可以做公众号的网站吗,站长统计app软件,怎么做网站主导航,网站开发net目录 1.Yolov8介绍
2.野外火灾烟雾数据集介绍
3.Dynamic Snake Convolution
3.1 Dynamic Snake Convolution加入到yolov8
4.训练结果分析
5.系列篇 1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最…
目录 1.Yolov8介绍
2.野外火灾烟雾数据集介绍
3.Dynamic Snake Convolution
3.1 Dynamic Snake Convolution加入到yolov8
4.训练结果分析
5.系列篇 1.Yolov8介绍 Ultralytics YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型它建立在先前YOLO成功基础上并引入了新功能和改进以进一步提升性能和灵活性。它可以在大型数据集上进行训练并且能够在各种硬件平台上运行从CPU到GPU。
具体改进如下 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同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块 PAN-FPN毫无疑问YOLOv8依旧使用了PAN的思想不过通过对比YOLOv5与YOLOv8的结构图可以看到YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了同时也将C3模块替换为了C2f模块 Decoupled-Head是不是嗅到了不一样的味道是的YOLOv8走向了Decoupled-Head Anchor-FreeYOLOv8抛弃了以往的Anchor-Base使用了Anchor-Free的思想 损失函数YOLOv8使用VFL Loss作为分类损失使用DFL LossCIOU Loss作为分类损失 样本匹配YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式而是使用了Task-Aligned Assigner匹配方式 框架图提供见链接Brief summary of YOLOv8 model structure · Issue #189 · ultralytics/ultralytics · GitHub
2.野外火灾烟雾数据集介绍
数据集大小737张train:val:test 随机分配为7:2:1类别smoke 3.Dynamic Snake Convolution 论文 2307.08388.pdf (arxiv.org)
摘要血管、道路等拓扑管状结构的精确分割在各个领域都至关重要确保下游任务的准确性和效率。 然而许多因素使任务变得复杂包括薄的局部结构和可变的全局形态。在这项工作中我们注意到管状结构的特殊性并利用这些知识来指导我们的 DSCNet 在三个阶段同时增强感知特征提取、特征融合、 和损失约束。 首先我们提出了一种动态蛇卷积通过自适应地关注细长和曲折的局部结构来准确捕获管状结构的特征。 随后我们提出了一种多视图特征融合策略以补充特征融合过程中多角度对特征的关注确保保留来自不同全局形态的重要信息。 最后提出了一种基于持久同源性的连续性约束损失函数以更好地约束分割的拓扑连续性。 2D 和 3D 数据集上的实验表明与多种方法相比我们的 DSCNet 在管状结构分割任务上提供了更好的准确性和连续性。 我们的代码是公开的。 主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。本文关注到管状结构细长连续的特点并利用这一信息在神经网络以下三个阶段同时增强感知特征提取、特征融合和损失约束。分别设计了动态蛇形卷积Dynamic Snake Convolution多视角特征融合策略与连续性拓扑约束损失。 我们希望卷积核一方面能够自由地贴合结构学习特征另一方面能够在约束条件下不偏离目标结构太远。在观察管状结构的细长连续的特征后脑海里想到了一个动物——蛇。我们希望卷积核能够像蛇一样动态地扭动来贴合目标的结构。 3.1 Dynamic Snake Convolution加入到yolov8
核心代码
class DySnakeConv(nn.Module):def __init__(self, inc, ouc, k3) - None:super().__init__()self.conv_0 Conv(inc, ouc, k)self.conv_x DSConv(inc, ouc, 0, k)self.conv_y DSConv(inc, ouc, 1, k)def forward(self, x):return torch.cat([self.conv_0(x), self.conv_x(x), self.conv_y(x)], dim1)
详见
首发Yolov8涨点神器动态蛇形卷积Dynamic Snake Convolution实现暴力涨点 | ICCV2023_AI小怪兽的博客-CSDN博客 4.训练结果分析
训练结果如下
原始mAP0.5 0.839提升至0.965 YOLOv8-C2f-DySnakeConv summary: 249 layers, 3425699 parameters, 0 gradients, 8.7 GFLOPsClass Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 3/3 [00:0400:00, 1.60s/it]all 148 148 0.904 0.905 0.965 0.574
Speed: 0.4ms preprocess, 6.0ms inference, 0.0ms loss, 2.1ms postprocess per image
5.系列篇
1基于Yolov8的野外烟雾检测
2基于Yolov8的野外烟雾检测2多维协作注意模块MCA| 2023.9最新发布
3基于Yolov8的野外烟雾检测3动态蛇形卷积实现暴力涨点 | ICCV2023
4基于Yolov8的野外烟雾检测4通道优先卷积注意力CPCA | 中科院2023最新发表
