用 YOLOv5 代码框架,结合不同模块来构建不同的YOLO目标检测模型。
  • 🌟本项目包含大量的改进方式,降低改进难度,改进点包含【Backbone特征主干】【Neck特征融合】【Head检测头】【注意力机制】【IoU损失函数】【NMS】【Loss计算方式】【自注意力机制】、【数据增强部分】【标签分配策略】、【激活函数】等各个部分,详情可以关注👉 YOLOAir 的说明文档。
  • 🚀可以排列组合上千种模块 不同的搭配 (推荐)🌟🌟🌟
  • 🎈同时附带各种改进点原理及对应的代码改进方式教程,用户可根据自身情况快速排列组合,在不同的数据集上实验, 应用组合写论文!🏆

YOLO Air:YOLO科研改进论文推荐 | 改进组合上千种搭配,包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法

YOLOAir 算法库🚀 是一个基于 PyTorch 的一系列 YOLO 检测算法组合工具箱。

统一模型代码框架、统一应用、统一改进、易于模块组合、构建更强大的网络模型。

模型多样化:基于不同网络模块构建不同检测网络模型。

模块组件化:帮助用户自定义快速组合Backbone、Neck、Head,使得网络模型多样化,助力科研改进检测算法、模型改进,网络排列组合🏆。构建强大的网络模型。

统一模型代码框架、统一应用方式、统一调参、统一改进、易于模块组合、构建更强大的网络模型

内置YOLOv5、YOLOv7、YOLOv6、YOLOX、YOLOR、Transformer、PP-YOLO、PP-YOLOv2、PP-YOLOE、PP-YOLOEPlus、Scaled_YOLOv4、YOLOv3、YOLOv4、YOLO-Facev2、TPH-YOLO、YOLOv5Lite、SPD-YOLO、SlimNeck-YOLO、PicoDet等模型网络结构(持续更新中🚀)…


██╗   ██╗ ██████╗ ██╗      ██████╗      █████╗     ██╗    ██████╗ 
╚██╗ ██╔╝██╔═══██╗██║     ██╔═══██╗    ██╔══██╗    ██║    ██╔══██╗
 ╚████╔╝ ██║   ██║██║     ██║   ██║    ███████║    ██║    ██████╔╝
  ╚██╔╝  ██║   ██║██║     ██║   ██║    ██╔══██║    ██║    ██╔══██╗
   ██║   ╚██████╔╝███████╗╚██████╔╝    ██║  ██║    ██║    ██║  ██║
   ╚═╝    ╚═════╝ ╚══════╝ ╚═════╝     ╚═╝  ╚═╝    ╚═╝    ╚═╝  ╚═╝

基于 YOLOv5 代码框架,并同步适配 稳定的YOLOv5_v6.1更新, 同步v6.1部署生态。使用这个项目之前, 您可以先了解YOLOv5库。

Star🌟、Fork 不迷路,同步更新。

项目地址🌟: https://github.com/iscyy/yoloair


🌟 Beta Supported Updates

下列功能 YOLOAir-Beta版本内测 已支持🔥

  • 完成更新支持 20+ 种 Transformer系列及其变种主干网络🌟、多种MLP网络🌟 以及 大部分重参数化结构模型网络 🚀🚀🚀
  • 完成更新支持 图神经网络🌟 在YOLO中的应用
  • 完成更新支持 多模态🔥 在YOLO中的应用
  • 完成更新支持 30+ 种 Attention注意力机制🌟、
  • 完成更新支持 多种Head检测头
  • 完成更新支持 YOLOv6模型-v2.0 paper 版本
  • 完成更新支持 YOLO系列网络模型热力图可视化
    (GardCAM、GardCAM++等)支持YOLOv3、YOLOv3-SPP、YOLOv4、YOLOv5、YOLOR、YOLOv7、Scaled_YOLOv4、TPH-YOLO、SPD-YOLO、PP-YOLO以及自定义网络模型等模型
  • 支持Adaptive Training Sample Selection 标签分配策略和 Task Alignment Learning 标签分配策略
  • 完成更新集成 PPYOLOE 算法模型
  • 完成更新集成 TOOD 算法
  • 其他 各种

主要特性🚀

🚀支持更多的YOLO系列算法模型改进(持续更新…)

YOLOAir 算法库汇总了多种主流YOLO系列检测模型,一套代码集成多种模型:

  • 内置集成 YOLOv5 模型网络结构、YOLOv7 模型网络结构、 YOLOv6 模型网络结构、PP-YOLO 模型网络结构、PP-YOLOv2 模型网络结构、PP-YOLOE 模型网络结构、PP-YOLOEPlus 模型网络结构、YOLOR 模型网络结构、YOLOX 模型网络结构、ScaledYOLOv4 模型网络结构、YOLOv4 模型网络结构、YOLOv3 模型网络结构、YOLO-FaceV2模型网络结构、TPH-YOLOv5模型网络结构、SPD-YOLO模型网络结构、SlimNeck-YOLO模型网络结构、YOLOv5-Lite模型网络结构、PicoDet模型网络结构等持续更新中…

  • 以上多种检测算法使用统一模型代码框架,集成在 YOLOAir 库中,统一任务形式、统一应用方式。🌟便于科研者用于论文算法模型改进,模型对比,实现网络组合多样化。🌟工程算法部署落地更便捷,包含轻量化模型和精度更高的模型,根据场景合理选择,在精度和速度俩个方面取得平衡。同时该库支持解耦不同的结构和模块组件,让模块组件化,通过组合不同的模块组件,用户可以根据不同数据集或不同业务场景自行定制化构建不同检测模型。

🚀支持加载YOLOv3、YOLOv4、YOLOv5、YOLOv7、YOLOR、Scaled_YOLO等网络的官方预训练权重进行迁移学习

🚀支持更多Backbone

  • CSPDarkNet系列
  • HorNet系列
  • ResNet系列
  • RegNet 系列
  • ShuffleNet系列
  • Ghost系列
  • MobileNet系列
  • EfficientNet系列
  • ConvNext系列
  • RepLKNet系列
  • 重参数化系列
  • RepVGG系列
  • RepMLP系列
  • ACNet系列
  • RepConv系列
  • Mobileone系列
  • 自注意力Transformer系列
  • MobileViT系列
  • BoTNet-Transfomrer
  • CoTNet-Transfomrer
  • Swin-Transfomrer
  • 以及其他trans系列
    持续更新中🎈🚀🚀🚀
    注: (YOLOAir(Beta版本内测)🔥 已经完成更新 20+ 种Transformer系列主干网络、多种MLP网络 以及 绝大部分重参数化结构模型网络)

🚀支持更多Neck

  • FPN
  • PANet
  • RepPAN
  • BiFPN等主流结构。
    持续更新中🎈

🚀支持更多检测头Head

  • YOLOv4、YOLOv5 Head检测头;

  • YOLOR 隐式学习Head检测头;

  • YOLOX的解耦合检测头Decoupled Head、DetectX Head;

  • 自适应空间特征融合 检测头ASFF Head;

  • YOLOv6-v2.0 Efficient decoupled head;

  • YOLOv7检测头IAuxDetect Head, IDetect Head等;

  • PPYOLOE Efficient Task-aligned head with DFL and VFL

  • 其他不同检测头

🚀支持更多即插即用的注意力机制Attention

  • 在网络任何部分即插即用式使用注意力机制
  • Self Attention
  • Contextual Transformer
  • Bottleneck Transformer
  • S2-MLP Attention
  • SK Attention
  • CBAM Attention
  • SE Attention
  • Coordinate attention
  • NAM Attention
  • GAM Attention
  • ECA Attention
  • Shuffle Attention
  • CrissCrossAttention
  • Coordinate attention
  • SOCAttention
  • SimAM Attention
    持续更新中🎈
    注: (YOLOAir(Beta版本内测)🔥 已经完成更新 30+ 种Attention注意力机制)

🚀更多空间金字塔池化结构

  • SPP
  • SPPF
  • ASPP
  • RFB
  • SPPCSPC
  • SPPFCSPC
  • SimSPPF
    持续更新中🎈

🚀支持更多Loss

  • ComputeLoss
  • ComputeLoss(v5)
  • ComputeLoss(v6)
  • ComputeLoss(X)
  • ComputeLossAuxOTA(v7)
  • ComputeLossOTA(v7)
  • ComputeNWDLoss
  • 其他Loss

🚀支持 Anchor-base 和 Anchor-Free

  • 🌟 YOLOv5、YOLOv7、YOLOv3、YOLOv4、YOLOR、ScaledYOLOv4、PPYOLO、PPYOLOv2、Improved-YOLOv5、Improved-YOLOv7

  • 🌟 YOLOX、YOLOv6 (最新Paper版本代码)、PPYOLOE、PPYOLOE+

🚀支持多种标签分配策略

  • Multi Anchor策略
  • YOLOv5 标签分配策略
  • SimOTA 标签分配策略
  • YOLOv7 标签分配策略
  • Adaptive Training Sample Selection 标签分配策略
  • Task Alignment Learning 标签分配策略
  • 其他改进的标签分配策略
    持续更新中🎈

🚀支持加权框融合(WBF)

🚀 内置多种网络模型模块化组件
Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv,BottleneckCSP, C3, C3TR, C3SPP, C3Ghost, C3HB, C3RFEM, MultiSEAM, SEAM, C3STR, SPPCSPC, RepConv, BoT3, Air, CA, CBAM, Involution, Stem, ResCSPC, ResCSPB, ResXCSPB, ResXCSPC, BottleneckCSPB, BottleneckCSPC, ASPP, BasicRFB, SPPCSPC_group, HorBlock, CNeB,C3GC ,C3C2, nn.ConvTranspose2d, DWConvblock, RepVGGBlock, CoT3, ConvNextBlock, SPPCSP, BottleneckCSP2, DownC, BottleneckCSPF, RepVGGBlock, ReOrg, DWT, MobileOne,HorNet…等详细代码 ./models/common.py文件

🚀支持更多IoU损失函数

  • CIoU
  • DIoU
  • GIoU
  • EIoU
  • SIoU
  • alpha IOU
    持续更新中🎈

🚀支持更多NMS

  • NMS
  • Merge-NMS
  • Soft-NMS
  • CIoU_NMS
  • DIoU_NMS
  • GIoU_NMS
  • EIoU_NMS
  • SIoU_NMS
  • Soft-SIoUNMS、Soft-CIoUNMS、Soft-DIoUNMS、Soft-EIoUNMS、Soft-GIoUNMS等;
    持续更新中🎈

🚀支持更多数据增强

  • Mosaic、Copy paste、Random affine(Rotation, Scale, Translation and Shear)、MixUp、Augment HSV(Hue, Saturation, Value、Random horizontal flip

🚀 YOLO系列网络模型热力图可视化(GardCAM、GardCAM++等)
支持YOLOv3、、YOLOv3-SPP、YOLOv4、YOLOv5、YOLOR、YOLOv7Scaled_YOLOv4、TPH-YOLO、SPD-YOLO以及自定义网络模型等模型 (YOLOAir(Beta版本内测)🔥已支持)

🚀主流网络模型结构图汇总: 模型🔗

以上组件模块使用统一模型代码框架、统一任务形式、统一应用方式,模块组件化🚀 可以帮助用户自定义快速组合Backbone、Neck、Head,使得网络模型多样化,助力科研改进检测算法,构建更强大的网络模型。

说明: 以上主要特性支持 包括 Main版本 和 Beta版本,部分特性暂时只完成更新在 Beta 中,不是所有更新都直接在 Main 中,后续 Beta 版本内测之后逐渐加入到 Main版本中。


内置网络模型配置支持✨

🚀包括基于 YOLOv5、YOLOv7、YOLOX、YOLOR、YOLOv3、YOLOv4、Scaled_YOLOv4、Transformer、YOLO-FaceV2、PicoDet、YOLOv5-Lite、TPH-YOLOv5、SPD-YOLO等其他多种改进网络结构等算法模型的模型配置文件


11.更多其他Trick改进点持续更新,助力科研🎉

以上组件模块使用统一模型代码框架、统一任务形式、统一应用方式,模块组件化 可以帮助用户自定义快速组合Backbone、Neck、Head,使得网络模型多样化,助力科研改进检测算法,构建更强大的网络模型。


具体改进方式教程及原理(推荐🌟🌟🌟🌟🌟)

1.改进YOLOv5系列:YOLOv5_最新MobileOne结构换Backbone修改🌟

2.改进YOLOv5系列:Swin Transformer结构的修改🌟

3.改进YOLOv5系列:PicoDet结构的修改🌟

4.改进YOLOv5系列:1.YOLOv5_CBAM注意力机制修改(其他注意力机制同理)🌟

5.改进YOLOv5系列:5.CotNet Transformer结构的修改🌟

6.改进YOLOv5系列:6.修改Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS,Soft-DIoUNMS,Soft-EIoUNMS,Soft-GIoUNMS…🌟

7.改进YOLOv5系列:7.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS🌟

8.改进YOLOv5系列:8.增加ACmix结构的修改,自注意力和卷积集成🌟

9.改进YOLOv5系列:9.BoTNet Transformer结构的修改)🍀

10.改进YOLOv5系列:10.最新HorNet结合YOLO应用首发! | ECCV2022出品,多种搭配,即插即用 | Backbone主干、递归门控卷积的高效高阶空间交互

11.改进YOLOv5系列:11.ConvNeXt结合YOLO | CVPR2022 多种搭配,即插即用 | Backbone主干CNN模型

YOLOv5、YOLOv7、YOLOR + 注意力机制一览

YOLOv5 + ShuffleAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:12.添加ShuffleAttention注意力机制

YOLOv5 + CrissCrossAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:13.添加CrissCrossAttention注意力机制

YOLOv5 + S2-MLPv2注意力机制

博客链接🔗🌟:改进YOLOv5系列:14.添加S2-MLPv2注意力机制

YOLOv5 + SimAM注意力机制

博客链接🔗🌟:改进YOLOv5系列:15.添加SimAM注意力机制

YOLOv5 + SKAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:16.添加SKAttention注意力机制

YOLOv5 + NAMAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:17.添加NAMAttention注意力机制

YOLOv5 + SOCA注意力机制

博客链接🔗🌟:改进YOLOv5系列:18.添加SOCA注意力机制

YOLOv5 + CBAM注意力机制

博客链接🔗🌟:改进YOLOv5系列:18.添加CBAM注意力机制

YOLOv5 + SEAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:19.添加SEAttention注意力机制

YOLOv5 + GAMAttention注意力机制

博客链接🔗🌟:改进YOLOv5系列:20.添加GAMAttention注意力机制

YOLOv5 + CA注意力机制

博客链接🔗🌟:github

YOLOv5 + ECA注意力机制 博客链接🔗🌟:github

更多模块详细解释持续更新中。。。


欢迎大家点赞👍评论📖收藏🌟

未经允许,不得转载文章来源地址https://www.toymoban.com/news/detail-429191.html

到了这里,关于YOLO Air:YOLO科研改进论文推荐 | 改进组合上千种搭配,包括Backbone,Neck,Head,注意力机制,适用于YOLOv5、YOLOv7、YOLOX等算法的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 改进 YOLO V5 的密集行人检测算法研究(论文研读)——目标检测

    针对在人员密集区或相互拥挤场景下进行的行人目标检测时,因行人遮挡或人像交叠所导致的跟踪目标丢失、检测识别率低的问题,提出了一种融合注意力机制的改进 YOLO V5 算法。 通过引入注意力机制来深入挖掘特征通道间关系和特征图空间信息,进一步增强了对行人目标可

    2024年02月01日
    浏览(49)
  • CSDN独家《芒果YOLO改进高阶指南》适用YOLOv5、YOLOv7、YOLOv8等改进专栏,来自人工智能专家唐宇迪老师联袂推荐

    《芒果改进YOLO系列高阶指南》目录 💡该教程为芒果改进YOLO进阶指南专栏,属于 《芒果书》 📚系列,包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀 💡🎈☁️:[CSDN原创《芒果改进YOLO高阶指南》推荐!] CSDN博客独家更新 出品: 专栏详情🔎:芒果改

    2023年04月08日
    浏览(58)
  • 【论文阅读】通过组件对齐评估和改进 text-to-SQL 的组合泛化

    NAACL 2022| CCF B 在 text-to-SQL 任务中,正如在许多 NLP 中一样, 组合泛化 是一个重大挑战:神经网络在训练和测试分布不同的情况下难以实现组合泛化。然而,最近改进这一点的尝试都是基于单词级合成数据或特定数据集分割来生成组合偏差。在这项工作中,我们提出了一种 子

    2024年03月24日
    浏览(50)
  • 高校科研工具推荐(图像、排版、翻译、搜索)

    高校科研工具推荐,主要从作图流程排版翻译搜索等推荐。 1、科技作图:Origin Origin是国际出版界公认的标准数据处理与科学绘图软件,是一款定位于基础和专业之间的作图软件。 2、流程图:Visio Visio,可以绘制业务流程图、组织结构图、项 目管理图、营销图表、办公室布

    2024年02月07日
    浏览(56)
  • 改进的yolo目标检测(yolo创新与改进)

    改进的yolo目标检测(yolo创新与改进):总有小伙伴问我,yolo该如何改进,那么他来了,下文为可以参考的点,更多知识可以私信 改进后的效果请看这个博客 :链接 上文配备了目标检测+目标跟踪+姿态估计+实力分割全融合于一体的代码! 目标检测是计算机视觉领域中的一个

    2024年02月07日
    浏览(38)
  • YOLO算法改进5【中阶改进篇】:添加SENet注意力机制

    SE-Net 是 ImageNet 2017(ImageNet 收官赛)的冠军模型,是由WMW团队发布。具有复杂度低,参数少和计算量小的优点。且SENet 思路很简单,很容易扩展到已有网络结构如 Inception 和 ResNet 中。 我们可以看到,已经有很多工作在空间维度上来提升网络的性能。那么很自然想到,网络是

    2024年02月06日
    浏览(40)
  • YOLO算法改进4【中阶改进篇】:添加DeformableConvolution v2可变形卷积模块

    论文地址: https://arxiv.org/abs/1811.11168 源码地址:https://github.com/msracver/Deformable-ConvNets 传统的卷积操作是将特征图分成一个个与卷积核大小相同的部分,然后进行卷积操作,每部分在特征图上的位置都是固定的。这样,对于形变比较复杂的物体,使用这种卷积的效果就可能不太

    2024年02月06日
    浏览(33)
  • YOLO目标检测算法轻量化改进的过程记录

          本文主要记录了在毕设期间关于将目标检测算法部署至嵌入式设备(jetson nano)上的过程及对YOLO算法轻量化及精度提升的一些修改策略(改的并不多,基本都是重复组合,毕竟我是个菜鸡)。       注意!仅对于被论文折磨必须要有一丢丢创新点的人来说有点看的意

    2023年04月12日
    浏览(41)
  • YOLO物体检测系列3:YOLOV3改进解读

    上篇内容: YOLOV2整体解读 YOLOV3提出论文:《Yolov3: An incremental improvement》 这张图讲道理真的过分了!!!我不是针对谁,在座的各位都是** 故意将yolov3画到了第二象限 终于到V3了,最大的改进就是网络结构,使其更适合小目标检测 特征做的更细致,融入多持续特征图信息来

    2024年02月08日
    浏览(41)
  • 改进YOLO系列:3.添加SOCA注意力机制

    暂未找到 ./models/common.py文件增加以下模块 在最后添加如下

    2024年02月12日
    浏览(49)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包