YOLOv5改进系列(五) 更换Neck之BiFPN，AFPN，BiFusion

已于 2025-04-25 14:09:04 修改
阅读量9.9k 收藏 160
点赞数 63
CC 4.0 BY-SA版权
分类专栏： 人工智能（机器学习-深度学习-目标检测） 文章标签： YOLO 人工智能 深度学习 pytorch
于 2023-12-14 21:34:33 首次发布
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/weixin_44302770/article/details/135004915

文章目录

  • BiFPN
    • 一、BiFPN介绍
      • 1.1 简介
      • 1.2 BiFPN
        • （1）跨尺度连接
        • （2）加权特征融合
      • 1.3 EfficientDet
        • （1）模型框架
        • （2）复合缩放
    • 二、添加方式1：Add操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
    • 三、添加方式2：Concat操作
        • 第①步：在common.py中添加BiFPN模块
        • 第②步：在yolo.py文件里的parse_model函数加入类名
        • 第③步：创建自定义的yaml文件
        • 第④步：验证是否加入成功
        • 第⑤步：修改train.py
  • Neck之AFPN
    • 一、AFPN介绍
      • img1.1 简介
      • 1.2 提取多级特征
      • 1.3 渐进架构
      • 1.4 自适应空间融合
      • 1.5 实验
    • 二、更换AFPN的方法
        • 第①步：在common.py中添加AFPN模块
        • 第②步：修改yolo.py文件
        • 第③步：创建自定义的yaml文件
  • BiFusion
        • YOLOv6贡献
        • BiFusion Neck 融合的原理
        • BiFusion Neck结构图
        • 参数量与计算量
        • YOLOv5 BiFusion Neck 配置文件

BiFPN

详细解读

一、BiFPN介绍

1.1 简介

EfficientDet 是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。

EfficientDet = Backbone(EfficientNet) + Neck(BiFPN) + Head(class + box)

img

1.2 BiFPN

（1）跨尺度连接
  • 移除那些只有一条输入边的节点，这是因为如果一个节点只有一条输入边而没有特征融合，那么它对以融合不同特征为目标的特征网络的贡献就比较
了解本专栏 订阅专栏 解锁全文
YOLOv11改进Neck缝合双向特征金字塔网络BiFPN助力涨点【附案例代码】
一键难忘的博客
07-03 1052
在目标检测任务中，Neck结构的设计对多尺度特征的融合与信息流传递至关重要。传统的FPN与PAN虽然已经广泛应用于YOLO系列，但仍存在特征冗余、高层语义信息丢失等问题。为此，本文提出将 BiFPN（Bidirectional Feature Pyramid Network） 引入YOLOv11的Neck部分，通过更高效的双向路径融合策略与可学习的加权融合机制，实现检测精度和效率的双提升。
【YOLOv8创新升级1】：特征金字塔网络 BiFPN与YOLOv8相结合 （代码实现）
最新发布
qq_42322398的博客
11-01 5293
Bi-directional Feature Pyramid Network（BIFPN）是一种用于多尺度目标检测的高效特征金字塔网络架构。BIFPN通过引入双向特征融合机制，增强了不同层次特征之间的信息交流，显著提高了网络对多尺度物体的识别能力。该架构利用底向上的路径传递高分辨率特征，同时通过顶向下的路径增强低分辨率特征，从而实现高效的信息融合。BIFPN的设计不仅提高了特征的表达能力，还减少了计算成本和模型复杂度。
YOLOv5结合BiFPN
热门推荐
曾星的博客
04-28 3万+
现在yolov5的neck用的是PANet，在efficient论文中提出了BiFPN结构，还有更加不错的性能。所以就尝试将yolov5中的PANet层改为BiFPN。 需要修改的地方 主要是修改yaml配置文件 我修改的是yolov5x.yaml，将concat层连接不同的layer。有三层BiFPN，最后输出为了和yolov5对应，我没有用在论文里写的p3-p7五个节点，我只用了三个。（这里应该要用relu使w>0，我训练报错就没有用relu） 修改common.py class Concat
【YOLOv5改进系列(12)】高效涨点(强推!!!)----使用BiFPN特征融合方式替换yolov5中的PANet网络
慕溪同学的博客
05-12 6442
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
在Yolov5中，使用BiFPN
qq_53821866的博客
10-11 4512
BiFPN（Bi-directional Feature Pyramid Network）是一种用于目标检测任务的特征金字塔网络结构。在传统的目标检测算法中，通常使用特征金字塔网络（Feature Pyramid Network，简称FPN）来提取不同尺度的特征。FPN通过在网络中添加额外的侧分支和上采样操作来获得多尺度的特征图。然而，在FPN中，上采样和下采样操作之间的信息流只是单向的。BiFPN通过在不同尺度的特征金字塔网络中引入双向连接，实现了跨层级的信息交流和融合。
yoloV5更换BiFPN结合小目标检测层
Zeng999212的博客
01-24 1万+
小目标检测层结合BiFPN
YOLOv5改进之BiFPN(含代码，超详细哦)
kay_545
10-05 1万+
BiFPN即“双向特征金字塔网络”，是一种常用于计算机视觉任务，特别是目标检测和实例分割的神经网络架构。它扩展了特征金字塔网络（FPN），通过在金字塔级别之间引入双向连接，使信息能够在网络中同时进行自底向上和自顶向下的流动。以下是BiFPN的工作原理概述：1. 特征金字塔生成：最初，网络通过从骨干网络（通常是ResNet等卷积神经网络）的多个层中提取特征来生成特征金字塔。2. 双向连接：与传统FPN不同，BiFPN在特征金字塔相邻级别之间引入了双向连接。
YOLOv5改进系列(四) 本文(2.5万字) | 更换Neck | BiFPN | AFPN | BiFusion |
专注于人工智能学习，总结
12-29 1758
是继 2019 年推出 EfficientNet 模型之后，Google 人工智能研究小组Tan Mingxing等人为进一步提高目标检测效率，以 EfficientNet 模型和双向特征加权金字塔网络 BiFPN为基础，于2020 年创新推出的新一代目标检测模型，在COCO数据集上吊打其他方法。这里的yaml文件将所有的Concat换成了BiFPN_Add。BiFPN_Add本质是add操作，不是concat操作，因此BiFPN_Add的各个输入层要求大小完全一致（通道数、feature map大小等）
《人工智能专栏》必读150篇 | 阅读推荐 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-28 2097
人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程。6. Python与PyTorch。5. YOLOv8及其改进。2. 深度学习与目标检测。4. YOLOv5改进。
《人工智能专栏》必读150篇 | 专栏介绍 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
专注于人工智能学习，总结
12-25 1180
《人工智能专栏》专栏介绍 & 专栏目录 & Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
改进YOLOv5-添加Bifpn
11-15
yolov5的版本为7.0，如果版本一样，应该是可以添加成功的！
《人工智能-机器学习-深度学习-目标检测》专栏目录 & Python与PyTorch | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 |
专注于人工智能学习，总结
09-08 1560
走进神经网络 | 深度神经网络DNN | 卷积神经网络CNN | 区域卷积神经网络RNN | 目标检测 | 经典网络模型二十余种(LeNet-5 | AlexNet | ZFNet | VGGNet | GoogLeNet | ResNet | DenseNet | SeNet | MobileNet | ShuffleNet | RepVGG | MobileOne | FasterNet | R-CNN | SPPNet | Fast RNN | Faster RNN | R-FCN | SSD )
优化YOLOv5模型的Neck之BiFPN计算机视觉
带你成为别人眼中的大佬！
06-01 932
而在YOLOv5模型的构建过程中，Neck是非常重要的一个环节，它可以将从Backbone中提取的特征图进行归一化、融合、筛选等处理，从而使模型更加稳定和准确。而在Neck中，BiFPN（Bilateral Feature Pyramid Network）是一种比较新颖和有效的设计方案，能够有效地保留特征信息的同时，减少网络参数和运算量，提高模型的效率和性能。其中，YOLOv5是一种非常优秀的目标检测算法，其结合了神经网络和计算机视觉的相关技术，可实现对各种目标的智能识别和追踪，并具有较高的准确度和速度。
YOLOv5算法改进（6）— Neck网络介绍（AFPN和BiFPN）
突然好想你
10-15 3023
本篇文章就给大家介绍下AFPN和BiFPN，以为后面的Neck网络改进奠定基础，希望大家学习之后能够有所收获！
yolov5-7.0 添加BiFPN
heromps的博客
05-23 1万+
BiFPN是目标检测中神经网络架构设计的选择之一，为了优化目标检测性能而提出。主要用来进行多尺度特征融合，对神经网络性能进行优化。
YOLOv5改进-引入BiFPN
weixin_57130167的博客
05-02 7978
YOLOv5模型的Neck部分使用的是FPN+PAN结构，从neck特征融合入手，引入加权双向特征金字塔BiFPN来加强特征图的底层信息，使不同尺度的特征图进行信息融合，从而加强特征信息。
YOLOv5改进系列（12）——更换Neck之BiFPN
路人贾的博客
06-30 8289
手把手教你改进YOLOv5系列之更换BiFPN，含两种方式，超级详细！
YOLOv5添加BiFPN
m0_72826890的博客
07-31 1228
在cfg参数中，改为models/BiFPN-yolov5s.yaml。1、修改common.py文件。4、修改train.py并运行。1、修改common.py文件。4、修改train.py文件。5、运行train.py文件。3、修改yolo.py文件。3、修改yolo.py文件。2、新建一个yaml文件。2、新建yaml文件。
YOLOv8改进--添加bifpn结构
jisuaijicainiao的博客
04-07 6326
BIFPN我只是简单了解了一下他的结构图还未做深如了解，在此就不介绍了。可以自己先去研究论文，我研究完再补充。3.其中v8的配置文件修改为;
评论 5
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

小酒馆燃着灯

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