YOLO11改进：轻量化改进 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024

最新推荐文章于 2025-07-30 10:40:01 发布
最新推荐文章于 2025-07-30 10:40:01 发布
阅读量58 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLO11创新改进 文章标签： 人工智能 机器学习 YOLO 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CV_20231007/article/details/148845092

🚀🚀🚀引入了一个单头注意力模块，它固有地防止了头部冗余，同时通过并行结合全局和局部信息来提高准确性

🚀🚀🚀如何使用：1）结合C3k2二次创新使用

YOLO11n summary: 319 layers, 2,590,035 parameters, 2,590,019 gradients, 6.4 GFLOPs
YOLO11-C3k2_SHSA summary: 391 layers, 2,468,755 parameters, 2,468,739 gradients, 6.3 GFLOPs

结构图如下：

  ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️

包含注意力机制魔改、卷积魔改、检测头创新、损失&IOU优化、block优化&多层特征融合、 轻量级网络设计、25年最新顶会改进思路、原创自研paper级创新等

⭐⭐⭐ 2025年计算机视觉顶会创新点适用于Yolov5、Yolov8、Yolov10等各个Yolo系列，

了解本专栏 订阅专栏 解锁全文
YOLO11改进：小目标涨点系列篇 | 多头检测器，提升小目标检测能力
会AI的学姐
10-23 890
YOLO11有3个检测头，能够多尺度对目标进行检测，但对微小目标检测可能存在检测能力不佳的现象，因此添加一个微小物体的检测头，能够大量涨点，map提升明显；
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
05-28 6393
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
yolo11红外小目标检测与红外无人机视角行人/车辆检测
QQ_1309399183的博客
12-30 2586
yolo11红外小目标检测与红外无人机视角行人/车辆检测
YOLOv8独家改进： 注意力魔改 | 高效的部分自注意力（PSA）模块，来自YOLOv10
会AI的学姐
06-04 911
引入YOLOv10中的一种高效的部分自注意力（PSA）模块设计，在1×1卷积后将特征均匀地分为两部分。
Yolov5/Yolov7 引入CVPR 2023 BiFormer: 基于动态稀疏注意力构建高效金字塔网络架构，对小目标涨点明显
热门推荐
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-23 1万+
Yolov5/Yolov7 引入CVPR 2023 BiFormer: 基于动态稀疏注意力构建高效金字塔网络架构，对小目标涨点明显
YOLOv13改进：轻量化注意力 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024
最新发布
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
07-30 150
如何使用：1）结合A2C2f二次创新使用
YOLO11涨点优化：轻量化注意力 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
12-06 741
YOLO11-C3k2_SHSA相比原始yolo11n6.4 GFLOP降低至6.3 GFLOPs
YOLOv5涨点优化：轻量化注意力 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
02-07 138
如何使用：1）SHSABlock加入backbone使用；2）和C3结合二次创新；
YOLO11-Seg优化：轻量化改进 | 单头注意力模块，并行结合全局和局部信息提高准确度| SHViT CVPR2024
会AI的学姐
06-23 246
引入了一个单头注意力模块，它固有地防止了头部冗余，同时通过并行结合全局和局部信息来提高准确性
YOLO11涨点优化：小目标检测 | 多头检测器提升小目标检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
10-12 3384
引入多头检测器助力YOLO11，添加一个微小物体的检测头暴力提升小目标检测性能
YOLOv9改进策略【损失函数篇】| Slide Loss，解决简单样本和困难样本之间的不平衡问题
Limiiiing的博客
08-24 2177
本文记录的是改进YOLOv9的损失函数，将其替换成Slide Loss，并详细说明了优化原因，注意事项等。Slide Loss函数可以有效地解决样本不平衡问题，为困难样本赋予更高的权重，使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大，而困难样本相对稀疏，可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。
YOLOv11改进 | Neck篇 | 给yolov11分别增加小目标检测层P2和大目标检测层P6
Snu77的博客
11-06 4269
本文给大家带来的最新改机制是给YOLOv11增加分别增加小目标P2和大目标检测层P6（两个yaml文件），有的读者可能检测的目标是小目标，那么我们增加小目标检测层是非常容易涨点的，或者你的检测目标是图片占比很大的（很少有这样的）那么增加大目标检测层是非常好的选择，本文根据YOLOv8官方提供的P2和P6两个版本yaml文件，进行YOLOv11的参考性移植，大家可以选择P2或者P6作为自己的一个论文创新点.欢迎大家订阅我的专栏一起学习YOLO！
YOLOv11改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLOv1~YOLOv11的检测头变化详解
Limiiiing的博客
10-31 5588
在目标检测领域，小目标检测一直是一个具有挑战性的问题。算法以其高效快速的特点受到广泛关注，然而在面对小目标时，仍存在一些局限性。本文将介绍如何在中添加小目标检测层，以提高对小目标的检测能力。原始模型结构如下：详细内容参考：YOLOv11原始模型结构介绍 二、有效特征层对应的检测头类别 2.1 P3/8 - small检测头 原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。 适合检测尺寸大概在到像素左右的目标。 2.2 P4/16 - medium检测头 这个检
YOLO11小目标检测：解决创新点在自己数据集不涨点现象（遥感小目标车辆检测）
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
12-30 3828
创新点在不同数据集表现是不一致的，针对创新点在自己数据集不涨点的问题，可以将创新点放在网络不同位置进行验证，而不是一味的放弃换来换去的思路。
Yolov5/Yolov7损失函数改进：SlideLoss，解决简单样本和困难样本之间的不平衡问题
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
08-22 2124
SlideLoss| 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升也能够助力涨点。
YOLOv8改进：注意力系列篇 | 动态稀疏注意力（BiLevelRoutingAttention） | CVPR2023
会AI的学姐
10-14 1838
动态稀疏注意力（BiLevelRoutingAttention），实现更灵活的计算分配和内容感知，使其具备动态的查询感知稀疏性，引入到YOLOv8，1）与C2f结合实现二次创新；2）注意力机制使用；
RT-DETR算法优化改进：一种新颖的动态稀疏注意力(BiLevelRoutingAttention) | CVPR2023
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
11-13 1053
一种新颖的动态稀疏注意力BiLevelRoutingAttention；1）代替RepC3进行使用；2）BiLevelRoutingAttention直接作为注意力进行使用；
YOLOv8改进：Block涨点系列篇 | 极简的神经网络模型模块VanillaBlock | 华为诺亚2023
会AI的学姐
10-19 447
VanillaBlock保持轻量级的同时能够小幅涨点，与YOLOv8输出层结合
首发出炉Yolov5/Yolov7涨点神器：华为诺亚2023极简的神经网络模型 VanillaNet---VanillaBlock助力检测，实现暴力涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
05-27 2326
极简的神经网络模型 VanillaNet在 ImageNet 上就可以达到 83% 的精度，本文引入 VanillaBlock到yolov5在​crack缺陷检测项目map 0.954提升至 0.979，涨点明显，博主多个数据集亲测有效，实现暴力涨点；
第一个改进点：使用StarNet CVPR2024改进yolo11主干. 第二个改进点：使用StarNet CVPR2024中的StarBlock改进C3k2结构. 第三个改进点：使用了轻量化检测头 Lightweight Shared Convolutional Detection Head
03-26
好的，我现在要帮用户解决如何用StarNet CVPR2024改进YOLOv11的主干网络和C3k2结构，并实现轻量化的检测头的问题。首先，我需要先理解用户提到的各个组件和现有的技术。 首先，用户提到了StarNet CVPR2024中的...
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

会AI的学姐

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