SAConv可切換空洞卷積
帶來的改進機制時可切換的空洞卷積
是一種創新型卷積網絡
專門為增強物體檢測和分割任務，中特征提取去設計
SAC核心時相同的輸入兒子應用到不同空洞率去進行卷積，設計特別開關函數融合這些不同卷積的成果
該方法可讓網絡更靈活的適應不同尺寸的特征
更準確的識別分割圖像物體
現代檢測器，廣泛使用兩次觀察思考機制
引入概念，遞歸特金字塔和可切換的空洞卷積
遞歸特征金字塔，自底向上的基礎層和上層網絡間額外加了反饋鏈接
而可切換的空洞卷積通過不同的空洞率對特征機械能卷積，使用函數進行二者的結果合并
兩種方法叫做DetectoRS ,顯著提升性能，
1、可切換空洞卷卷積SAC，
不同空洞率的應用，SAC核心思想對相同的輸入特征應用不同的空洞率計算，去應對不同尺度的特征
2、開關函數
使用開關函數去組合不同空洞率，
意味著不同位置對應的不同開關來控制SAC輸出
3、轉換機制，
SAC將傳統的卷積層換成SAC層，通過不同的空洞率去使用權重實現，
轉換機制時用平均池化層+1*1的卷積層實現開關功能
結構設計
SAC 包含三部分，兩個全部上下模塊+SAC組件
總結： SAC通過這些創新的設計和機制，提高了網絡在處理不同尺度和復雜度的特征時的適應性和準確性，從而在物體檢測和分割領域顯示出顯著的性能提升。
關鍵點
1、具有雙重觀察機制，對輸入特征進行兩次觀察，每次使用不同的空洞率，去捕獲不同尺度的特征信息，更深入的分析數據
2、開關卷積函數，不同空洞率得到的輸出結果和開關函數結合在一起，這些開關決定了兩次空洞卷積的信息，使用那些信息，最終的最終輸出特征，
總結，SAC通過雙重觀察并結合策略，能夠有效的處理復雜的特征模式，尤其時在尺度變化比較大的情況，提高了特征提取靈活性和適應性沒
1、轉換傳統層為SAC
展示了空洞卷積，傳統卷積SAC層，骨干網絡，每個3*3卷積轉化為SAC，轉換可以在卷積計算中不同的空洞率切換，
2、權重共享與訓練差異
在SAC不同空洞率進行切換，這些操作可以共享相同的權重，只有訓練差異，減少模型復雜性，
3、全局上下文模塊
SAC結構還包含另外兩個全局上下文模塊，這些哦為特征添加了圖像級別的信息，更好的去提取質量和準確性
總結：
SAC通過這額機制，允許網絡在不同的空洞率見轉換，，實現共享權重策略，提升特征提取額能力，在SAC檢測物體分割也優秀表現
YOLO 參數詳解
1
2
3
YOLOv8訓練參數詳解（全面詳細、重點突出、大白話闡述小白也 …
https://blog.csdn.net/qq_37553692/article/details/130898732
Yolov5參數解析_yolov5參數詳解-CSDN博客
https://blog.csdn.net/qq_56591814/article/details/127172215
Yolov8模型調參大全：超詳細解讀每一個參數_yolov8訓練參數-CS…
https://blog.csdn.net/weixin_45303602/article/details/140174159
YOLO（You Only Look Once）是一種實時目標檢測算法，廣泛應用于計算機視覺領域。YOLOv8是YOLO系列的最新版本，提供了許多可調參數來優化模型性能。以下是一些關鍵參數及其解釋：模型參數model: 模型文件的路徑，可以是預訓練模型（如yolov8n.pt）或模型配置文件（如yolov8n.yaml）。預訓練模型包含了模型的結構和訓練好的參數，適合直接使用。data: 數據集配置文件的路徑，例如coco128.yaml。該文件包含了訓練和驗證所需的圖像和標簽信息。epochs: 訓練的輪數，決定了模型將遍歷整個訓練數據集的次數。輪數越多，模型學習越充分，但訓練時間也會增加。訓練參數batch: 每個批次中的圖像數量。批次大小越大，模型學習效果越好，但需要更多的顯存。imgsz: 輸入圖像的尺寸，可以指定一個整數表示圖像的邊長，或指定寬度和高度的組合。save: 是否保存訓練的檢查點和預測結果。設置為True時，訓練過程中會保存模型的權重和訓練狀態。device: 訓練運行的設備，例如cuda:0表示使用第一個GPU，cpu表示使用CPU。優化參數optimizer: 選擇要使用的優化器，如SGD、Adam、AdamW等。不同的優化器適用于不同的任務。lr0: 初始學習率，控制模型參數更新的步幅。momentum: 動量，用于加速梯度下降過程，增加參數更新的穩定性。weight_decay: 權重衰減，防止過擬合。數據增強和正則化mosaic: 是否使用馬賽克數據增強，增加模型對圖像局部特征的學習能力。label_smoothing: 標簽平滑，減少模型對訓練數據的過擬合。dropout: 丟棄正則化，減少模型的過擬合風險。其他參數patience: 早停的等待輪數，如果在一定輪數內沒有性能提升，則停止訓練。workers: 數據加載時的工作線程數，增加數據讀取速度。resume: 是否從最后一個檢查點恢復訓練。
