YOLOv8改進 | 2023檢測頭篇 | 利用AFPN改進檢測頭適配YOLOv8版（全網獨家創新）

一、本文介紹

本文給大家帶來的改進機制是利用今年新推出的AFPN（漸近特征金字塔網絡）來優化檢測頭，AFPN的核心思想是通過引入一種漸近的特征融合策略，將底層、高層和頂層的特征逐漸整合到目標檢測過程中。這種漸近融合方式有助于減小不同層次特征之間的語義差距，提高特征融合效果，使得檢測模型能更好地適應不同層次的語義信息。本文在AFPN的結構基礎上，為了適配YOLOv8改進AFPN結構，同時將AFPN融合到YOLOv8中(因為AFPN需要四個檢測頭，我們只有三個，下一篇文章我會出YOLOv8適配AFPN增加小目標檢測頭)實現暴力漲點。

推薦指數：????

打星原因：為什么打四顆星是因為我覺得這個機制的計算量會上漲，這是扣分點，同時替換這個檢測頭剛開始前20個epochs的效果不好，隨著輪次的增加漲幅才能體現出來，這也是扣分點，我給結構打分完全是客觀的，并不是我推出的結構必須滿分。

專欄回顧：YOLOv8改進系列專欄——本專欄持續復習各種頂會內容——科研必備????

訓練結果對比圖->??

這次試驗我用的數據集大概有七八百張照片訓練了150個epochs，雖然沒有完全擬合但是效果有一定的漲點幅度，所以大家可以進行嘗試畢竟不同的數據集上效果也可能差很多，同時我在后面給了多種yaml文件大家可以分別進行實驗來檢驗效果。

目錄

一、本文介紹

二、AFPN基本框架原理?編輯

2.1 AFPN的基本原理

三、Detect_AFPN完整代碼

四、手把手教你添加Detect_AFPN檢測頭

4.1 修改一

4.2 修改二

4.3 修改三?

4.4 修改四?

4.5 修改五?

4.6 修改六?

4.7 修改七?

4.8 修改八

4.9 修改九?

五、Detect_AFPN檢測頭的yaml文件

六、完美運行記錄

七、本文總結

二、AFPN基本框架原理

論文地址：官方論文地址

代碼地址：官方代碼地址

2.1 AFPN的基本原理

AFPN的核心思想是通過引入一種漸近的特征融合策略，將底層、高層和頂層的特征逐漸整合到目標檢測過程中。這種漸近融合方式有助于減小不同層次特征之間的語義差距，提高特征融合效果，使得檢測模型能更好地適應不同層次的語義信息。

主要改進機制：
1. 底層特征融合：?AFPN通過引入底層特征的逐步融合，首先融合底層特征，接著深層特征，最后整合頂層特征。這種層級融合的方式有助于更好地利用不同層次的語義信息，提高檢測性能。

2. 自適應空間融合： 引入自適應空間融合機制（ASFF），在多級特征融合過程中引入變化的空間權重，加強關鍵級別的重要性，同時抑制來自不同對象的矛盾信息的影響。這有助于提高檢測性能，尤其在處理矛盾信息時更為有效。

3. 底層特征對齊： AFPN采用漸近融合的思想，使得不同層次的特征在融合過程中逐漸接近，減小它們之間的語義差距。通過底層特征的逐步整合，提高了特征融合的效果，使得模型更能理解和利用不同層次的信息。

個人總結：AFPN的靈感就像是搭積木一樣，它不是一下子把所有的積木都放到一起，而是逐步地將不同層次的積木慢慢整合在一起。這樣一來，我們可以更好地理解和利用每一層次的積木，從而構建一個更牢固的目標檢測系統。同時，引入了一種智能的機制，能夠根據不同情況調整注意力，更好地處理矛盾信息。

上面上AFPN的網絡結構，可以看出從Backbone中提取出特征之后，將特征輸入到AFPN中進行處理，然后它可以獲得不同層級的特征進行融合，這也是它的主要思想質疑，同時將結果輸入到檢測頭中進行預測。

(需要注意的是本文砍掉了最下面那一條線適應YOLOv8因為我們是三個檢測頭，下一篇文章我會出增加小目標檢測頭的然后四個頭的yolov8改進，從而適應AFPN的結構)。?

三、Detect_AFPN完整代碼

這里代碼是我對于2023年新提出的AFPN進行了修改然后適配YOLOv8的整體結構提出的檢測頭，本來該結構是四個檢測頭部分，但是我去除掉了一個從而適配yolov8，當然在我也在出一篇文章里會用到四頭的（增加輔助訓練頭，針對小目標檢測）講解(要不然一個博客放不下 這么多代碼)。

import math
from collections import OrderedDict
import torch
import torch.nn as nn
import torch.nn.functional as F
from ultralytics.nn.modules import DFL
from ultralytics.nn.modules.conv import Conv
from ultralytics.utils.tal import dist2bbox, make_anchors__all__ =['Detect_AFPN']def BasicConv(filter_in, filter_out, kernel_size, stride=1, pad=None):if not pad:pad = (kernel_size - 1) // 2 if kernel_size else 0else:pad = padreturn nn.Sequential(OrderedDict([("conv", nn.Conv2d(filter_in, filter_out, kernel_size=kernel_size, stride=stride, padding=pad, bias=False)),("bn", nn.BatchNorm2d(filter_out)),("relu", nn.ReLU(inplace=True)),]))class BasicBlock(nn.Module):expansion = 1def __init__(self, filter_in, filter_out):super(BasicBlock, self).__init__()self.conv1 = nn.Conv2d(filter_in, filter_out, 3, padding=1)self.bn1 = nn.BatchNorm2d(filter_out, momentum=0.1)self.relu = nn.ReLU(inplace=True)self.conv2 = nn.Conv2d(filter_out, filter_out, 3, padding=1)self.bn2 = nn.BatchNorm2d(filter_out, momentum=0.1)def forward(self, x):residual = xout = self.conv1(x)out = self.bn1(out)out = self.relu(out)out = self.conv2(out)out = self.bn2(out)out += residualout = self.relu(out)return outclass Upsample(nn.Module):def __init__(self, in_channels, out_channels, scale_factor=2):super(Upsample, self).__init__()self.upsample = nn.Sequential(BasicConv(in_channels, out_channels, 1),nn.Upsample(scale_factor=scale_factor, mode='bilinear'))def forward(self, x):x = self.upsample(x)return xclass Downsample_x2(nn.Module):def __init__(self, in_channels, out_channels):super(Downsample_x2, self).__init__()self.downsample = nn.Sequential(BasicConv(in_channels, out_channels, 2, 2, 0))def forward(self, x, ):x = self.downsample(x)return xclass Downsample_x4(nn.Module):def __init__(self, in_channels, out_channels):super(Downsample_x4, self).__init__()self.downsample = nn.Sequential(BasicConv(in_channels, out_channels, 4, 4, 0))def forward(self, x, ):x = self.downsample(x)return xclass Downsample_x8(nn.Module):def __init__(self, in_channels, out_channels):super(Downsample_x8, self).__init__()self.downsample = nn.Sequential(BasicConv(in_channels, out_channels, 8, 8, 0))def forward(self, x, ):x = self.downsample(x)return xclass ASFF_2(nn.Module):def __init__(self, inter_dim=512):super(ASFF_2, self).__init__()self.inter_dim = inter_dimcompress_c = 8self.weight_level_1 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_level_2 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_levels = nn.Conv2d(compress_c * 2, 2, kernel_size=1, stride=1, padding=0)self.conv = BasicConv(self.inter_dim, self.inter_dim, 3, 1)def forward(self, input1, input2):level_1_weight_v = self.weight_level_1(input1)level_2_weight_v = self.weight_level_2(input2)levels_weight_v = torch.cat((level_1_weight_v, level_2_weight_v), 1)levels_weight = self.weight_levels(levels_weight_v)levels_weight = F.softmax(levels_weight, dim=1)fused_out_reduced = input1 * levels_weight[:, 0:1, :, :] + \input2 * levels_weight[:, 1:2, :, :]out = self.conv(fused_out_reduced)return outclass ASFF_3(nn.Module):def __init__(self, inter_dim=512):super(ASFF_3, self).__init__()self.inter_dim = inter_dimcompress_c = 8self.weight_level_1 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_level_2 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_level_3 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_levels = nn.Conv2d(compress_c * 3, 3, kernel_size=1, stride=1, padding=0)self.conv = BasicConv(self.inter_dim, self.inter_dim, 3, 1)def forward(self, input1, input2, input3):level_1_weight_v = self.weight_level_1(input1)level_2_weight_v = self.weight_level_2(input2)level_3_weight_v = self.weight_level_3(input3)levels_weight_v = torch.cat((level_1_weight_v, level_2_weight_v, level_3_weight_v), 1)levels_weight = self.weight_levels(levels_weight_v)levels_weight = F.softmax(levels_weight, dim=1)fused_out_reduced = input1 * levels_weight[:, 0:1, :, :] + \input2 * levels_weight[:, 1:2, :, :] + \input3 * levels_weight[:, 2:, :, :]out = self.conv(fused_out_reduced)return outclass ASFF_4(nn.Module):def __init__(self, inter_dim=512):super(ASFF_4, self).__init__()self.inter_dim = inter_dimcompress_c = 8self.weight_level_0 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_level_1 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_level_2 = BasicConv(self.inter_dim, compress_c, 1, 1)self.weight_levels = nn.Conv2d(compress_c * 3, 3, kernel_size=1, stride=1, padding=0)self.conv = BasicConv(self.inter_dim, self.inter_dim, 3, 1)def forward(self, input0, input1, input2):level_0_weight_v = self.weight_level_0(input0)level_1_weight_v = self.weight_level_1(input1)level_2_weight_v = self.weight_level_2(input2)levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v, level_2_weight_v), 1)levels_weight = self.weight_levels(levels_weight_v)levels_weight = F.softmax(levels_weight, dim=1)fused_out_reduced = input0 * levels_weight[:, 0:1, :, :] + \input1 * levels_weight[:, 1:2, :, :] + \input2 * levels_weight[:, 2:3, :, :]out = self.conv(fused_out_reduced)return outclass BlockBody(nn.Module):def __init__(self, channels=[64, 128, 256, 512]):super(BlockBody, self).__init__()self.blocks_scalezero1 = nn.Sequential(BasicConv(channels[0], channels[0], 1),)self.blocks_scaleone1 = nn.Sequential(BasicConv(channels[1], channels[1], 1),)self.blocks_scaletwo1 = nn.Sequential(BasicConv(channels[2], channels[2], 1),)self.downsample_scalezero1_2 = Downsample_x2(channels[0], channels[1])self.upsample_scaleone1_2 = Upsample(channels[1], channels[0], scale_factor=2)self.asff_scalezero1 = ASFF_2(inter_dim=channels[0])self.asff_scaleone1 = ASFF_2(inter_dim=channels[1])self.blocks_scalezero2 = nn.Sequential(BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),)self.blocks_scaleone2 = nn.Sequential(BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),)self.downsample_scalezero2_2 = Downsample_x2(channels[0], channels[1])self.downsample_scalezero2_4 = Downsample_x4(channels[0], channels[2])self.downsample_scaleone2_2 = Downsample_x2(channels[1], channels[2])self.upsample_scaleone2_2 = Upsample(channels[1], channels[0], scale_factor=2)self.upsample_scaletwo2_2 = Upsample(channels[2], channels[1], scale_factor=2)self.upsample_scaletwo2_4 = Upsample(channels[2], channels[0], scale_factor=4)self.asff_scalezero2 = ASFF_3(inter_dim=channels[0])self.asff_scaleone2 = ASFF_3(inter_dim=channels[1])self.asff_scaletwo2 = ASFF_3(inter_dim=channels[2])self.blocks_scalezero3 = nn.Sequential(BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),)self.blocks_scaleone3 = nn.Sequential(BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),)self.blocks_scaletwo3 = nn.Sequential(BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),)self.downsample_scalezero3_2 = Downsample_x2(channels[0], channels[1])self.downsample_scalezero3_4 = Downsample_x4(channels[0], channels[2])self.upsample_scaleone3_2 = Upsample(channels[1], channels[0], scale_factor=2)self.downsample_scaleone3_2 = Downsample_x2(channels[1], channels[2])self.upsample_scaletwo3_4 = Upsample(channels[2], channels[0], scale_factor=4)self.upsample_scaletwo3_2 = Upsample(channels[2], channels[1], scale_factor=2)self.asff_scalezero3 = ASFF_4(inter_dim=channels[0])self.asff_scaleone3 = ASFF_4(inter_dim=channels[1])self.asff_scaletwo3 = ASFF_4(inter_dim=channels[2])self.blocks_scalezero4 = nn.Sequential(BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),BasicBlock(channels[0], channels[0]),)self.blocks_scaleone4 = nn.Sequential(BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),BasicBlock(channels[1], channels[1]),)self.blocks_scaletwo4 = nn.Sequential(BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),BasicBlock(channels[2], channels[2]),)def forward(self, x):x0, x1, x2 = xx0 = self.blocks_scalezero1(x0)x1 = self.blocks_scaleone1(x1)x2 = self.blocks_scaletwo1(x2)scalezero = self.asff_scalezero1(x0, self.upsample_scaleone1_2(x1))scaleone = self.asff_scaleone1(self.downsample_scalezero1_2(x0), x1)x0 = self.blocks_scalezero2(scalezero)x1 = self.blocks_scaleone2(scaleone)scalezero = self.asff_scalezero2(x0, self.upsample_scaleone2_2(x1), self.upsample_scaletwo2_4(x2))scaleone = self.asff_scaleone2(self.downsample_scalezero2_2(x0), x1, self.upsample_scaletwo2_2(x2))scaletwo = self.asff_scaletwo2(self.downsample_scalezero2_4(x0), self.downsample_scaleone2_2(x1), x2)x0 = self.blocks_scalezero3(scalezero)x1 = self.blocks_scaleone3(scaleone)x2 = self.blocks_scaletwo3(scaletwo)scalezero = self.asff_scalezero3(x0, self.upsample_scaleone3_2(x1), self.upsample_scaletwo3_4(x2))scaleone = self.asff_scaleone3(self.downsample_scalezero3_2(x0), x1, self.upsample_scaletwo3_2(x2))scaletwo = self.asff_scaletwo3(self.downsample_scalezero3_4(x0), self.downsample_scaleone3_2(x1), x2)scalezero = self.blocks_scalezero4(scalezero)scaleone = self.blocks_scaleone4(scaleone)scaletwo = self.blocks_scaletwo4(scaletwo)return scalezero, scaleone, scaletwoclass AFPN(nn.Module):def __init__(self,in_channels=[256, 512, 1024, 2048],out_channels=128):super(AFPN, self).__init__()self.fp16_enabled = Falseself.conv0 = BasicConv(in_channels[0], in_channels[0] // 8, 1)self.conv1 = BasicConv(in_channels[1], in_channels[1] // 8, 1)self.conv2 = BasicConv(in_channels[2], in_channels[2] // 8, 1)# self.conv3 = BasicConv(in_channels[3], in_channels[3] // 8, 1)self.body = nn.Sequential(BlockBody([in_channels[0] // 8, in_channels[1] // 8, in_channels[2] // 8]))self.conv00 = BasicConv(in_channels[0] // 8, out_channels, 1)self.conv11 = BasicConv(in_channels[1] // 8, out_channels, 1)self.conv22 = BasicConv(in_channels[2] // 8, out_channels, 1)# self.conv33 = BasicConv(in_channels[3] // 8, out_channels, 1)# init weightfor m in self.modules():if isinstance(m, nn.Conv2d):nn.init.xavier_normal_(m.weight, gain=0.02)elif isinstance(m, nn.BatchNorm2d):torch.nn.init.normal_(m.weight.data, 1.0, 0.02)torch.nn.init.constant_(m.bias.data, 0.0)def forward(self, x):x0, x1, x2 = xx0 = self.conv0(x0)x1 = self.conv1(x1)x2 = self.conv2(x2)# x3 = self.conv3(x3)out0, out1, out2 = self.body([x0, x1, x2])out0 = self.conv00(out0)out1 = self.conv11(out1)out2 = self.conv22(out2)return out0, out1, out2class Detect_AFPN(nn.Module):"""YOLOv8 Detect head for detection models."""dynamic = False  # force grid reconstructionexport = False  # export modeshape = Noneanchors = torch.empty(0)  # initstrides = torch.empty(0)  # initdef __init__(self, nc=80, channel=256,  ch=()):"""Initializes the YOLOv8 detection layer with specified number of classes and channels."""super().__init__()self.nc = nc  # number of classesself.nl = len(ch)  # number of detection layersself.reg_max = 16  # DFL channels (ch[0] // 16 to scale 4/8/12/16/20 for n/s/m/l/x)self.no = nc + self.reg_max * 4  # number of outputs per anchorself.stride = torch.zeros(self.nl)  # strides computed during buildc2, c3 = max((16, ch[0] // 4, self.reg_max * 4)), max(ch[0], min(self.nc, 100))  # channelsself.cv2 = nn.ModuleList(nn.Sequential(Conv(channel, c2, 3), Conv(c2, c2, 3), nn.Conv2d(c2, 4 * self.reg_max, 1)) for x in ch)self.cv3 = nn.ModuleList(nn.Sequential(Conv(channel, c3, 3), Conv(c3, c3, 3), nn.Conv2d(c3, self.nc, 1)) for x in ch)self.dfl = DFL(self.reg_max) if self.reg_max > 1 else nn.Identity()self.AFPN = AFPN(ch, channel)def forward(self, x):"""Concatenates and returns predicted bounding boxes and class probabilities."""x = list(self.AFPN(x))shape = x[0].shape  # BCHWfor i in range(self.nl):x[i] = torch.cat((self.cv2[i](x[i]), self.cv3[i](x[i])), 1)if self.training:return xelif self.dynamic or self.shape != shape:self.anchors, self.strides = (x.transpose(0, 1) for x in make_anchors(x, self.stride, 0.5))self.shape = shapex_cat = torch.cat([xi.view(shape[0], self.no, -1) for xi in x], 2)if self.export and self.format in ('saved_model', 'pb', 'tflite', 'edgetpu', 'tfjs'):  # avoid TF FlexSplitV opsbox = x_cat[:, :self.reg_max * 4]cls = x_cat[:, self.reg_max * 4:]else:box, cls = x_cat.split((self.reg_max * 4, self.nc), 1)dbox = dist2bbox(self.dfl(box), self.anchors.unsqueeze(0), xywh=True, dim=1) * self.stridesif self.export and self.format in ('tflite', 'edgetpu'):# Normalize xywh with image size to mitigate quantization error of TFLite integer models as done in YOLOv5:# https://github.com/ultralytics/yolov5/blob/0c8de3fca4a702f8ff5c435e67f378d1fce70243/models/tf.py#L307-L309# See this PR for details: https://github.com/ultralytics/ultralytics/pull/1695img_h = shape[2] * self.stride[0]img_w = shape[3] * self.stride[0]img_size = torch.tensor([img_w, img_h, img_w, img_h], device=dbox.device).reshape(1, 4, 1)dbox /= img_sizey = torch.cat((dbox, cls.sigmoid()), 1)return y if self.export else (y, x)def bias_init(self):"""Initialize Detect() biases, WARNING: requires stride availability."""m = self  # self.model[-1]  # Detect() module# cf = torch.bincount(torch.tensor(np.concatenate(dataset.labels, 0)[:, 0]).long(), minlength=nc) + 1# ncf = math.log(0.6 / (m.nc - 0.999999)) if cf is None else torch.log(cf / cf.sum())  # nominal class frequencyfor a, b, s in zip(m.cv2, m.cv3, m.stride):  # froma[-1].bias.data[:] = 1.0  # boxb[-1].bias.data[:m.nc] = math.log(5 / m.nc / (640 / s) ** 2)  # cls (.01 objects, 80 classes, 640 img)

四、手把手教你添加Detect_AFPN檢測頭

這里教大家添加檢測頭，檢測頭的添加相對于其它機制來說比較復雜一點，修改的地方比較多。

具體更多細節可以看我的添加教程博客，下面的教程也是完美運行的，看那個都行具體大家選擇。

添加教程->YOLOv8改進 | 如何在網絡結構中添加注意力機制、C2f、卷積、Neck、檢測頭?

4.1 修改一

首先我們將上面的代碼復制粘貼到'ultralytics/nn/modules' 目錄下新建一個py文件復制粘貼進去，具體名字自己來定，我這里起名為AFPN.py。

?

4.2 修改二

我們新建完上面的文件之后，找到如下的文件'ultralytics/nn/tasks.py'。這里需要修改的地方有點多，總共有7處，但都很簡單。首先我們在該文件的頭部導入我們AFPN文件中的檢測頭。

?

4.3 修改三?

找到如下的代碼進行將檢測頭添加進去，這里給大家推薦個快速搜索的方法用ctrl+f然后搜索Detect然后就能快速查找了。

?

4.4 修改四?

同理將我們的檢測頭添加到如下的代碼里。

?

4.5 修改五?

同理

?

4.6 修改六?

同理

?

4.7 修改七?

同理

?

4.8 修改八

這里有一些不一樣，我們需要加一行代碼

        else:return 'detect'

為啥呢不一樣，因為這里的m在代碼執行過程中會將你的代碼自動轉換為小寫，所以直接else方便一點，以后出現一些其它分割或者其它的教程的時候在提供其它的修改教程。?

?

4.9 修改九?

這里也有一些不一樣，需要自己手動添加一個括號，提醒一下大家不要直接添加，和我下面保持一致。

?

五、Detect_AFPN檢測頭的yaml文件

這個代碼的yaml文件和正常的對比也需要修改一下，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. 'model=yolov8n.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, [512]]  # 12- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f, [256]]  # 15 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 12], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f, [512]]  # 18 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f, [1024]]  # 21 (P5/32-large)- [[15, 18, 21], 1, Detect_AFPN, [nc, 256]]  # Detect(P3, P4, P5)

六、完美運行記錄

最后提供一下完美運行的圖片。

?

七、本文總結

到此本文的正式分享內容就結束了，在這里給大家推薦我的YOLOv8改進有效漲點專欄，本專欄目前為新開的平均質量分98分，后期我會根據各種最新的前沿頂會進行論文復現，也會對一些老的改進機制進行補充，目前本專欄免費閱讀(暫時，大家盡早關注不迷路~)，如果大家覺得本文幫助到你了，訂閱本專欄，關注后續更多的更新~

專欄回顧：YOLOv8改進系列專欄——本專欄持續復習各種頂會內容——科研必備

?

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/212997.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/212997.shtml
英文地址，請注明出處：http://en.pswp.cn/news/212997.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

【react hook】ahook的useThrottleEffect 是干嘛的

【react hook】ahook的useThrottleEffect 是干嘛的

import { useThrottleEffect } from ahooks;useThrottleEffect 是 React Hooks 中的一個自定義 Hook，用于創建具有節流效果的副作用函數。 在 React 組件中，副作用函數通常在組件生命周期方法中執行，如 componentDidMount、componentDidUpda…
閱讀更多...
軟件無線電SDR-頻譜采集python實現

軟件無線電SDR-頻譜采集python實現

sdr做的頻譜采集，保存的500張頻譜圖，能看出來是什么東西嗎？
閱讀更多...
VC++使用GetProcessTimes獲取進程創建時間、銷毀時間、用戶態時間、內核態時間

VC++使用GetProcessTimes獲取進程創建時間、銷毀時間、用戶態時間、內核態時間

一、GetProcessTimes函數簡介（微軟MSDN） 微軟提供了一個非常有用的API函數GetProcessTimes用來獲取進程創建時間、銷毀時間、用戶態時間、內核態時間，msdn連接為：GetProcessTimes 函數 (processthreadsapi.h) 其函數原型為&#…
閱讀更多...
Linux內核--內存管理(六)補充--內核頁表及內核虛擬空間

Linux內核--內存管理(六)補充--內核頁表及內核虛擬空間

目錄 一、引言 二、內核頁表的結構 ------>2.1、頁表項結構 ------>2.2、swapper_pg_dir ------>2.3、內核頁表布局 ------>2.4、物理/虛擬 地址轉換 ------>2.5、頁表容量及表項偏移 ------>2.6、表項掩碼及控制區域 ------>2.7、頁標志位 ---…
閱讀更多...
【測試發布】

【測試發布】

學習目標： 提示：這里可以添加學習目標 例如： 一周掌握 Java 入門知識 學習內容： 提示：這里可以添加要學的內容 例如： 搭建 Java 開發環境掌握 Java 基本語法掌握條件語句掌握循環語句 學習時間&#x…
閱讀更多...
基于NIQE算法的圖像無參考質量評價算法matlab仿真

基于NIQE算法的圖像無參考質量評價算法matlab仿真

目錄 1.算法運行效果圖預覽 2.算法運行軟件版本 3.部分核心程序 4.算法理論概述 4.1 空域NSS特征提取 4.2 圖像塊選取 4.3 MVG模型 4.4 NIQE指標 5.算法完整程序工程 1.算法運行效果圖預覽 2.算法運行軟件版本 MATLAB2022a 3.部分核心程序 clc; clear; close all; …
閱讀更多...
輕量封裝WebGPU渲染系統示例＜46＞- 材質組裝管線(MaterialPipeline)燈光、陰影、霧以及多Pass(源碼)

輕量封裝WebGPU渲染系統示例＜46＞- 材質組裝管線(MaterialPipeline)燈光、陰影、霧以及多Pass(源碼)

當前示例源碼github地址: https://github.com/vilyLei/voxwebgpu/blob/feature/material/src/voxgpu/sample/MaterialPipelineMultiPasses.ts 當前示例運行效果: 此示例基于此渲染系統實現，當前示例TypeScript源碼如下： export class MaterialPipelin…
閱讀更多...
Python----內置模塊

Python----內置模塊

1、什么是Python模塊 Python 模塊(Module)，是一個Python 文件，以 .py 結尾，包含了 Python 對象定義和Python語句。模塊能定義函數，類和變量，模塊里也能包含可執行的代碼。 2、模塊的分類 在Python中，模塊…
閱讀更多...
[ffmpeg] AVFrame 功能整理

[ffmpeg] AVFrame 功能整理

背景 AVFrame 主要用來存儲編碼前的原始數據。 AVFrame 結構體 在 frame.h 文件中 主要變量 uint8_t *data[AV_NUM_DATA_POINTERS]; // 存儲每個 planes 的數據 int linesize[AV_NUM_DATA_POINTERS]; // 每一行的音視頻數據 uint8_t **extended_data; // 視頻，…
閱讀更多...
java實現網絡聊天

java實現網絡聊天

網絡聊天實現步驟（從功能談論方法）： 客戶端： 1.登錄面板：注冊提醒用戶注冊格式，登錄賬號密碼不為空，點擊登錄的時候需要連接服務器端，啟動聊天面板。（監聽用戶點擊登錄…
閱讀更多...
Windows下nginx的啟動，重啟，關閉等功能bat腳本

Windows下nginx的啟動，重啟，關閉等功能bat腳本

echo off rem 提供Windows下nginx的啟動，重啟，關閉功能echo begincls ::ngxin 所在的盤符 set NGINX_PATHG:::nginx 所在目錄 set NGINX_DIRG:\projects\nginx-1.24.0\ color 0a TITLE Nginx 管理程序增強版CLSecho. echo. ** Nginx 管理程序 *** echo.…
閱讀更多...
JAVA使用HTTP代碼示例

JAVA使用HTTP代碼示例

你好，Java開發者們！今天，我要給你們帶來一場硬核的盛宴，那就是在Java中使用HTTP協議進行網絡通信的代碼示例。準備好接受挑戰了嗎？Lets go！ 首先，我們需要導入一些必要的庫，它們將成…
閱讀更多...
C++枚舉類

C++枚舉類

枚舉 C11有作用域枚舉和無作用域枚舉 無作用域枚舉 特點 全局作用域：無作用域枚舉的成員（枚舉值）在包含它們的作用域內是直接可見的，不需要使用枚舉類型名稱作為前綴。 隱式類型轉換：無作用域枚舉的成員可以隱式地轉換…
閱讀更多...
鴻蒙開發組件之ForEach列表

鴻蒙開發組件之ForEach列表

一、ForEach函數 ForEach函數是一個迭代函數，需要傳遞兩個必須參數和一個可選參數。主要通過迭代來獲取參數arr中的數據不斷的生成單個Item來生成鴻蒙中的列表樣式 二、先創建單個的Item的UI 通過嵌套Row與Column來實現單個Item的UI。例如圖中沒有折扣的可以看成一…
閱讀更多...
用23種設計模式打造一個cocos creator的游戲框架----(八)適配器模式

用23種設計模式打造一個cocos creator的游戲框架----(八)適配器模式

1、模式標準 模式名稱：適配器模式 模式分類：結構型 模式意圖：適配器模式的意圖是將一個類的接口轉換成客戶端期望的另一個接口。適配器模式使原本接口不兼容的類可以一起工作。 結構圖： 適用于： 系統需要使用現有的…
閱讀更多...
309. 買賣股票的最佳時機含冷凍期(leetcode) 動態規劃思想

309. 買賣股票的最佳時機含冷凍期(leetcode) 動態規劃思想

文章目錄 前言一、題目分析二、算法原理1.狀態表示2.狀態轉移方程3.初始化邊界條件4.填表順序5.返回值是什么 三、代碼實現總結 前言 在本文章中，我們將要詳細介紹一下Leetcode中買賣股票的最佳時機含冷凍期相關的內容，本題采用動態規劃的思想解決 一、…
閱讀更多...
uniapp藍牙傳輸中文亂碼問題

uniapp藍牙傳輸中文亂碼問題

uniapp藍牙傳輸中文亂碼問題 0 現狀 傳輸數字和字母的json字符串都可以解析，有個中文的硬件那邊就解析不了，替換一下發數據的處理函數即可 1 原先字符串轉化函數 const stringToBytes (msg) > {const buffer new ArrayBuffer(msg.length)const …
閱讀更多...
eclipse中一些文件的作用

eclipse中一些文件的作用

.idea文件夾 .idea和.settings文件夾是IntelliJ IDEA的配置文件夾，用于存儲項目的配置信息。這些文件夾中包含了許多XML文件，這些XML文件包含了項目的各種配置信息，例如編譯選項、運行配置、代碼樣式、版本控制等等。 包含了一些名為modules.…
閱讀更多...
PyQt6 QDateEdit日期控件

PyQt6 QDateEdit日期控件

?鋒哥原創的PyQt6視頻教程： 2024版 PyQt6 Python桌面開發 視頻教程(無廢話版) 玩命更新中~_嗶哩嗶哩_bilibili2024版 PyQt6 Python桌面開發 視頻教程(無廢話版) 玩命更新中~共計39條視頻，包括：2024版 PyQt6 Python桌面開發 視頻教程(無廢話…
閱讀更多...
多數元素算法(leetcode第169題)

多數元素算法(leetcode第169題)

題目描述： 給定一個大小為 n 的數組 nums ，返回其中的多數元素。多數元素是指在數組中出現次數 大于 ? n/2 ? 的元素。你可以假設數組是非空的，并且給定的數組總是存在多數元素。示例 1：輸入：nums [3,2,3] 輸出&am…
閱讀更多...
最新文章

Copyright @ 2022~2023