网站空间商那个好,保定网站建设模板联系方式,中国机床网,蘑菇街网站建设方案《博主简介》 小伙伴们好#xff0c;我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源#xff0c;可关注公-仲-hao:【阿旭算法与机器学习】#xff0c;共同学习交流~ #x1f44d;感谢小伙伴们点赞、关注#xff01; 《------往期经典推…《博主简介》 小伙伴们好我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。 ✌更多学习资源可关注公-仲-hao:【阿旭算法与机器学习】共同学习交流~ 感谢小伙伴们点赞、关注 《------往期经典推荐------》
一、AI应用软件开发实战专栏【链接】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】
二、机器学习实战专栏【链接】已更新31期欢迎关注持续更新中~~ 三、深度学习【Pytorch】专栏【链接】 四、【Stable Diffusion绘画系列】专栏【链接】 五、YOLOv8改进专栏【链接】持续更新中~~
《------正文------》
前言
论文发表时间2023.02.03 paper地址https://arxiv.org/pdf/2302.01791.pdf github地址https://github.com/JIAOJIAYUASD/dilateformer 文章提出了一种新的注意力机制——多尺度空洞注意力MSDA。MSDA 能够模拟小范围内的局部和稀疏的图像块交互从而减少全局注意力模块中存在大量的冗余。因为作者发现在浅层次上注意力矩阵具有局部性和稀疏性两个关键属性这表明在浅层次的语义建模中远离查询块的块大部分无关全局注意力模块中存在大量的冗余。本文详细介绍了如何在yolov8中引入MSDA有效地减少自注意力机制的冗余无需复杂的操作和额外的计算成本并且使用修改后的yolov8进行目标检测训练与推理。本文提供了所有源码免费供小伙伴们学习参考需要的可以通过文末方式自行下载。 本文改进使用的ultralytics版本为ultralytics 8.0.227 目录 前言1.DilateFormer简介1.1 网络结构1.2 性能对比 2.YOLOv8添加MSDAYOLOv8网络结构前后对比定义相关类修改指定文件 3.加载配置文件并训练4.模型推理【源码免费获取】结束语 1.DilateFormer简介 摘要本文提出了一种新颖的多尺度空洞 Transformer简称DilateFormer以用于视觉识别任务。原有的 ViT 模型在计算复杂性和感受野大小之间的权衡上存在矛盾。众所周知ViT 模型使用全局注意力机制能够在任意图像块之间建立长远距离上下文依赖关系但是全局感受野带来的是平方级别的计算代价。同时有些研究表明在浅层特征上直接进行全局依赖性建模可能存在冗余因此是没必要的。为了克服这些问题作者提出了一种新的注意力机制——多尺度空洞注意力MSDA。MSDA 能够模拟小范围内的局部和稀疏的图像块交互这些发现源自于对 ViTs 在浅层次上全局注意力中图像块交互的分析。作者发现在浅层次上注意力矩阵具有局部性和稀疏性两个关键属性这表明在浅层次的语义建模中远离查询块的块大部分无关因此全局注意力模块中存在大量的冗余。 1.1 网络结构 1.2 性能对比 2.YOLOv8添加MSDA
YOLOv8网络结构前后对比 定义相关类
在ultralytics/nn/attention/中新建dilateformer.py,代码如下
修改指定文件
在 ultralytics/nn/tasks.py 上方导入相应类名,并在parse_model解析函数中添加如下代码
在ultralytics/cfg/models/v8文件夹下新建yolov8-C2f-MSDA.yaml文件内容如下
# Ultralytics YOLO , AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. modelyolov8n.yaml will call yolov8.yaml with scale n# [depth, width, max_channels]n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPss: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0n 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, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 3, C2f_MSDA, [512]] # 12- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 3, C2f_MSDA, [256]] # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]] # cat head P4- [-1, 3, C2f_MSDA, [512]] # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]] # cat head P5- [-1, 3, C2f_MSDA, [1024]] # 21 (P5/32-large)- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)3.加载配置文件并训练
加载yolov8-C2f-MSDA.yaml配置文件并运行train.py训练代码:
#coding:utf-8
from ultralytics import YOLOif __name__ __main__:model YOLO(ultralytics/cfg/models/v8/yolov8-C2f-MSDA.yaml)model.load(yolov8n.pt) # loading pretrain weightsmodel.train(datadatasets/TomatoData/data.yaml, epochs50, batch4)注意观察打印出的网络结构是否正常修改如下图所示
4.模型推理
模型训练完成后我们使用训练好的模型对图片进行检测
#coding:utf-8
from ultralytics import YOLO
import cv2# 所需加载的模型目录
# path models/best2.pt
path runs/detect/train3/weights/best.pt
# 需要检测的图片地址
img_path TestFiles/Riped tomato_8.jpeg# 加载预训练模型
# conf 0.25 object confidence threshold for detection
# iou 0.7 intersection over union (IoU) threshold for NMS
model YOLO(path, taskdetect)# 检测图片
results model(img_path)
res results[0].plot()
# res cv2.resize(res,dsizeNone,fx2,fy2,interpolationcv2.INTER_LINEAR)
cv2.imshow(YOLOv8 Detection, res)
cv2.waitKey(0)【源码免费获取】
为了小伙伴们能够更好的学习实践本文已将所有代码、示例数据集、论文等相关内容打包上传供小伙伴们学习。获取方式如下 关注下方名片G-Z-H【阿旭算法与机器学习】发送【yolov8改进】即可免费获取 结束语
关于本篇文章大家有任何建议或意见欢迎在评论区留言交流 觉得不错的小伙伴感谢点赞、关注加收藏哦
