网站建设需要交印花税吗,ae做动画教程网站,做营销网站推广,发外链软件YOLOv11v10v8使用教程#xff1a; YOLOv11入门到入土使用教程 YOLOv11改进汇总贴#xff1a;YOLOv11及自研模型更新汇总 《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》
一、 模块介绍 论文链接#xff1a;https://arxiv.org/abs/1807… YOLOv11v10v8使用教程 YOLOv11入门到入土使用教程 YOLOv11改进汇总贴YOLOv11及自研模型更新汇总 《Image Super-Resolution Using Very Deep Residual Channel Attention Networks》
一、 模块介绍 论文链接https://arxiv.org/abs/1807.02758 代码链接https://github.com/yulunzhang/RCAN
论文速览 卷积神经网络 CNN 深度对于图像超分辨率 SR 至关重要。但是我们观察到图像 SR 的更深网络更难训练。低分辨率输入和特征包含丰富的低频信息这些信息在各个通道中被平等对待因此阻碍了 CNN 的表示能力。为了解决这些问题我们提出了非常深的残差通道注意力网络 RCAN。具体来说我们提出了一种残差中的残差 RIR 结构来形成非常深的网络它由几个具有长跳跃连接的残差组组成。每个残差组都包含一些具有短 skip 连接的残差块。同时RIR 允许通过多个 skip 连接绕过丰富的低频信息使主网专注于学习高频信息。此外我们提出了一种通道注意力机制通过考虑通道之间的相互依赖关系来自适应地重新缩放通道特征。广泛的实验表明与最先进的方法相比我们的 RCAN 实现了更好的准确性和视觉改进。
总结RCAN中的RCAB模块可用于其他深度学习任务。 ⭐⭐本文二创模块仅更新于付费群中往期免费教程可看下方链接⭐⭐
YOLOv11及自研模型更新汇总含免费教程文章浏览阅读366次点赞3次收藏4次。群文件2024/11/08日更新。,群文件2024/11/08日更新。_yolo11部署自己的数据集https://xy2668825911.blog.csdn.net/article/details/143633356
⭐⭐付费项目简介融合上百种顶刊顶会模块的YOLO项目仅119赠百种改进的v9此外含自研模型与本文模块融合进行二创三创最快1-2周完成小论文改进实验代码每周更新上周更新超20二创模块欢迎QQ2668825911(或点击下方小卡片扫二维码)加我了解。⭐⭐
⭐⭐本项目并非简单的模块插入平均每个文章对应4-6个二创或自研融合模块有效果即可写论文或三创。本文项目使用ultralytics框架兼容YOLOv3\5\6\8\9\10\world与RT-DETR。⭐⭐ 已进群小伙伴可以先用下文二创及自研模块在自己的数据集上测试有效果再进行模块结构分析或继续改进。 二、二创融合模块
2.1 相关二创模块及所需参数 该模块可如图加入到C2f、C3、C3K2与自研等模块中代码见群文件所需参数如下。
C2f-变式模块 所需参数(c1, c2, n, shortcut, g, e)
C3-变式模块 所需参数(c1, c2, n, shortcut, g, e)
C3k2-变式模块 所需参数(c1, c2, n, c3k, e, g, shortcut)
RCRep2A及变式模块 所需参数(c1, c2, shortcut, e) 2.2更改yaml文件 (以自研模型为例) yam文件解读YOLO系列 “.yaml“文件解读_yolo yaml文件-CSDN博客 打开更改ultralytics/cfg/models/11路径下的YOLOv11.yaml文件替换原有模块。 # Ultralytics YOLO , AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# ⭐⭐Powered by https://blog.csdn.net/StopAndGoyyy, 技术指导QQ:2668825911⭐⭐# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. modelyolo11n.yaml will call yolo11.yaml with scale n# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 377 layers, 2,249,525 parameters, 2,249,509 gradients, 8.7 GFLOPs/258 layers, 2,219,405 parameters, 0 gradients, 8.5 GFLOPss: [0.50, 0.50, 1024] # summary: 377 layers, 8,082,389 parameters, 8,082,373 gradients, 29.8 GFLOPs/258 layers, 7,972,885 parameters, 0 gradients, 29.2 GFLOPsm: [0.50, 1.00, 512] # summary: 377 layers, 20,370,221 parameters, 20,370,205 gradients, 103.0 GFLOPs/258 layers, 20,153,773 parameters, 0 gradients, 101.2 GFLOPsl: [1.00, 1.00, 512] # summary: 521 layers, 23,648,717 parameters, 23,648,701 gradients, 124.5 GFLOPs/330 layers, 23,226,989 parameters, 0 gradients, 121.2 GFLOPsx: [1.00, 1.50, 512] # summary: 521 layers, 53,125,237 parameters, 53,125,221 gradients, 278.9 GFLOPs/330 layers, 52,191,589 parameters, 0 gradients, 272.1 GFLOPs# n: [0.33, 0.25, 1024]
# s: [0.50, 0.50, 1024]
# m: [0.67, 0.75, 768]
# l: [1.00, 1.00, 512]
# x: [1.00, 1.25, 512]
# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, RCRep2A_RCAB, [128, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 4, RCRep2A, [256, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 4, RCRep2A, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, RCRep2A, [1024, True]]- [-1, 1, SPPF_WD, [1024, 7]] # 9# YOLO11n head
head:- [[3, 5, 7], 1, align_3In, [256, 1]] # 10- [[4, 6, 9], 1, align_3In, [256, 1]] # 11- [[-1, -2], 1, Concat, [1]] #12 cat- [-1, 1, RepVGGBlocks, []] #13- [-1, 1, nn.Upsample, [None, 2, nearest]] #14- [[-1, 4], 1, Concat, [1]] #15 cat- [-1, 1, Conv, [256, 3]] # 16- [13, 1, Conv, [512, 3]] #17- [13, 1, Conv, [1024, 3, 2]] #18- [[16, 17, 18], 1, Detect, [nc]] # Detect(P3, P4, P5)# ⭐⭐Powered by https://blog.csdn.net/StopAndGoyyy, 技术指导QQ:2668825911⭐⭐2.3 修改train.py文件 创建Train脚本用于训练。
from ultralytics.models import YOLO
import os
os.environ[KMP_DUPLICATE_LIB_OK] TRUEif __name__ __main__:model YOLO(modelultralytics/cfg/models/xy_YOLO/xy_yolov1-ConvNeXt.yaml)# model YOLO(modelultralytics/cfg/models/11/yolo11l.yaml)model.train(data./datasets/data.yaml, epochs1, batch1, device0, imgsz320, workers1, cacheFalse,ampTrue, mosaicFalse, projectrun/train, nameexp,)
在train.py脚本中填入修改好的yaml路径运行即可训练数据集创建教程见下方链接。 YOLOv11入门到入土使用教程(含结构图)_yolov11使用教程-CSDN博客
