YoloV12改进策略：卷积篇|风车卷积|即插即用

已于 2025-06-18 17:52:12 修改
阅读量166 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： YoloV12改进策略 文章标签： YOLO
于 2025-06-18 17:43:50 首次发布
不能复制，转发
本文链接：https://blog.csdn.net/m0_47867638/article/details/148745475

文章目录

摘要

🔍 论文亮点速览：

  • 🌀 创新卷积结构：提出风车形卷积(PConv)，完美匹配红外小目标的高斯分布特性
  • ⚖️ 智能动态损失：基于尺度的动态损失(SD Loss)，自适应调整不同尺寸目标的损失权重
  • 🛸 全新数据集：构建目前最大的实拍红外小目标数据集SIRST-UAVB
  • 📈 性能显著提升：在多个模型和数据集上实现SOTA性能，mAP提升最高达4.8%

在红外搜索与跟踪(IRST)领域，小目标检测一直是极具挑战性的任务。随着无人机技术的迅猛发展，红外小目标检测在军事防御和民用安防领域变得愈发重要。然而，传统方法面临三大难题：

  1. 微小目标特征提取难：目标仅占几个像素，缺乏纹理信息
  2. 复杂背景干扰大：云层、建筑等背景产生大量杂波
  3. 标注主观性影响大：人工标注存在显著波动误差

针对这些挑战，最新研究《Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrar

了解本专栏 订阅专栏 解锁全文
用于红外小目标检测的风车形卷积与基于尺度的动态损失函数
AI浩
05-20 1636
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。
YoloV8改进策略：卷积篇|风车卷积|即插即用
m0_47867638的博客
05-19 285
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。
论文阅读笔记系列（一）风车卷积-用于红外小目标检测的风车形卷积与基于尺度的动态损失
qq_58091161的博客
06-08 946
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了显著性能。然而，这些方法通常使用标准卷积，忽略了红外小目标像素分布的空间特性。为此，我们提出一种新型​​风车形卷积（PConv）​​，用于替换主干网络浅层的标准卷积。PConv更贴合红外小目标的​​类高斯空间分布​​，能提升特征提取能力，显著​​扩大感受野​​，且仅引入极少的参数增量。此外，现有损失函数虽结合了尺度损失和位置损失，但未充分考虑不同目标尺度下这些损失的敏感性差异，导致对​​暗弱小目标​​的检测性能受限。为此，我们提出​。
YOLOv12改进 | 卷积篇 | YOLOv12引入AAAI2025为红外小目标检测的风车形卷积——PConv（Pinwheel-shaped Convolution）
tsg6698的博客
03-31 1516
PConv在保持参数量适度增长（仅比标准3×3卷积增加约111%）的同时，实现了感受野提升178%的效果，在红外小目标检测任务中可有效增强目标与背景的对比度，提升弱小目标的检测率，具备可插拔、易部署、高性能的优势。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv12改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~在PConv.py文件里添加给出的PConv代码。
风车卷积-AAAI2025
寸先生的AI道路
04-15 1037
本文是发表于AAAI 2025的文章，介绍了一种新的红外小目标检测方法。代码开源：https://github.com/JN-Yang/PConv-SDloss-Data近年来，基于卷积神经网络 (CNN) 的红外小目标检测方法取得了显著成果。然而，这些方法通常使用标准卷积，忽略了红外小目标像素分布的空间特征。为此，本文提出了一种新型的风车形卷积 (PConv) 模块，用于替换骨干网络底层的标准卷积。
YoloV10改进策略：卷积篇|风车卷积|即插即用
m0_47867638的博客
05-23 70
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。
YoloV9改进策略：卷积篇|风车卷积|即插即用
m0_47867638的博客
05-19 159
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。
YoloV9改进策略：Block改进|使用ContextAggregation模块改善RepNCSP模块|即插即用
m0_47867638的博客
10-18 152
在计算机视觉领域，目标检测与实例分割任务一直是研究的热点。YoloV9作为目标检测领域的佼佼者，凭借其出色的性能和效率赢得了广泛的认可。然而，随着技术的不断进步，如何进一步提升YoloV9的性能成为了我们追求的目标。近期，我们引入了ContextAggregation模块对YoloV9进行了改进，取得了显著的效果提升。ContextAggregation模块是一种创新的上下文聚合方法，旨在通过聚合全局视觉上下文信息来增强目标特征。在YoloV9中，我们巧妙地使用ContextAggregation替换了原有
Yolo11改进策略：卷积篇-风车卷积-即插即用
m0_47867638的博客
05-27 198
论文标题：《Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection》论文链接：https://arxiv.org/pdf/2412.16986GitHub链接：https://github.com/JN-Yang/PConv-SDloss-Datahttps://arxiv.org/pdf/2412.16986 近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性
yolo学习笔记01——前置基础
qq_73960031的博客
08-28 971
本文介绍了计算机视觉中图像识别的三大任务：目标检测、图像分类和图像分割，重点分析了目标检测技术。目标检测需要识别物体类别并定位其位置，主要分为单阶段（如YOLO）和双阶段（如R-CNN）两种方法，前者速度快但精度较低，后者反之。文章详细阐述了目标检测的核心评估指标：交并比（IoU）衡量预测框与真实框的重合度，置信度反映模型对预测结果的信心程度，以及mAP通过PR曲线综合评估模型性能。这些技术在自动驾驶、安防监控、医疗影像等领域具有广泛应用。
[水果目标检测4]：YOLOv7-CA+追踪算法
cbdA_ZAI的博客
08-28 171
原文：Fruit Detection and Counting in Apple Orchards Based on Improved Yolov7 and Multi-Object Tracking Methods。
基于YOLOV5的电子围栏入侵检测
年轻即出发，
08-28 354
通过 YOLOv5 模型对监控画面中的目标（如人员、车辆）进行实时检测，输出目标的位置坐标（边界框信息）；若判定目标入侵围栏，系统即时触发告警机制（如推送弹窗、短信），同时关联视频截图或录像片段留存证据，形成 “目标检测 - 区域判定 - 告警响应” 的完整闭环，且可结合实际场景优化 YOLOv5 模型（如针对矿山场景标注数据训练，提升人员、矿车检测准确率），确保围栏判定的实时性（响应延迟≤1 秒）与准确性（入侵判定误报率≤5%）。│ └── ...（其余原始文件）转换命令（使用 ATC 工具）
无人机视角城市管理违规加盖顶棚大棚检测数据集VOC+YOLO格式1184张3类别
FL1623863129的博客
08-30 129
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["blue_cover","green_house","others"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1184。标注数量(xml文件个数)：1184。标注数量(txt文件个数)：1184。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
【完整源码+数据集+部署教程】硬币分类与识别系统源码和数据集：改进yolo11-SWC
2301_78772942的博客
08-29 1075
【完整源码+数据集+部署教程】硬币分类与识别系统源码和数据集：改进yolo11-SWC
【完整源码+数据集+部署教程】胚胎发育阶段检测系统源码和数据集：改进yolo11-SCConv
weixin_43860634的博客
08-29 1973
【完整源码+数据集+部署教程】胚胎发育阶段检测系统源码和数据集：改进yolo11-SCConv
基于YOLO11深度学习的桥梁缆索吊索缺陷检测系统【Python源码+Pyqt5界面+数据集+安装使用教程+训练代码】【附下载链接】
m0_37302966的博客
09-01 492
基于YOLO11深度学习的桥梁缆索吊索缺陷检测系统(带GUI界面)（Python源码+Pyqt5界面+1249张标注好的数据集+安装使用教程+训练好的模型+评估指标曲线+演示图片视频），开箱即用
YOLO 目标检测：YOLOv3网络结构、特征输出、FPN、多尺度预测
最新发布
2202_75674969的博客
09-01 733
YOLOv3是目标检测领域的经典模型，通过Darknet53主干网络实现高效特征提取，并引入残差连接缓解梯度消失。其核心创新在于多尺度检测机制，利用13×13、26×26、52×52三个不同分辨率的特征图分别检测大、中、小物体。通过FPN特征金字塔网络实现特征融合，结合自上而下的上采样和自下而上的卷积路径，将深层语义信息与浅层细节特征相结合，显著提升多尺度目标检测能力。模型采用CBL模块（卷积+批归一化+LeakyReLU）构建，最终输出包含边界框坐标、置信度和类别概率的预测结果。
基于YOLO11深度学习的植物叶片及缺陷检测系统【Python源码+Pyqt5界面+数据集+安装使用教程+训练代码】【附下载链接】
m0_37302966的博客
09-01 762
基于YOLO11深度学习的植物叶片及缺陷检测系统【Python源码+Pyqt5界面+数据集+安装使用教程+训练代码】【附下载链接】
YOLOv8--一些小样本数据增强方法
weixin_45679938的博客
09-01 592
水平翻转、垂直翻转、随机旋转、随机亮度调整、随机对比度调整、随机饱和度调整、随机灰度化、随机噪声添加、天气增强（云雾、亮度、对比度、饱和度等组合）、运动模糊增强、雾气增强、雨天增强、雪天增强。：场景无明确上下属性时（如卫星图像、水下拍摄），慎用于人像（翻转后不符合自然视角）。：大多数无方向属性的目标（如车辆、水果），避免用于文字、时钟等有固定方向的目标。：户外场景检测（如交通监控、无人机巡检），增强模型对雾天目标的识别能力。：增强模型对倾斜目标的识别能力（如货架上歪放的商品、倾斜停放的车辆）。
yolov11添加PSConv风车卷积
03-08
### 集成 PSConv (风车卷积) 到 YOLOv11 的实现方法 #### 1. 准备工作 为了在YOLOv11中集成PSConv，首先需要获取并安装必要的依赖项。这可以通过克隆Windmill开源项目的仓库来完成： ```bash git clone https://github.com/windmill-labs/windmill.git cd windmill curl https://raw.githubusercontent.com/windmill-labs/windmill/main/env -o .env ``` 上述命令用于下载`.env`文件以便于后续配置[^1]。 #### 2. 修改网络结构定义 接下来修改YOLOv11的网络架构以支持PSConv层。假设YOLOv11基于PyTorch框架构建，则可以在模型定义部分引入自定义的PSConv模块。具体来说，在模型类内部添加如下代码片段： ```python import torch.nn as nn class WindmillConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(WindmillConv, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding) def forward(self, x): return self.conv(x) ``` 此段代码创建了一个简单的卷积操作作为基础版本的PSConv示例[^2]。 #### 3. 覆盖默认设置 对于不同环境下的特殊需求，比如调整超参数或是改变某些行为模式，可以在相应位置加入特定条件判断逻辑，从而灵活地控制程序运行方式。例如，在开发环境中可能希望开启更多的调试信息输出等功能，这时就可以通过编辑`config/env/development.js`来进行更细致化的设定[^3]。 #### 4. 测试与验证 最后一步是对新集成的功能进行全面测试，确保其能够正常运作并无明显缺陷存在。建议先在一个较小规模的数据集上进行初步实验，待确认无误后再逐步扩大至更大范围的应用场景之中。
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

AI智韵

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