YOLOV8改进系列指南

基于Ultralytics的YOLOV8改进项目.(69.9¥)

为了感谢各位对V8项目的支持,本项目的赠品是yolov5-PAGCP通道剪枝算法.具体使用教程

专栏改进汇总

二次创新系列

1. ultralytics/cfg/models/v8/yolov8-RevCol.yaml

   使用(ICLR2023)Reversible Column Networks对yolov8主干进行重设计,里面的支持更换不同的C2f-Block.

2. EMASlideLoss

   使用EMA思想与SlideLoss进行相结合.

3. ultralytics/cfg/models/v8/yolov8-dyhead-DCNV3.yaml

   使用DCNV3替换DyHead中的DCNV2.

4. ultralytics/cfg/models/v8/yolov8-C2f-EMBC.yaml

   使用Efficientnet中的MBConv与EffectiveSE改进C2f.

5. ultralytics/cfg/models/v8/yolov8-GhostHGNetV2.yaml

   使用Ghost_HGNetV2作为YOLOV8的backbone.

6. ultralytics/cfg/models/v8/yolov8-RepHGNetV2.yaml

   使用Rep_HGNetV2作为YOLOV8的backbone.

7. ultralytics/cfg/models/v8/yolov8-C2f-DWR-DRB.yaml

   使用UniRepLKNet中的DilatedReparamBlock对DWRSeg中的Dilation-wise Residual(DWR)的模块进行二次创新后改进C2f.

8. ultralytics/cfg/models/v8/yolov8-ASF-P2.yaml

   在ultralytics/cfg/models/v8/yolov8-ASF.yaml的基础上进行二次创新，引入P2检测层并对网络结构进行优化.

9. ultralytics/cfg/models/v8/yolov8-CSP-EDLAN.yaml

   使用DualConv打造CSP Efficient Dual Layer Aggregation Networks改进yolov8.

10. ultralytics/cfg/models/v8/yolov8-bifpn-SDI.yaml

    使用U-NetV2中的 Semantics and Detail Infusion Module对BIFPN进行二次创新.

11. ultralytics/cfg/models/v8/yolov8-goldyolo-asf.yaml

    利用华为2023最新GOLD-YOLO中的Gatherand-Distribute与ASF-YOLO中的Attentional Scale Sequence Fusion进行二次创新改进yolov8的neck.

12. ultralytics/cfg/models/v8/yolov8-dyhead-DCNV4.yaml

    使用DCNV4对DyHead进行二次创新.(请关闭AMP进行训练,使用教程请看20240116版本更新说明)

13. ultralytics/cfg/models/v8/yolov8-HSPAN.yaml

    对MFDS-DETR中的HS-FPN进行二次创新后得到HSPAN改进yolov8的neck.

14. ultralytics/cfg/models/v8/yolov8-GDFPN.yaml

    使用DAMO-YOLO中的RepGFPN与ICCV2023 DySample进行二次创新改进Neck.

15. ultralytics/cfg/models/v8/yolov8-HSPAN-DySample.yaml

    对MFDS-DETR中的HS-FPN进行二次创新后得到HSPAN再进行创新,使用ICCV2023 DySample改进其上采样模块.

16. ultralytics/cfg/models/v8/yolov8-ASF-DySample.yaml

    使用ASF-YOLO中的Attentional Scale Sequence Fusion与ICCV2023 DySample组合得到Dynamic Sample Attentional Scale Sequence Fusion.

17. ultralytics/cfg/models/v8/yolov8-C2f-DCNV2-Dynamic.yaml

    利用自研注意力机制MPCA强化DCNV2中的offset和mask.

18. ultralytics/cfg/models/v8/yolov8-C2f-iRMB-Cascaded.yaml

    使用EfficientViT CVPR2023中的CascadedGroupAttention对EMO ICCV2023中的iRMB进行二次创新来改进C2f.

19. ultralytics/cfg/models/v8/yolov8-C2f-iRMB-DRB.yaml

    使用UniRepLKNet中的DilatedReparamBlock对EMO ICCV2023中的iRMB进行二次创新来改进C2f.

20. ultralytics/cfg/models/v8/yolov8-C2f-iRMB-SWC.yaml

    使用shift-wise conv对EMO ICCV2023中的iRMB进行二次创新来改进C2f.

自研系列

1. ultralytics/cfg/models/v8/yolov8-LAWDS.yaml

   Light Adaptive-weight downsampling.自研模块,具体讲解请看百度云链接中的视频.

2. ultralytics/cfg/models/v8/yolov8-C2f-EMSC.yaml

   Efficient Multi-Scale Conv.自研模块,具体讲解请看百度云链接中的视频.

3. ultralytics/cfg/models/v8/yolov8-C2f-EMSCP.yaml

   Efficient Multi-Scale Conv Plus.自研模块,具体讲解请看百度云链接中的视频.

BackBone系列

1. ultralytics/cfg/models/v8/yolov8-efficientViT.yaml

   (CVPR2023)efficientViT替换yolov8主干.

2. ultralytics/cfg/models/v8/yolov8-fasternet.yaml

   (CVPR2023)fasternet替换yolov8主干.

3. ultralytics/cfg/models/v8/yolov8-timm.yaml

   使用timm支持的主干网络替换yolov8主干.

4. ultralytics/cfg/models/v8/yolov8-convnextv2.yaml

   使用convnextv2网络替换yolov8主干.

5. ultralytics/cfg/models/v8/yolov8-EfficientFormerV2.yaml

   使用EfficientFormerV2网络替换yolov8主干.(需要看常见错误和解决方案的第五点)

6. ultralytics/cfg/models/v8/yolov8-vanillanet.yaml

   vanillanet替换yolov8主干.

7. ultralytics/cfg/models/v8/yolov8-LSKNet.yaml

   LSKNet(2023旋转目标检测SOTA的主干)替换yolov8主干.

8. ultralytics/cfg/models/v8/yolov8-swintransformer.yaml

   SwinTransformer-Tiny替换yolov8主干.

9. ultralytics/cfg/models/v8/yolov8-repvit.yaml

   RepViT替换yolov8主干.

10. ultralytics/cfg/models/v8/yolov8-CSwinTransformer.yaml

    使用CSWin-Transformer(CVPR2022)替换yolov8主干.(需要看常见错误和解决方案的第五点)

11. ultralytics/cfg/models/v8/yolov8-HGNetV2.yaml

    使用HGNetV2作为YOLOV8的backbone.

12. ultralytics/cfg/models/v8/yolov8-unireplknet.yaml

    使用UniRepLKNet替换yolov8主干.

13. ultralytics/cfg/models/v8/yolov8-TransNeXt.yaml

    使用TransNeXt改进yolov8的backbone.(需要看常见错误和解决方案的第五点)

SPPF系列

1. ultralytics/cfg/models/v8/yolov8-FocalModulation.yaml

   使用Focal Modulation替换SPPF.

2. ultralytics/cfg/models/v8/yolov8-SPPF-LSKA.yaml

   使用LSKA注意力机制改进SPPF,增强多尺度特征提取能力.

3. ultralytics/cfg/models/v8/yolov8-AIFI.yaml

   使用RT-DETR中的Attention-based Intrascale Feature Interaction(AIFI)改进yolov8.

Neck系列

1. ultralytics/cfg/models/v8/yolov8-bifpn.yaml

   添加BIFPN到yolov8中.
   其中BIFPN中有三个可选参数：

   1. Fusion
      其中BIFPN中的Fusion模块支持四种: weight, adaptive, concat, bifpn(default), SDI
      其中weight, adaptive, concat出自paper链接-Figure 3, SDI出自U-NetV2
   2. node_mode
      支持大部分C2f-XXX结构.
   3. head_channel
      BIFPN中的通道数,默认设置为256.

2. ultralytics/cfg/models/v8/yolov8-slimneck.yaml

   使用VoVGSCSP\VoVGSCSPC和GSConv替换yolov8 neck中的C2f和Conv.

3. Asymptotic Feature Pyramid Networkreference

   a. ultralytics/cfg/models/v8/yolov8-AFPN-P345.yaml
   b. ultralytics/cfg/models/v8/yolov8-AFPN-P345-Custom.yaml
   c. ultralytics/cfg/models/v8/yolov8-AFPN-P2345.yaml
   d. ultralytics/cfg/models/v8/yolov8-AFPN-P2345-Custom.yaml
   其中Custom中的block支持大部分C2f-XXX结构.

4. ultralytics/cfg/models/v8/yolov8-RCSOSA.yaml

   使用RCS-YOLO中的RCSOSA替换C2f.

5. ultralytics/cfg/models/v8/yolov8-goldyolo.yaml

   利用华为2023最新GOLD-YOLO中的Gatherand-Distribute进行改进特征融合模块

6. ultralytics/cfg/models/v8/yolov8-GFPN.yaml

   使用DAMO-YOLO中的RepGFPN改进Neck.

7. ultralytics/cfg/models/v8/yolov8-EfficientRepBiPAN.yaml

   使用YOLOV6中的EfficientRepBiPAN改进Neck.

8. ultralytics/cfg/models/v8/yolov8-ASF.yaml

   使用ASF-YOLO中的Attentional Scale Sequence Fusion改进yolov8.

9. ultralytics/cfg/models/v8/yolov8-SDI.yaml

   使用U-NetV2中的 Semantics and Detail Infusion Module对yolov8中的feature fusion部分进行重设计.

10. ultralytics/cfg/models/v8/yolov8-HSFPN.yaml

    使用MFDS-DETR中的HS-FPN改进yolov8的neck.

Head系列

1. ultralytics/cfg/models/v8/yolov8-dyhead.yaml

   添加基于注意力机制的目标检测头到yolov8中.

2. ultralytics/cfg/models/v8/yolov8-EfficientHead.yaml

   对检测头进行重设计,支持10种轻量化检测头.详细请看ultralytics/nn/extra_modules/head.py中的Detect_Efficient class.

3. ultralytics/cfg/models/v8/yolov8-aux.yaml

   参考YOLOV7-Aux对YOLOV8添加额外辅助训练头,在训练阶段参与训练,在最终推理阶段去掉.
   其中辅助训练头的损失权重系数可在ultralytics/utils/loss.py中的class v8DetectionLoss中的__init__函数中的self.aux_loss_ratio设定,默认值参考yolov7为0.25.

4. ultralytics/cfg/models/v8/yolov8-seg-EfficientHead.yaml(实例分割)

   对检测头进行重设计,支持10种轻量化检测头.详细请看ultralytics/nn/extra_modules/head.py中的Detect_Efficient class.

5. ultralytics/cfg/models/v8/yolov8-SEAMHead.yaml

   使用YOLO-Face V2中的遮挡感知注意力改进Head,使其有效地处理遮挡场景.

6. ultralytics/cfg/models/v8/yolov8-MultiSEAMHead.yaml

   使用YOLO-Face V2中的遮挡感知注意力改进Head,使其有效地处理遮挡场景.

Label Assign系列

1. Adaptive Training Sample Selection匹配策略.

   在ultralytics/utils/loss.py中的class v8DetectionLoss中自行选择对应的self.assigner即可.

PostProcess系列

1. soft-nms(IoU,GIoU,DIoU,CIoU,EIoU,SIoU,ShapeIoU)

   soft-nms替换nms.(建议:仅在val.py时候使用,具体替换请看20240122版本更新说明)

上下采样算子

1. ultralytics/cfg/models/v8/yolov8-ContextGuidedDown.yaml

   使用CGNet中的Light-weight Context Guided DownSample进行下采样.

2. ultralytics/cfg/models/v8/yolov8-SPDConv.yaml

   使用SPDConv进行下采样.

3. ultralytics/cfg/models/v8/yolov8-dysample.yaml

   使用ICCV2023 DySample改进yolov8-neck中的上采样.

4. ultralytics/cfg/models/v8/yolov8-CARAFE.yaml

   使用ICCV2019 CARAFE改进yolov8-neck中的上采样.

5. ultralytics/cfg/models/v8/yolov8-HWD.yaml

   使用Haar wavelet downsampling改进yolov8的下采样.(请关闭AMP情况下使用)

YOLOV8-C2f系列

1. ultralytics/cfg/models/v8/yolov8-C2f-Faster.yaml

   使用C2f-Faster替换C2f.(使用FasterNet中的FasterBlock替换C2f中的Bottleneck)

2. ultralytics/cfg/models/v8/yolov8-C2f-ODConv.yaml

   使用C2f-ODConv替换C2f.(使用ODConv替换C2f中的Bottleneck中的Conv)

3. ultralytics/cfg/models/v8/yolov8-C2f-ODConv.yaml

   使用C2f-ODConv替换C2f.(使用ODConv替换C2f中的Bottleneck中的Conv)

4. ultralytics/cfg/models/v8/yolov8-C2f-Faster-EMA.yaml

   使用C2f-Faster-EMA替换C2f.(C2f-Faster-EMA推荐可以放在主干上,Neck和head部分可以选择C2f-Faster)

5. ultralytics/cfg/models/v8/yolov8-C2f-DBB.yaml

   使用C2f-DBB替换C2f.(使用DiverseBranchBlock替换C2f中的Bottleneck中的Conv)

6. ultralytics/cfg/models/v8/yolov8-C2f-CloAtt.yaml

   使用C2f-CloAtt替换C2f.(使用CloFormer中的具有全局和局部特征的注意力机制添加到C2f中的Bottleneck中)(需要看常见错误和解决方案的第五点)

7. ultralytics/cfg/models/v8/yolov8-C2f-SCConv.yaml

   SCConv(CVPR2020 http://mftp.mmcheng.net/Papers/20cvprSCNet.pdf)与C2f融合.

8. ultralytics/cfg/models/v8/yolov8-C2f-SCcConv.yaml

   ScConv(CVPR2023 https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf)与C2f融合.
   (取名为SCcConv的原因是在windows下命名是不区分大小写的)

9. ultralytics/cfg/models/v8/yolov8-KernelWarehouse.yaml

   使用Towards Parameter-Efficient Dynamic Convolution添加到yolov8中.
   使用此模块需要注意,在epoch0-20的时候精度会非常低,过了20epoch会正常.

10. ultralytics/cfg/models/v8/yolov8-C2f-DySnakeConv.yaml

    DySnakeConv与C2f融合.

11. ultralytics/cfg/models/v8/yolov8-C2f-DCNV2.yaml

    使用C2f-DCNV2替换C2f.(DCNV2为可变形卷积V2)

12. ultralytics/cfg/models/v8/yolov8-C2f-DCNV3.yaml

    使用C2f-DCNV3替换C2f.(DCNV3为可变形卷积V3(CVPR2023,众多排行榜的SOTA))
    官方中包含了一些指定版本的DCNV3 whl包,下载后直接pip install xxx即可.具体和安装DCNV3可看百度云链接中的视频.

13. ultralytics/cfg/models/v8/yolov8-C2f-OREPA.yaml

    使用C2f-OREPA替换C2f.Online Convolutional Re-parameterization (CVPR2022)

14. ultralytics/cfg/models/v8/yolov8-C2f-REPVGGOREPA.yaml

    使用C2f-REPVGGOREPA替换C2f.Online Convolutional Re-parameterization (CVPR2022)

15. ultralytics/cfg/models/v8/yolov8-C2f-DCNV4.yaml

    使用DCNV4改进C2f.(请关闭AMP进行训练,使用教程请看20240116版本更新说明)

16. ultralytics/cfg/models/v8/yolov8-C2f-ContextGuided.yaml

    使用CGNet中的Light-weight Context Guided改进C2f.

17. ultralytics/cfg/models/v8/yolov8-C2f-MSBlock.yaml

    使用YOLO-MS中的MSBlock改进C2f.

18. ultralytics/cfg/models/v8/yolov8-C2f-DLKA.yaml

    使用deformableLKA改进C2f.

19. ultralytics/cfg/models/v8/yolov8-C2f-DAttention.yaml

    使用Vision Transformer with Deformable Attention(CVPR2022)改进C2f.(需要看常见错误和解决方案的第五点)
    使用注意点请看百度云视频.(DAttention(Vision Transformer with Deformable Attention CVPR2022)使用注意说明.)

20. 使用ParC-Net中的ParC_Operator改进C2f.(需要看常见错误和解决方案的第五点)
    使用注意点请看百度云视频.(20231031更新说明)

21. ultralytics/cfg/models/v8/yolov8-C2f-DWR.yaml

    使用DWRSeg中的Dilation-wise Residual(DWR)模块,加强从网络高层的可扩展感受野中提取特征.

22. ultralytics/cfg/models/v8/yolov8-C2f-RFAConv.yaml

    使用RFAConv中的RFAConv改进yolov8.

23. ultralytics/cfg/models/v8/yolov8-C2f-RFCBAMConv.yaml

    使用RFAConv中的RFCBAMConv改进yolov8.

24. ultralytics/cfg/models/v8/yolov8-C2f-RFCAConv.yaml

    使用RFAConv中的RFCAConv改进yolov8.

25. ultralytics/cfg/models/v8/yolov8-C2f-FocusedLinearAttention.yaml

    使用FLatten Transformer(ICCV2023)中的FocusedLinearAttention改进C2f.(需要看常见错误和解决方案的第五点)
    使用注意点请看百度云视频.(20231114版本更新说明.)

26. ultralytics/cfg/models/v8/yolov8-C2f-MLCA.yaml

    使用Mixed Local Channel Attention 2023改进C2f.(用法请看百度云视频-20231129版本更新说明)

27. ultralytics/cfg/models/v8/yolov8-C2f-AKConv.yaml

    使用AKConv 2023改进C2f.(用法请看百度云视频-20231129版本更新说明)

28. ultralytics/cfg/models/v8/yolov8-C2f-UniRepLKNetBlock.yaml

    使用UniRepLKNet中的UniRepLKNetBlock改进C2f.

29. ultralytics/cfg/models/v8/yolov8-C2f-DRB.yaml

    使用UniRepLKNet中的DilatedReparamBlock改进C2f.

30. ultralytics/cfg/models/v8/yolov8-C2f-AggregatedAtt.yaml

    使用TransNeXt中的聚合感知注意力改进C2f.(需要看常见错误和解决方案的第五点)

31. ultralytics/cfg/models/v8/yolov8-C2f-SWC.yaml

    使用shift-wise conv改进yolov8中的C2f.

32. ultralytics/cfg/models/v8/yolov8-C2f-iRMB.yaml

    使用EMO ICCV2023中的iRMB改进C2f.

33. ultralytics/cfg/models/v8/yolov8-C2f-VSS.yaml

    使用最新的Mamba架构Mamba-UNet中的VSS对C2f中的BottleNeck进行改进,使其能更有效地捕获图像中的复杂细节和更广泛的语义上下文.

34. ultralytics/cfg/models/v8/yolov8-C2f-LVMB.yaml

    使用最新的Mamba架构Mamba-UNet中的VSS与Cross Stage Partial进行结合,使其能更有效地捕获图像中的复杂细节和更广泛的语义上下文.

组合系列

1. ultralytics/cfg/models/v8/yolov8-fasternet-bifpn.yaml

   fasternet与bifpn的结合.
   其中BIFPN中有三个可选参数：

   1. Fusion
      其中BIFPN中的Fusion模块支持四种: weight, adaptive, concat, bifpn(default), SDI
      其中weight, adaptive, concat出自paper链接-Figure 3, SDI出自U-NetV2
   2. node_mode
      其中目前(后续会更新喔)支持这些结构
   3. head_channel
      BIFPN中的通道数,默认设置为256.

注意力系列

1. EMA
2. SimAM
3. SpatialGroupEnhance
4. BiLevelRoutingAttention, BiLevelRoutingAttention_nchw
5. TripletAttention
6. CoordAtt
7. CBAM
8. BAMBlock
9. EfficientAttention(CloFormer中的注意力)
10. LSKBlock
11. SEAttention
12. CPCA
13. deformable_LKA
14. EffectiveSEModule
15. LSKA
16. SegNext_Attention
17. DAttention(Vision Transformer with Deformable Attention CVPR2022)
18. FocusedLinearAttention(ICCV2023)
19. MLCA
20. TransNeXt_AggregatedAttention
21. LocalWindowAttention(EfficientViT中的CascadedGroupAttention注意力)

Loss系列

1. SlideLoss,EMASlideLoss.(可动态调节正负样本的系数,让模型更加注重难分类,错误分类的样本上)
2. IoU,GIoU,DIoU,CIoU,EIoU,SIoU,MPDIoU,ShapeIoU.
3. Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU,Inner-ShapeIoU.
4. Wise-IoU(v1,v2,v3)系列(IoU,WIoU,EIoU,GIoU,DIoU,CIoU,SIoU,MPDIoU,ShapeIoU).
5. Inner-Wise-IoU(v1,v2,v3)系列(IoU,WIoU,EIoU,GIoU,DIoU,CIoU,SIoU,MPDIoU,ShapeIoU).
6. FocalLoss,VarifocalLoss,QualityfocalLoss
7. Focaler-IoU系列(IoU,GIoU,DIoU,CIoU,EIoU,SIoU,WIoU,MPDIoU,ShapeIoU)
8. Powerful-IoU,Powerful-IoUV2,Inner-Powerful-IoU,Inner-Powerful-IoUV2,Focaler-Powerful-IoU,Focaler-Powerful-IoUV2,Wise-Powerful-IoU(v1,v2,v3),Wise-Powerful-IoUV2(v1,v2,v3)论文链接

更新公告

• 20230620-yolov8-v1.1

  1. 增加EMA,C2f-Faster-EMA.
  2. val.py增加batch选择.
  3. train.py增加resume断点续训.

• 20230625-yolov8-v1.2

  1. 使用说明和视频增加断点续训教程.
  2. 增加 使用C2f-DBB替换C2f.(使用DiverseBranchBlock替换C2f中的Bottleneck中的Conv) C2f-DBB同样可以用在bifpn中的node.
  3. 使用说明中增加常见错误以及解决方案.

• 20230627-yolov8-v1.3

  1. 增加Adaptive Training Sample Selection匹配策略.
  2. val.py增加save_txt参数.
  3. 更新使用教程.

• 20230701-yolov8-v1.4

  1. val.py中增加imgsz参数，可以自定义val时候的图片尺寸，默认为640.
  2. 增加plot_result.py，用于绘制对比曲线图，详细请看使用说明13点.
  3. 支持计算COCO评价指标.详细请看使用说明12点.
  4. 增加yolov8-slimneck.其中VoVGSCSP\VoVGSCSPC支持在bifpn中使用,支持GSConv的替换.

• 20230703-yolov8-v1.5

  1. 修正计算gflops.
  2. 增加YOLOV5-AnchorFree改进，详细可看使用教程.md
  3. 增加yolov8-attention.yaml，并附带视频如何在yaml中添加注意力层
  4. 更新train.py --info参数的功能，增加打印每一层的参数，增加模型融合前后的层数，参数量，计算量对比。

• 20230705-yolov8-v1.6

  1. yolov5和yolov8 支持 Asymptotic Feature Pyramid Network.

• 20230714-yolov8-v1.7

  1. 把添加的所有模块全部转移到ultralytics/nn/extra_modules，以便后面进行同步代码。
  2. 增加yolov5-bifpn。
  3. 修正ultralytics/models/v8/yolov8-efficientViT.yaml，经粉丝反映，EfficientViT存在同名论文，本次更新的EfficientViT更适合目标检测，之前的efficientViT的原文是在语义分割上进行提出的。
  4. 更新使用教程。
  5. 更新import逻辑，现在不需要安装mmcv也可以进行使用，但是没有安装mmcv的使用dyhead会进行报错，降低上手难度。

• 20230717-yolov8-v1.8

  1. 修正vanillanet主干进行fuse后没法计算GFLOPs的bug.
  2. 添加yolov8-C2f-CloAtt,yolov5-C3-CloAtt.
  3. 添加yolov8-vanillanet.yaml.

• 20230723-yolov8-v1.9

  1. 利用(ICLR2023)Reversible Column Networks对yolov5,yolov8的结构进行重设计.
  2. 支持旋转目标检测2023SOTA的LSKNet主干.
  3. 支持旋转目标检测2023SOTA的LSKNet主干中的LSKBlock注意力机制.
  4. 更新使用教程中的常见错误.
  5. 使用教程中增加常见疑问.

• 20230730-yolov8-v1.10

  1. 增加yolov8-C2f-SCConv,yolov5-C3-SCConv.(CVPR 2020 http://mftp.mmcheng.net/Papers/20cvprSCNet.pdf)
  2. 增加yolov8-C2f-ScConv,yolov5-C3-ScConv.(CVPR 2023 https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf)
  3. 更新使用教程.
  4. 更新视频百度云链接,增加SCConv和ScConv的使用教程.

• 20230730-yolov8-v1.11

  1. yolov8-C2f-ScConv,yolov5-C3-ScConv分别更名为yolov8-C2f-SCcConv,yolov5-C3-SCcConv,因为在windows下命名不会区分大小写,导致解压的时候会出现覆盖请求.
  2. 支持MPDiou,具体修改方法请看使用教程.

• 20230802-yolov8-v1.11.1

  1. 去除dataloader中的drop_last(ultralytics/yolo/data/build.py, build_dataloader func).
  2. 修正MPDiou.

• 20230806-yolov8-v1.12

  1. 添加全新自研模块(Light Adaptive-weight downsampling),具体可看使用教程.

• 20230808-yolov8-v1.13

  1. 添加全新自研模块(EMSC, EMSCP),具体可看使用教程.
  2. 添加RSC-YOLO中的RCSOSA到yolov5和yolov8中.
  3. 更新使用教程.

• 20230824-yolov8-v1.14

  1. 支持SlideLoss和EMASlideLoss(利用Exponential Moving Average优化mean iou,可当自研创新模块),使用方式具体看使用教程.
  2. 支持KernelWarehouse:Towards Parameter-Efficient Dynamic Convolution(2023最新发布的动态卷积).
  3. 支持最新可变形卷积-Dynamic Snake Convolution.
  4. 支持Normalized Gaussian Wasserstein Distance(NWD).
  5. 增加CPCANet中的CPCA注意力机制.
  6. 更新使用教程.

• 20230830-yolov8-v1.15

  1. 对检测头进行重设计,支持10种(参数量和计算量更低的)检测头,详细请看使用教程.

• 20230904-yolov8-v1.16

  1. 支持DCNV2,DCNV3.详细请看项目百度云视频.
  2. 使用DCNV3改进DyHead.(ultralytics/models/v5/yolov5-dyhead-DCNV3.yaml,ultralytics/models/v8/yolov8-dyhead-DCNV3.yaml)
  3. 根据YOLOV7-AUX辅助训练头思想,改进YOLOV8,增加辅助训练头,训练时候参与训练,检测时候去掉.(ultralytics/models/v5/yolov5-AuxHead.yaml, ultralytics/models/v8/yolov8-AuxHead.yaml)
  4. 增加C3-Faster(ultralytics/models/v5/yolov5-C3-Faster.yaml).
  5. 增加C3-ODConv(ultralytics/models/v5/yolov5-C3-ODConv.yaml).
  6. 增加C3-Faster-EMA(ultralytics/models/v5/yolov5-C3-Faster-EMA.yaml).
  7. 更新使用教程.

• 20230909-yolov8-v1.17

  1. 优化辅助训练头部分代码.
  2. 修复多卡训练中的一些bug.
  3. 更新使用教程.(百度云视频中增加关于C3-XXX和C2f-XXX移植到官方yolov5上的讲解)
  4. 支持TAL标签分配策略中使用NWD(具体可看使用教程).

• 20230915-yolov8-v1.18

  1. 新增Online Convolutional Re-parameterization (CVPR2022).(超越DBB和RepVGG) (C3-OREPA,C3-REPVGGOREPA,C2f-OREPA,C2f-REPVGGOREPA)
  2. 新增FocalModulation.
  3. 支持RepViT和SwinTransformer-Tiny主干.
  4. 利用OREPA优化自研模块(EMSC,EMSCP).
  5. 更新使用教程和百度云视频.

• 20230916-yolov8-v1.19

  1. 去除OREPA_1x1,该结构会让模型无法收敛或者NAN.
  2. 新增yolov8-fasternet-bifpn和yolov5-fasternet-bifpn.
  3. 更新使用教程和百度云视频.(更新OREPA的视频和增加如何看懂代码结构-以C2f-Faster-EMA为例).

• 20230919-yolov8-v1.19.1

  1. 修复C2f-ODConv在20epochs后精度异常问题.
  2. 修复BAM注意力机制中的padding问题.
  3. 修复EfficientAttention(CloFormer中的注意力)注意力机制不能在配置文件添加的问题.
  4. 去除C2f-EMSP-OREPA,C2f-EMSCP-OREPA,C3-EMSP-OREPA,C3-EMSCP-OREPA,这部分不稳定,容易出现NAN.
  5. 群公告中增加使用前必看的百度云视频链接.

• 20230924-yolov8-v1.20

  1. 增加自研注意力机制MPCA(基于CVPR2021 CA注意力机制).详细可看百度云视频.
  2. 使用自研注意力机制MPCA强化DCNV2中的offset和mask生成.详细可看百度云视频和使用教程.
  3. 把timm配置文件的预训练权重参数改为False,也即是默认不下载和使用预训练权重.
  4. 利用华为2023最新GOLD-YOLO中的Gatherand-Distribute进行改进特征融合模块.

• 20230927-yolov8-v1.21

  1. 使用YOLO-MS中的MSBlock改进C2f和C3模块,具体请看使用教程.
  2. 使用GCNet中的Light-weight Context Guided改进C2f和C3模块,具体请看使用教程.
  3. 使用GCNet中的Light-weight Context Guided Down替换YOLO中的下采样模块,具体请看使用教程.

• 20231010-yolov8-v1.22

  1. RepViT同步官方源码.
  2. 经实验发现网络全使用C2f-MSBlock和C3-MSBlock不稳定,因此在Neck部分还是使用C2f或C3,具体可参看对应的配置文件.
  3. 支持deformableLKA注意力机制,并进行改进C2f和C3,提出C2f_DLKA,C3_DLKA.
  4. 使用DAMO-YOLO中的RepGFPN改进yolov8中的Neck.
  5. 使用YOLOV6中的EfficientRepBiPAN改进yolov8中的Neck.
  6. 新增支持SPDConv进行下采样.
  7. 使用Efficientnet中的MBConv与EffectiveSE改进C2f和C3.

• 20231020-yolov8-v1.23

  1. 更新使用教程和百度云视频.(更新DAttention使用说明视频).
  2. 增加LSKA, SegNext_Attention, DAttention(Vision Transformer with Deformable Attention CVPR2022).
  3. 使用LSKA改进SPPF,增强多尺度特征提取能力.
  4. 使用[Vision Transformer with Deformable Attention(CVPR2022)]改进C2f,C3.

• 20231107-yolov8-v1.24

  1. 新增CVPR2022-CSwinTransformer主干.
  2. 新增yolov5-AIFI.yaml,yolov8-AIFI.yaml.
  3. 新增使用ParC-Net中的位置感知循环卷积改进C3,C2f.
  4. 新增使用DWRSeg中的Dilation-wise Residual(DWR)模块,加强从网络高层的可扩展感受野中提取特征.(yolov5-C3-DWR.yaml,yolov8-C2f-DWR.yaml)
  5. 把当前所有的改进同步到ultralytics-8.0.202版本上.
  6. 更新新版百度云链接视频.
  7. 新增热力图、FPS脚本.

• 20231114-yolov8-v1.25

  1. 新增EIou,SIou.
  2. 新增Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU.
  3. 使用今年最新的MPDIoU与Inner-IoU相结合得到Inner-MPDIoU.
  4. 新增FLatten Transformer(ICCV2023)中的FocusedLinearAttention改进C3,C2f.
  5. 更新get_FPS脚本中的模型导入方式,避免一些device报错.
  6. 更新百度云链接视频-20231114版本更新说明.

• 20231114-yolov8-v1.26

  1. 修正MPDIOU中的mpdiou_hw参数.
  2. 更新使用教程.

• 20231129-yolov8-v1.27

  1. 新增Mixed Local Channel Attention改进C2f和C3.
  2. 新增AKConv改进C2f和C3.
  3. 更新使用教程.
  4. 更新百度云链接视频-20231129版本更新说明.

• 20231207-yolov8-v1.28

  1. 新增支持2023最新大卷积核CNN架构RepLKNet升级版-UniRepLKNet.
  2. 新增UniRepLKNet中的[UniRepLKNetBlock, DilatedReparamBlock]改进C3和C2f.
  3. 使用UniRepLKNet中的DilatedReparamBlock对DWRSeg中的Dilation-wise Residual(DWR)模块进行二次创新后改进C3和C2f.
  4. 修复get_FPS.py测速前没有进行fuse的问题.
  5. 更新使用教程.
  6. 更新百度云链接视频-20231207版本更新说明.

• 20231217-yolov8-v1.29

  1. 新增ASF-YOLO中的Attentional Scale Sequence Fusion,并在其基础上增加P2检测层并进行优化网络结构.
  2. 新增使用DualConv打造CSP Efficient Dual Layer Aggregation Networks.
  3. 更新使用教程.
  4. 更新百度云链接视频-20231217版本更新说明.

• 20231227-yolov8-v1.30

  1. 新增支持TransNeXt主干和TransNeXt中的聚焦感知注意力机制.
  2. 新增U-NetV2中的Semantics and Detail Infusion Module,分别对BIFPN和PAFPN中的feature fusion部分进行二次创新.
  3. 更新使用教程.
  4. 更新百度云链接视频-20231227版本更新说明.

• 20240104-yolov8-v1.31

  1. 新增Shape-IoU,Inner-Shape-IoU.
  2. 更新使用教程.
  3. 更新百度云链接视频-20230104版本更新说明.

• 20240111-yolov8-v1.32

  1. 支持FocalLoss,VarifocalLoss,QualityfocalLoss.
  2. 支持Wise-IoU(v1,v2,v3)系列(IoU,WIoU,EIoU,GIoU,DIoU,CIoU,SIoU,MPDIoU,ShapeIoU).
  3. 支持Inner-Wise-IoU(v1,v2,v3)系列(IoU,WIoU,EIoU,GIoU,DIoU,CIoU,SIoU,MPDIoU,ShapeIoU).
  4. 更新使用教程.
  5. 更新百度云链接视频-20230111版本更新说明.

• 20240116-yolov8-v1.33

  1. 使用ASF-YOLO中Attentional Scale Sequence Fusion与GOLD-YOLO中的Gatherand-Distribute进行二次创新结合.
  2. 支持最新的DCNV4,C2f-DCNV4,C3-DCNV4,并使用DCNV4对DyHead进行二次创新(DyHead_DCNV4).
  3. 修复不使用wise的情况下断点续训的bug.
  4. 更新使用教程.
  5. 更新百度云链接视频-20230116版本更新说明.

• 20240122-yolov8-v1.34

  1. 使用MFDS-DETR中的HS-FPN改进YOLOV5、YOLOV8中的Neck.
  2. 对MFDS-DETR中的HS-FPN进行二次创新后得到HSPAN改进YOLOV5、YOLOV8中的Neck.
  3. 增加CARAFE轻量化上采样算子.
  4. 增加DySample(ICCV2023)动态上采样算子.
  5. 增加Haar wavelet downsampling下采样算子.
  6. 支持soft-nms.(IoU,GIoU,DIoU,CIoU,EIoU,SIoU,ShapeIoU)
  7. 更新使用教程.
  8. 更新百度云链接视频-20230122版本更新说明.

• 20240203-yolov8-v1.35

  1. 增加Focaler-IoU(IoU,GIoU,DIoU,CIoU,EIoU,SIoU,WIoU,MPDIoU,ShapeIoU).
  2. 增加RepGFPN与DySample的二次创新组合.
  3. 增加ASF-YOLO中的ASSF与DySample的二次创新组合.
  4. 增加HS-PAN与DySample的二次创新组合.
  5. 使用遮挡感知注意力SEAM,MultiSEAM改进Head,得到具有遮挡感知识别的SEAMHead,MultiSEAMHead.
  6. 优化plot_result.py,使用线性插值来填充inf或者nan的数据,降低出现乱码问题的概率.
  7. 更新使用教程.
  8. 更新百度云链接视频-20230203版本更新说明.

• 20240208-yolov8-v1.36

  1. 将所有改进代码同步到8.1.9上.

• 20240216-yolov8-v1.37

  1. 增加EMO模型中的iRMB模块,并使用(EfficientViT-CVPR2023)中的CascadedAttention对其二次创新得到iRMB_Cascaded.
  2. 新增Shift-ConvNets相关改进内容.(rtdetr-SWC.yaml,rtdetr-R50-SWC.yaml,yolov8-detr-C2f-SWC.yaml,yolov5-detr-C3-SWC.yaml)
  3. 使用UniRepLKNet中的DilatedReparamBlock对EMO中的iRMB进行二次创新.
  4. 使用Shift-ConvNets中的具有移位操作的卷积对EMO中的iRMB进行二次创新.
  5. 修复一些已知问题.
  6. 更新使用教程.
  7. 百度云视频增加20240216更新说明.

• 20240219-yolov8-v1.38文章来源地址https://www.toymoban.com/news/detail-831322.html

  1. 使用最新的Mamba架构(号称超越Transformer的新架构)改进C2f(提供两种改进方式).
  2. 新增Powerful-IoU,Powerful-IoUV2,Inner-Powerful-IoU,Inner-Powerful-IoUV2,Focaler-Powerful-IoU,Focaler-Powerful-IoUV2,Wise-Powerful-IoU(v1,v2,v3),Wise-Powerful-IoUV2(v1,v2,v3)系列.
  3. 修复一些已知问题.
  4. 更新使用教程.
  5. 百度云视频增加20240219更新说明.

到了这里，关于YOLOV8改进系列指南的文章就介绍完了。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！