YOLOv11改进 | Conv篇 | 图像去雾卷积DEConv助力yolov11有效涨点(部署零额外开销)

YOLOv11有效涨点专栏
该专栏为热销专栏榜 第3名
专栏收录该内容
¥179.90
¥299.90
166 篇文章

一、本文介绍

本文给大家带来的最新改进机制是一个在低层视觉任务里很实用的小机制:DEConv(Detail-enhanced Convolution,细节增强卷积)。它的核心想法很简单:在训练阶段,用“普通卷积 + 若干差分卷积(像 Sobel 那样的方向梯度先验)”组成并联多分支,让网络更容易学到“边缘、纹理、轮廓”这类细节;而到了部署/推理阶段,再把这些分支折叠成一个标准 3×3 卷积,因此速度、参数量、FLOPs 和普通卷积几乎一样,但细节重建更优秀,本文内容包含DEConv改进YOLOv11的教程,以及DEConv的核心原理介绍。

这类“训练用多分支、部署时折叠”的思路和你可能听过的 RepVGG、RepConv 是一脉相承的:训练时给网络更多表达力,部署时把计算图化繁为简,如果你正在做去雾、去噪、超分、补全、雨雪去除等涉及纹理/边缘重建的任务,DEConv 是一个值得尝试的改进机制。

专栏目录(更多改进详见):YOLOv11改进系列专栏目录——本专栏持续复习各种顶会内容——上百种最新改进机制 


目录

一、本文介绍

二、原理介绍

三、核心代码

四、添加方法

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、正式训练

5.1 yaml文件

5.2 训练代码 

5.3 训练过程截图 

五、本文总结


二、原理介绍

官方论文地址:官方论文地址点击此处即可跳转

官方代码地址:官方代码地址点击此处即可跳转

YOLOv11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 - 针对多尺度、小目标、遮挡、恶劣天气等问题 在一些特定情况下,目标检测任务由于多种因素的影响,变得更加复杂和困难。以下是几类常见的困难目标检测场景:1. 小目标检测定义:小目标检测是指当目标在图像中的占比非常小时,模型需要准确识别和定位这些目标。典型场景包括远程监控、卫星图像分析等。挑战1. 低分辨率:由于目标在图像中占据像素较少,细节缺失,特征提取难度增加。2. 特征不足:小目标缺乏明显的形状和纹理特征,容易被复杂背景淹没。3. 检测难度大:由于小目标与背景之间的对比度较低,误检的几率上升。4. 数据不平衡。 4.2w 阅读·168 点赞·616 收藏 阅读详情

相关推荐

YOLOv11改进 | SPPF篇 | 2024最新AIFI模块改进特征金字塔网络(Transformer和YOLO的结合)

本文给大家带来是用最新的改进是RT-DETR模型中的AIFI模块间去替换YOLOv11中的SPPF。RT-DETR号称是打败YOLO的检测模型,其作为一种基于Transformer的检测方法,相较于传统的基于卷积的检测方法,提供了更为全面和深入的特征理解,将RT-DETR中的一些先进模块融入到YOLOv11往往能够达到一些特殊的效果,因为发论文并不一定要提高精度轻量化模型也是一个方向本文含yolov11和RT-DETR的结合文件,配合RT-DETR检测头)。

Snu77的博客 1万+

YOLOv11改进 | Conv改进篇 | 引入 DEConv细节增强卷积模块,能够恢复更多细节信息,含二次创新,提升小目标检测精度(全网独家创新)来自TIP 2024顶刊

本文介绍了一种细节增强卷积(DEConv)模块创新改进点。通过将先验信息(如图像的边缘信息)融入卷积层,DEConv提高了YOLOv11的泛化能力,使其在处理不同场景下的模糊或遮挡图像时,能够恢复更多细节信息,从而提升了目标检测精度。

Ai缝合怪、助力小伙伴高效发论文 616

【RT-DETR涨点改进】独家Conv改进篇 | 来自TIP 2024顶刊| 引入 DEConv细节增强卷积模块, 能够恢复更多细节信息,提升小目标检测精度、含多种不同模型改进点

本文提出了一种细节增强卷积(DEConv)模块,通过融合多种差异卷积(CDC、ADC、HDC、VDC)来增强图像特征表示能力,特别在边缘和纹理细节提取方面表现突出。该模块采用重参数化技术,在不增加计算成本的情况下,将先验信息融入常规卷积层,显著提升了RT-DETR模型在模糊或遮挡场景下的目标检测精度。实验验证了DEConv在多种骨干网络(ResNet18/50、HGNet等)中的有效性,为实时目标检测系统提供了轻量高效的改进方案。

Ai缝合怪、助力小伙伴高效发论文 460

YOLOv13涨点改进 | Conv改进篇 | 引入 DEConv细节增强卷积模块, 能够恢复更多细节信息,含DEC3k2二次创新,提升小目标检测精度(全网独家创新)来自TIP 2024顶刊

本文提出了一种细节增强卷积(DEConv)模块,通过将先验信息(如边缘信息)融入卷积层,显著提升了YOLOv13在复杂场景下处理模糊/遮挡图像时的目标检测性能。该模块结合多种差异卷积(CDC、ADC等)捕捉图像梯度信息,采用重参数化技术保持计算效率。实验表明,DEConv能有效增强特征表示和泛化能力,改善细节恢复与目标定位精度。文章详细介绍了模块实现、代码集成方法,并提供了三种改进配置方案(DEConv、DEC3k2、DEC3k2v2),为YOLO系列模型的性能优化提供了新思路。

Ai缝合怪、助力小伙伴高效发论文 367

YOLOv12涨点改进 | 独家创新、Conv改进篇 | TIP 2024顶刊 | 引入 DEConv细节增强卷积模块,能够恢复更多细节信息,含二次创新,提升小目标检测精度

本文提出了一种细节增强卷积(DEConv)模块,通过将边缘等先验信息融入卷积层,显著提升了YOLOv12在模糊/遮挡场景下的目标检测精度。DEConv结合多种差异卷积方式,有效增强特征表示能力和模型泛化性,并通过重参数化技术在不增加计算成本的情况下实现高效推理。实验表明,该模块能有效恢复细节信息并改善目标定位。文章还提供了DEConv的核心代码实现和三种改进方案(基础版DEConv、门控权重缝合版DEConv_2、以及结合注意力机制的增强版),并详细说明了在YOLOv12中的集成方法和对应的yaml配置文件

Ai缝合怪、助力小伙伴高效发论文 162

YOLO26涨点改进 | Conv创新改进篇 | TIP 2024顶刊 | 引入 DEConv细节增强卷积模块,能够恢复更多细节信息,含二次创新,提升小目标检测精度(全网独家创新)

本文提出了一种细节增强卷积(DEConv)模块,通过将图像边缘等先验信息融入卷积层,显著提升了YOLO26模型的特征表示和泛化能力。DEConv结合多种差异卷积操作,有效捕捉图像梯度信息和边缘细节,同时采用重参数化技术确保计算效率。实验表明,该模块在不增加计算负担的情况下,能够显著提升模糊或遮挡图像的目标检测精度。文章详细介绍了DEConv的核心代码实现,并提供了三种改进版本的YOLO26配置文件,为计算机视觉领域的研究者提供了可复用的创新方案。

Ai缝合怪、助力小伙伴高效发论文 218

YOLOv10改进 | Conv篇 | YOLOv10引入AKConv(轻量)

很明显,不同数据集和不同位置的目标的形状和大小是不同的。针对上述问题,本工作探索了可改变核卷积(AKConv),它赋予卷积核任意数量的参数和任意采样形状,为网络开销和性能之间的权衡提供更丰富的选择。简单介绍:本文给大家带来的改进内容是AKConv是一种创新的变核卷积,它旨在解决标准卷积操作么中的固有缺陷(采样形状是固定的),AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状,能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取特征,这在标准卷积和可变形卷积中并未实现。

tsg6698的博客 7473

YOLOv8改进 | Conv篇 | 最新轻量化自适应提取模块LAE助力边缘设备部署计算(附代码 + 修改教程 + 运行教程)

本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取(Lightweight Adaptive Extraction, LAE)模块,其是LSM-YOLO模型中的关键模块,旨在进行多尺度特征提取,同时降低计算成本。LAE通过以下方式实现更有效的特征提取:多尺度特征提取、自适应特征提取。LAE模块可以在不增加额外参数的情况下提高了模型对ROI区域的检测性能。​

Snu77的博客 3985

YOLOv9改进策略【损失函数篇】| Slide Loss,解决简单样本和困难样本之间的不平衡问题

本文记录的是改进YOLOv9的损失函数,将其替换成Slide Loss,并详细说明了优化原因,注意事项等。Slide Loss函数可以有效地解决样本不平衡问题,为困难样本赋予更高的权重,使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大,而困难样本相对稀疏,可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。

Limiiiing的博客 2623

YOLOv8改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络(全网首发)

本文给大家带来的改进机制是TransNeXt特征提取网络,其发表于2023年的12月份是一个最新最前沿的网络模型,将其应用在我们的特征提取网络来提取特征,同时本文给大家解决其自带的一个报错,通过结合聚合的像素聚焦注意力和卷积GLU,模拟生物视觉系统,特别是对于中心凹的视觉感知。这种方法使得每个像素都能实现全局感知,并强化了模型的信息混合和自然视觉感知能力。TransNeXt在各种视觉任务中,包括图像分类、目标检测和语义分割,都显示出优异的性能(该模型的训练时间很长这是需要大家注意的)。

Snu77的博客 4183

知识图谱实战:从零搭建一个企业级金融风控图谱(附完整代码)

本文提供了一份从零构建企业级金融风控知识图谱的实战指南。通过使用Neo4j图数据库和Python,手把手教你整合多源数据、设计数据模型,并利用Cypher查询与图算法挖掘隐藏的关联风险与欺诈网络,附有完整代码,助力金融科技从业者实现从数据孤岛到全局风险洞察的升级。

weixin_29095587的博客 373

在MCUXpresso上通过J-link烧写KW45

背景: KW45B是nxp 的ble npi产品,其使用的IDE为MCUXpressso或者IAR,MCUXpressso有一些bug,但是由于MCUXpressso阅读查找代码相对IAR容易,所以我经常使用的MCUXpressso进行开发。当然IAR也有其优势,比如编译、烧写速度相对MCUXpressso更快,是比较通用的一个平台,而MCUXpressso是NXP独有的。 Kw45有两种烧写方式,一是使用MCUlink,二是使用Jlink。NXP ble 产品线提供的IDE资料里有最新的15.0版本的

weixin_41889258的博客 2859

SAR成像系列:【3】合成孔径雷达(SAR)的二维回波信号与简单距离多普勒(RD)算法 (附matlab代码)

二维回波信号分析

zr2006_7的专栏 2万+

YOLOv11改进策略【损失函数篇】| 将激活函数替换为带有注意力机制的激活函数 ARelu

将ELSA中的函数Φ\PhiΦ用具有可学习参数α\alphaα和β\betaβ的网络层表示为LxiαβCαxixi0σβxixi≥0Lxi​αβCαxi​σβxi​​xi​0xi​≥0​,结合标准的Rectified Linear UnitsRxi0xi0xixi≥0Rxi​0xi​​xi​0xi​≥0​,得到可学习激活函数Fxiα。

Limiiiing的博客 2117

从询价到回款:一篇讲透 SAP SD 销售与分销的实战入门指南

摘要: SAP SD(Sales and Distribution)模块是SAP ERP中管理销售与分销的核心组件,贯穿从订单到回款(Order-to-Cash)的全流程。其核心价值在于将销售业务结构化,通过主数据(客户、物料、定价)和交易单据(订单、交货、发票)实现流程可审计、可自动化。SD模块与物流(MM)、生产(PP)、财务(FI)深度集成,涵盖定价策略、信用控制、发运管理、国际贸易等复杂场景。关键设计包括条件技术(Condition Technique)实现灵活定价,单据流(Document Flo

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 265

华为eNSP镜像包全集下载,包含CE6800、CE12800、NE系列等!

你好,这里是网络技术联盟站。昨天给大家介绍了win11、10下安装eNSP最新系列(1.3.00)并完美运行,附下载。从文章发布到发文前,一直有朋友想让瑞哥提供一下华为ENSP镜像包,今天安排!eNSP安装包、以及eNSP中所需要的镜像包(设备包)(CE、CX、NE40E、NE5000E、NE9000、USG)例如:导入一个USG设备包,eNSP中的USG5500和USG6000V都是可以启动的。如果你的报错“40”的话,那么打开Oracle VM VirtualBox这个虚拟机,删除对应报错的虚拟机,然后

网络技术联盟站 3万+

企业微信第三方应用014_企业微信5种第三方应用的安装方式_上架到应用市场_服务商后台点击安装测试_生成应用推广二维码安装---企业微信开发016

成员授权的意思就是,只要是这个成员扫码安装了这个应用,那么这个应用就只有这个成员可以用。安装的时候可以设置可见范围,这个地方可以设置整个公司或者是某个部门或者是某些人可以让这个应用来进行操作。创建了以后,这个二维码就可以发出来进行推广别人用户扫描了以后就可以把自己的企业微信给安装上对应的应用了。然后在对应的这个微信的企业后台就可以看到在第三方中有这个应用了。可以看到这个就是服务商的后台对应的一个应用,我们点击打开应用。可以看到这里有两个授权,一个是成员授权,一个是管理员授权。就可以去创建推广二维码了。

添柴程序猿的专栏 598

硅电容的工艺结构原理及选型参数总结

硅电容,也称为硅质电容或硅二极管电容,是一种特殊的电容器。它利用硅二极管的结构来实现电容的功能。本文对硅电容的工作原理,结构特点,选型参数及设计注意事项进行总结。

fydar的博客 2338

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

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

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

上一篇: 详解YOLOv13网络结构/改进/环境搭建/数据集获取/训练/推理/验证/导出/部署(含手绘网络结构图)
下一篇: YOLOv11改进 | Conv/卷积篇 | 引入GCBlock模块提升YOLOv11性能的全局上下文建模方法(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 2
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