YOLOv11改进 | 主干/Backbone篇 | 利用RT-DETR主干网络PPHGNetV2助力yolov11有效涨点(轻量化目标检测网络)

AI摘要

本文介绍利用RT - DETR模型主干HGNet替换YOLOv11主干。讲解了HGNetV2原理,包括其各模块如Stem层、HG块等。还给出HGNetV2代码,手把手教添加HGNetV2,提供不同版本yaml文件信息,最后记录运行情况并推荐YOLOv11改进专栏。

一、本文介绍

本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv11的主干,RT-DETR是最新今年由百度推出的第一款实时的ViT模型,其在实时检测的领域上号称是打败了YOLO系列,其利用两个主干一个是HGNet一个是ResNet,其中HGNet就是我们今天来讲解的网络结构模型,这个网络结构目前还没有推出论文,所以其理论知识在网络上也是非常的少,我也是根据网络结构图进行了分析(精度mAP提高0.05)。

 专栏回顾:YOLOv11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、HGNetV2原理讲解

三、HGNetV2的代码

四、手把手教你添加HGNetV2 

4. 1 HGNetV2-l的yaml文件(此为对比试验版本)

4.2 HGNetV2-x的yaml文件

五、运行成功记录

5.1 运行记录

5.2 训练代码 

六、本文总结


二、HGNetV2原理讲解

 ​

本文论文地址:RT-DETR论文地址

本文代码来源:HGNetV2的代码来源

​


PP-HGNet 骨干网络的整体结构如下: 

其中,PP-HGNet是由多个HG-Block组成,HG-Block的细节如下:

上面的图表是PP-HGNet神经网络架构的概览,下面我会对其中的每一个模块进行分析:

1. Stem层:这是网络的初始预处理层,通常包含卷积层,开始从原始输入数据中提取特征。

2. HG(层次图)块:这些块是网络的核心组件,设计用于以层次化的方式处理数据。每个HG块可能处理数据的不同抽象层次,允许网络从低级和高级特征中学习。

3. LDS(可学习的下采样)层:位于HG块之间的这些层可能执行下采样操作,减少特征图的空间维度,减少计算负载并可能增加后续层

YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进 Hello,各位读者们好.本文为最新YOLOv11有效涨点专栏目录,YOLOv11以及发布了一个月左右,这个过程中我也是给大家整理了许多的机制,其中包含了C3k2、主干(均支持根据yolov11训练的版本进行二次缩放,全系列都能轻量化)、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。 阅读详情

相关推荐

芒果YOLOv5改进47:主干Backbone篇之PPHGNetv2:改进版目标检测新范式骨干PPHGNetv2,独一无二的原创改进,有效提升YOLOv5检测器检测精度

YOLOv5代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构

包括YOLOv5、YOLOv7、YOLOv8等模型改进 1867

主干网络篇 | YOLOv8 更换主干网络之 HGNetV2

YOLOv8 更换主干网络之 HGNetV2

Coding... 4390

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

Hello,各位读者们好,本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新,订阅本专栏以后你不仅可以收获跟专栏的阅读权限,同时可以进Qq群,里面包含集成我所有创新的YOLO最新目录,和我本人录制的视频讲解教程,如果你想要在YOLOv8系列收获一篇论文,我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。

Snu77的博客 18万+

《RT-DETR魔术师》专栏介绍 & CSDN独家改进创新实战 & 专栏目录

通过本专栏的阅读,后续你也可以自己魔改网络,在网络不同位置(Backbone、head、neck、loss等)进行魔改,实现创新!!!

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; 7384

芒果YOLO11改进41:主干Backbone篇之PPHGNetv2:全网首发,目标检测新范式骨干PPHGNetv2,百度出品,提升YOLOv8检测能力

主干Backbone篇之PPHGNetv2:全网首发,目标检测新范式骨干PPHGNetv2,百度出品,提升YOLOv8检测能力

包括YOLOv5、YOLOv7、YOLOv8等模型改进 597

主干网络篇 | YOLOv5/v7 更换骨干网络之 HGNetv2 | 百度新一代超强主干网络

CSP Ghost Module 是 HGNetv2 的核心模块之一,它将深度卷积拆解为多个浅层卷积,并采用逐层融合策略,提升模型性能和效率。HGNetv2作为百度新一代超强主干网络,在性能和效率方面取得了显著提升,可广泛应用于各类视觉任务。HGNetv2的提出,推动了视觉骨干网络技术的发展,为相关领域研究提供了新的思路和方法。未来,HGNetv2将持续改进,并探索在更多领域中的应用,例如视频理解、医学影像分析等。相信在未来,HGNetv2将发挥更大的作用,为人工智能技术发展做出更大的贡献。

weixin_39818775的博客 1746

YOLOv 利用RT-DETR特征提取网络PPHGNetV2改进

在YOLOv8中引入RT-DETR模型的主干HGNetV2可以显著提高模型的性能,尤其是在目标检测的精度和速度方面。HGNetV2是一种基于Transformer的轻量级特征提取网络,它采用了Transformer的编码器-解码器结构,并结合了卷积神经网络的优点,在保证模型精度的同时,大幅降低了模型的计算量和参数量。HGNetV2的引入使得YOLOv8能够在保持高精度的同时,运行得更快,更轻量化,适用于对计算资源或部署空间受限的场景。

走向CTO的路上... 1701

YOLOv8改进,YOLOv8添加MLCA注意力机制(混合局部信道注意)

MLCA是一种即插即用的可扩展混合局部注意力机制,以在检测效果、速度和模型参数数量之间实现平衡,并使注意力机制同时包含通道信息、空间信息、局部通道信息和全局通道信息。

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 1875

HGNetV2泛化实验:替换骨干网络为HGNetV2,证明提出的多模态特征融合模块在不同骨干上的通用性

HGNetV2(Hierarchical Graph Network Version 2)是百度提出的一种轻量级高效骨干网络,专为计算资源受限场景(如移动端、边缘设备)设计,在目标检测和图像分类任务中平衡精度与速度。

Limiiiing的博客 606

即插即用篇 | YOLOv8 引入基于注意力机制的尺度内特征交互 | Attention-based Intra-scale Feature Interaction (AIFI)

YOLOv8 引入基于注意力机制的尺度内特征交互

Coding... 4468

YOLOv10改进,YOLOv10替换主干网络为PP-HGNetV2(百度飞桨视觉团队自研,独家手把手教程,助力涨点)

PP-HGNetV2(High Performance GPU Network V2) 是百度飞桨视觉团队自研的 PP-HGNet 的下一代版本,其在 PP-HGNet 的基础上,做了进一步优化和改进,最终在 NVIDIA GPU 设备上,将 "Accuracy-Latency Balance" 做到了极致,精度大幅超过了其他同样推理速度的模型。其在单标签分类、多标签分类、目标检测、语义分割等任务中,均有较强的表现。

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 1680

基于深度学习加速的YOLOv8模型优化:PP-HGNetV2与轻量化卷积的融合应用

在目标检测领域,YOLO系列(You Only Look Once)模型一直以其快速的推理速度和高效的性能著称。然而,随着深度学习模型规模的增加,尤其是在面对高分辨率图像时,模型的计算量和内存需求也不断增加。为了在保持高效性和精度的同时减少计算开销,轻量化卷积技术逐渐成为了研究的热点。本篇博客将探讨如何通过轻量化卷积技术优化PP-HGNetV2,并将其应用于YOLO模型的主干网络。我们将介绍PP-HGNetV2的特点、轻量化卷积的原理、以及具体的实现方式,最后通过详细的代码示例展示如何将这一技术应用于YOL

shrgegrb的博客 1412

[arcgis插件]在批量出图时,如何把图层属性表以动态表格的形式插入到布局页面

在批量出图时,如何把图层属性表以动态表格的形式插入到布局页面。

坐听风雨 4573

告别手动下载!用Python脚本5分钟搞定NREL风速数据(附完整API调用代码)

本文详细介绍了如何使用Python脚本自动化获取NREL风速数据,从API密钥申请到数据保存的全流程。通过完整的API调用代码和实战技巧,帮助研究人员和开发者高效下载全球高精度风速数据,告别繁琐的手动操作,提升工作效率。

weixin_33724059的博客 297

INMP441麦克风与ESP32的I2S音频采集实战指南

本文提供了INMP441数字麦克风与ESP32开发板通过I2S接口进行高质量音频采集的完整实战指南。详细讲解了硬件连接、软件配置、数据读取及基础处理,并分享了常见的避坑技巧与性能优化建议,帮助开发者快速构建物联网音频应用。

weixin_28396629的博客 599

关于爬虫源影视资源设置

本文介绍了Omnibox 2.1.3版本的爬虫脚本配置方法,重点演示了如何添加猫眼资源数据源。脚本包含完整的API请求处理、数据格式化、视频详情获取和弹幕匹配等功能模块。通过环境变量配置采集站API地址和弹幕API地址,支持视频列表获取、分类检索、详情查询和播放地址解析等功能。脚本采用模块化设计,包含完善的错误处理和日志记录机制,能够将采集站返回的数据转换为标准格式,并支持批量获取视频详情来丰富数据。同时提供了弹幕匹配功能,可根据视频文件名或播放地址自动匹配相关弹幕资源。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 4702

华为OD机试 - 魔法收积木 - 二进制(Java 新系统 200分)

华为OD机试 新系统 题库疯狂收录中,刷题。

学Java,找哪吒 445

将Windbg附加到软件进程上排查异常闪退的问题

使用Windbg和Process Explorer排查因为内存泄漏导致的软件异常闪退问题。

dvlinker的技术专栏 1万+

Test软件:Keysight二次开发_(3).安装与配置开发环境

在开始进行Keysight软件的二次开发之前,首先需要确保您的开发环境已经正确安装和配置。本节将详细介绍如何安装和配置必要的开发工具和依赖项,以便您能够顺利进行开发工作。

2401_87715305的博客 1414

LVGL hal disp(porting display)

LVGL本身是没有对接最终的显示框架的,所以到具体的某个平台上,需要自行porting。

Bigan(安)的博客 2098

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: YOLOv11改进 | 主干/Backbone篇 | 视觉变换器SwinTransformer目标检测网络( 适配yolov11全系列模型)
下一篇: YOLOv11改进 | 主干/Backbone篇 | 轻量化目标检测网络MobileViTv1改进yolov11有效涨点
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 3
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