YOLOv8改进 | 独家创新篇 | 给YOLOv8增加辅助可逆分支结构(PGI,1:1改进)(全网独家创新,附视频讲解)

AI摘要

本文详述如何在YOLOv8中结合YOLOv9的DualDDetect检测头,创新性地引入辅助可逆分支结构(PGI),以增强模型训练。内容包括PGI原理、核心代码修改教程、损失计算、超参数调整,以及详细的视频教程。全网独家,旨在解决信息瓶颈和深度监督问题,提高目标检测性能。

一、本文介绍

本文给大家带来的是结合最新SOTA模型YOLOv9提出的辅助可逆分支结构(也就是增加辅助训练分支,PGI),该结构改动内容非常大,首先需要修改我们的yaml文件,之后需要修改检测头因为辅助可逆分支需要使用YOLOv9的DualDDetect检测头,之后我们还需要修改损失函数的计算方式以及NMS部分,本文的内容为我根据YOLOv9进行1:1移植,全网独家首发,同时本文的内容为单辅助分支 + 主干分,后面我还会发布双辅助分支 + 主分支的结构,同时针对于小白读者,我也提供了视频讲解(因为本文的修改比较大)所以大家不用担心因为变动比较大从而不会修改的问题,视频内已经介绍的非常详细了。

欢迎大家订阅我的专栏一起学习YOLO!

专栏目录:YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾:YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、原理介绍​编辑

2.1 可编程梯度信息

2.2 辅助可逆分支

2.3 多级辅助信息

2.4 PGI手撕结构图

三、核心代码

3.1 损失计算的文件夹百度网盘地址

3.2 手动注册的核心代码

3.3 检测头代码

四、3.1章节损失计算的添加教程

4.1 修改一

4.2 修改二

4.3 修改三

4.4 修改四

五、3.2章节代码的添加教程

5.1 修改一

5.2 修改二 

5.3 修改三 

5.4 修改四 

5.5 修改五 

5.6 修改六

5.7 修改七 

六、3.3章节检测头添加教程

6.1 修改一

6.2 修改二 

6.3 修改三 

6.4 修改四 

4.5 修改五

4.6 修改六 

4.7 修改七 

4.8 修改八 

4.9 修改九 

4.9 修改十

七、超参数额外添加 

八、PGI的yaml文件和运行截图

8.1 yaml文件

8.2 运行成功截图

九、全文总结


二、原理介绍

这张图(图3)展示了可编程梯度信息(PGI)及其相关网络架构和方法。图中展示了四种不同的网络设计:

a) PAN (Path Aggregation Network):这种网络结构主要用于改进特征融合,以提高目标检测的性能。然而,由于信息瓶颈的存在,网络中可能会丢失一些信息。

b) RevCol (Reversible Columns):这是一种旨在减少信息丢失的网络设计。它通过可逆的列结构来尝试维持信息流通不受损失,但如图中“Heavy Cost”所示,这种结构会增加计算成本。

c) 深度监督:这种方法通过在网络的多个层次中插入额外的监督信号来提高学习的效率和最终模型的性能。图中显示了通过深度监督连接的各个层。

d) 可编程梯度信息 (PGI):PGI是作者提出的一种新方法(我理解的这种方法就是在前向传播的过程中没有跳级链接),它主要由三个部分组成:
   1. 主分支:用于推理的架构。
   2. 辅助可逆分支:生

YOLOv8/YOLOv5算法改进【NO.104】引入YOLOv9提出模块PGI模块 借鉴YOLOv9核心思想引入到YOLOv8等算法中进行改进创新 阅读详情

相关推荐

深度学习论文: YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information及其PyTorch实现

首先,YOLOv9引入了革命性的可编程梯度信息(Programmable Gradient Information, PGI)技术,这一创新理念致力于解决深层神经网络中信息丢失的难题。传统的目标检测网络在传递深层信息时,经常丢失对最终预测至关重要的细节。然而,YOLOv9借助PGI技术,确保了网络在学习过程中能够维持完整的输入信息,从而获取更加可靠和精确的梯度信息,极大地提升了权重更新的准确性。这一独特的设计显著提高了目标检测的准确率,为实现实时、高精度的目标检测提供了强有力的支持。

mingo_敏 1214

YOLOv5独家原创改进:图像去噪 |一种新颖的双分支残差注意,助力低光照、红外小目标检测 | 2024年最新发表(全网独家首发)

本人在低光照、红外小目标数据集涨点惊喜

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; 1624

YOLOv8改进:独家创新篇 - 给YOLOv8增加辅助可逆分支结构(PGI,1:1改进)

YOLOv8作为目前最先进的目标检测算法之一,在精度和速度方面取得了显著进步。然而,YOLOv8模型在一些复杂场景下,例如小目标检测、低分辨率图像检测等,仍存在一些不足,例如精度不够高、泛化能力不强等。为了解决这个问题,本文提出了一种给YOLOv8模型增加辅助可逆分支结构(PGI,1:1改进)的方法,有效提升了模型在复杂场景下的目标检测性能。本文提出了一种给YOLOv8模型增加辅助可逆分支结构(PGI,1:1改进)的方法,有效提升了模型在复杂场景下的目标检测性能。

走向CTO的路上... 940

《手把手教你YOLOv9实战》,改进专栏目录

为了提供友好的操作效果,本专栏将会手把手搭建可视化界面,我将用PyQt5 搭建一个可视化界面,可视化界面能够实现基本的图像加载与检测功能,如支持视频、摄像头,还支持更换不同的 YOLOv9 模型,并适应不同领域(如口罩检测系统、人脸检测系统、工业缺陷检测系统等),界面灵活、功能强大。通过YOLOv9加以改进设计,形成新的算法框架,一起水科研和论文,专栏会一直持续更新中,本专栏适合目标检测、分割、分类。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2163

YOLOv9【第二章:核心架构原理篇·第1节】YOLOv9 论文精读——Learning What You Want to Learn!

🏆 本文收录于 《YOLOv9实战:从入门到深度优化》 专栏。该专栏系统复现并深度梳理全网主流 YOLOv9 改进方法与工程实战案例,覆盖分类、目标检测、实例分割、多目标追踪、关键点检测、旋转目标检测等多个方向,坚持 持续更新 + 深度解析 + 工程验证。

**My Coding Family** 208

yolov8多分支任务头训练

本文章主要介绍了如何使yolov8类似于yolop来进行多任务头的训练。

qq_41920323的博客 1750

YOLOv8改进,YOLOv8引入EffectiveSE注意力机制,二次创新C2f结构

EffectiveSE 模块是改进传统 SE 机制的一个关键组件,解决原始 SE 机制在卷积神经网络(CNN)中可能出现的信息丢失问题。原始的 SE 机制通过学习通道间的依赖关系,对通道进行加权,增强特征图。然而,传统SE模块通过两个全连接(FC)层对通道维度进行压缩再扩展,这一过程可能导致部分通道信息的丢失。而 EffectiveSE 模块的改进简化了这一结构,将原本的两个全连接层替换为一个全连接层,从而避免了通道维度的缩减,保留了原始的通道信息。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 810

特征融合篇 | YOLOv8 (ultralytics) 实现 YOLOv9 辅助可逆分支架构 | 附训练推理结构图 RepNCSPELAN4/ADown/SPPELAN/train/val

YOLOv8 (ultralytics) 实现 YOLOv9 辅助可逆分支架构

Coding... 4992

YOLOv8独家原创改进: 特征融合创新 | 一种基于内容引导注意力(CGA)的混合融合,实现暴力涨点 | IEEE TIP 2024 浙大

一种基于内容引导注意力(CGA)的混合融合,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; 2936

Yolov9的DualDDetect层

Yolov9中DualDDetect是两个DDetect的级联,而DDetect则是一个完全解耦的检测模块。

Littro Innovations 1055

基于辅助可逆分支结构(PGI)的YOLOv8改进-提升目标检测精度与计算效率【附核心实战代码】

residual = x # 保存输入,以便反向传播时使用return x + residual # 可逆结构在本篇文章中,我们深入探讨了YOLOv8改进中的一项创新技术辅助可逆分支结构(PGI)。PGI通过在YOLOv8模型中加入可逆的辅助分支,显著提升了低级特征的传递能力和目标检测精度,尤其在复杂环境中,如低对比度、小目标检测和密集场景中的表现有了显著改善。

一键难忘的博客 2802

最新版谷歌浏览器Axure插件(免翻墙)

本文介绍了在Chrome浏览器无法直接打开Axure导出HTML文件的解决方法。由于国内网络限制无法访问Chrome商店,需手动下载安装AxureRP扩展插件(提供百度网盘下载链接)。安装步骤包括:1)启用开发者模式;2)拖拽CRX文件或加载解压文件夹;3)勾选"允许访问文件网址"。同时还提示若浏览器版本过低可能无法正常运行,并给出了浏览器升级方法。该教程详细说明了从插件安装到浏览器升级的完整解决方案。

OldCat先生 2981

Decoder如何工作、Transformer如何训练、以及exposure bias问题

1、结合图文描述Decoder中各个模块是什么,以及是如何工作的。2、transformer是如何训练的。3、exposure bias问题造成的原因及解决方法

m0_59113542的博客 3346

某盾blackBox逆向——纯算

某盾blackBox逆向——纯算

Lzyydsb的博客 5901

【CTFhub】——hate_php2021

【CTFhub】——hate_php2021

manerzi的博客 1606

机器学习与深度学习基础概念

本篇主要介绍机器学习主要概念,包括不限于标签、特征、样本、训练、模型、回归模型、分类模型、泛化、过拟合、预测、平稳性、训练集、验证集、测试集。

专注大数据与人工智能技术分享,欢迎私信加群互相学习! 3万+

华为OD机试真题 新系统 2026-04-22 C++ 实现【小学生班长选举增强版】

9 月份开学第一天,小学某班级进行班长选举活动,班级共有 N 个学生,每个学生最多可投 3 票(对同一个人只能投一票),也可以弃权不投票,大家投票时写上对应学生的名字。 假设学生不存在重名。考虑到部分少数民族名字带分隔,且整体较长,同学在投票时为了方便,允许同学写全称,也可以只写其中的部分连续段。 例如班级里只有 2 个少数民族名称带点的同学:

MISAYAONE的博客 171

把表的每一次改动都记下来:SAP 表变更日志 DBTABLOG/DBTABPRT 与 SCU3 全面解析

摘要:SAP系统提供了数据库表变更日志功能(SCU3/DBTABLOG),用于追踪关键配置表的变更历史。该功能通过profile参数rec/client和表级技术设置双重开关控制,能记录谁在何时修改了哪些数据。与业务变更凭证(CDHDR/CDPOS)和应用日志(SLG1)不同,表变更日志提供技术层面的审计线索,适用于快速定位生产事故中的异常数据变更。但需注意其限制:不支持超宽表和大批量变更,且可能引发性能问题。建议将表变更日志与业务变更凭证、应用日志结合使用,构建完整的审计追踪体系。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1694

Unity 编辑器篇|(一)MenuItem菜单栏

"一级菜单/二级菜单上/三级菜单""一级菜单/二级菜单中 %#_B""一级菜单/二级菜单下 %&_C""一级菜单/二级菜单中 %#_B""一级菜单/二级菜单下 %&_C""GameObject/二级菜单""CONTEXT/组件名/菜单名""一级菜单/二级菜单上 #_A""Assets/二级菜单""一级菜单/二级菜单下""一级菜单/二级菜单上""一级菜单/二级菜单中""一级菜单/二级菜单下""一级菜单/二级菜单下""一级菜单/二级菜单上""一级菜单/二级菜单中""一级菜单/二级菜单下""自定义/Test"

游戏开发小Y的博客 13万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

上一篇: 【RT-DETR有效改进】全新的SOATA轻量化下采样操作ADown(轻量又涨点,附手撕结构图)
下一篇: YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测(全网独家首发)
Snu77
Snu77 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄5年 11万+粉丝 934原创
评论 9
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

Snu77

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