YOLOv11v10v8使用教程：??YOLOv11入門到入土使用教程
YOLOv11改進匯總貼：YOLOv11及自研模型更新匯總?
《CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery》
一、 模塊介紹
? ? ? ? 論文鏈接：https://arxiv.org/abs/2408.01897
? ? ? ? 代碼鏈接：GitHub - xiaochen925/CAF-YOLO
論文速覽：
????????物體檢測在生物醫學圖像分析中至關重要，尤其是對于病變識別。雖然目前的方法能夠熟練地識別和精確定位病變，但它們往往缺乏檢測微小生物醫學實體（例如，異常細胞、小于 3 毫米的肺結節）所需的精度，這些實體在血液和肺部病理學中至關重要。為了應對這一挑戰，我們提出了基于 YOLOv8 架構的 CAF-YOLO，這是一種靈活而強大的醫療對象檢測方法，它利用了卷積神經網絡 （CNN） 和轉換器的優勢。為了克服卷積核與遠程信息交互能力受限的限制，我們引入了注意力和卷積融合模塊 （ACFM）。該模塊增強了全局和局部特征的建模，從而能夠捕獲長期特征依賴關系和空間自相關。此外，為了改善 transformer 架構中前饋網絡 （FFN） 固有的受限單尺度特征聚合，我們設計了一個多尺度神經網絡 （MSNN）。該網絡通過提取不同尺度的特征來改進多尺度信息聚合。
總結：本文更新其中的ACFM模塊使用教程。?
??本文二創模塊僅更新于付費群中，往期免費教程可看下方鏈接??
YOLOv11及自研模型更新匯總（含免費教程）文章瀏覽閱讀366次，點贊3次，收藏4次。群文件2024/11/08日更新。,群文件2024/11/08日更新。_yolo11部署自己的數據集https://xy2668825911.blog.csdn.net/article/details/143633356
二、二創融合模塊
2.1 相關二創模塊及所需參數
????????該模塊暫無二創。
2.2更改yaml文件 (以自研模型為例)
yam文件解讀：YOLO系列 “.yaml“文件解讀_yolo yaml文件-CSDN博客
? ? ? ?打開更改ultralytics/cfg/models/11路徑下的YOLOv11.yaml文件，替換原有模塊。
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# ??Powered by https://blog.csdn.net/StopAndGoyyy, 技術指導QQ:2668825911??# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 377 layers, 2,249,525 parameters, 2,249,509 gradients, 8.7 GFLOPs/258 layers, 2,219,405 parameters, 0 gradients, 8.5 GFLOPss: [0.50, 0.50, 1024] # summary: 377 layers, 8,082,389 parameters, 8,082,373 gradients, 29.8 GFLOPs/258 layers, 7,972,885 parameters, 0 gradients, 29.2 GFLOPsm: [0.50, 1.00, 512] # summary: 377 layers, 20,370,221 parameters, 20,370,205 gradients, 103.0 GFLOPs/258 layers, 20,153,773 parameters, 0 gradients, 101.2 GFLOPsl: [1.00, 1.00, 512] # summary: 521 layers, 23,648,717 parameters, 23,648,701 gradients, 124.5 GFLOPs/330 layers, 23,226,989 parameters, 0 gradients, 121.2 GFLOPsx: [1.00, 1.50, 512] # summary: 521 layers, 53,125,237 parameters, 53,125,221 gradients, 278.9 GFLOPs/330 layers, 52,191,589 parameters, 0 gradients, 272.1 GFLOPs# n: [0.33, 0.25, 1024]
# s: [0.50, 0.50, 1024]
# m: [0.67, 0.75, 768]
# l: [1.00, 1.00, 512]
# x: [1.00, 1.25, 512]
# YOLO11n 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, 2, RCRep2A, [128, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 4, RCRep2A, [256, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 4, RCRep2A, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, RCRep2A, [1024, True]]- [-1, 1, ACFMAttention, []] # 9# YOLO11n head
head:- [[3, 5, 7], 1, align_3In, [256, 1]] # 10- [[4, 6, 9], 1, align_3In, [256, 1]] # 11- [[-1, -2], 1, Concat, [1]] #12 cat- [-1, 1, RepVGGBlocks, []] #13- [-1, 1, nn.Upsample, [None, 2, "nearest"]] #14- [[-1, 4], 1, Concat, [1]] #15 cat- [-1, 1, Conv, [256, 3]] # 16- [13, 1, Conv, [512, 3]] #17- [13, 1, Conv, [1024, 3, 2]] #18- [[16, 17, 18], 1, Detect, [nc]] # Detect(P3, P4, P5)# ??Powered by https://blog.csdn.net/StopAndGoyyy, 技術指導QQ:2668825911??
?2.3 修改train.py文件
? ? ? ?創建Train腳本用于訓練。
from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'if __name__ == '__main__':model = YOLO(model='ultralytics/cfg/models/xy_YOLO/xy_yolov1-ConvNeXt.yaml')# model = YOLO(model='ultralytics/cfg/models/11/yolo11l.yaml')model.train(data='./datasets/data.yaml', epochs=1, batch=1, device='0', imgsz=320, workers=1, cache=False,amp=True, mosaic=False, project='run/train', name='exp',)
?
?????????在train.py腳本中填入修改好的yaml路徑，運行即可訓練，數據集創建教程見下方鏈接。
YOLOv11入門到入土使用教程(含結構圖)_yolov11使用教程-CSDN博客
?
)
)
是什么？)
