admin管理员组文章数量:1794759
YoloV8改进策略：ASF
摘要
涨点效果：在我自己的数据集上mAP50 由0.986涨到了0.989，mAP50-95由0.737涨到0.745，实现有效涨点！
本文提出了一种新型的Attentional Scale Sequence Fusion based You Only Look Once (YOLO)框架（ASF-YOLO），该框架结合了空间和尺度特征，以实现准确且快速的细胞实例分割。该框架建立在YOLO分割框架之上，采用Scale Sequence Feature Fusion (SSFF)模块增强网络的多尺度信息提取能力，并使用Triple Feature Encoder (TPE)模块融合不同尺度的特征图以增加详细信息。此外，还引入了一个Channel and Position Attention Mechanism (CPAM)，以整合SSFF和TPE模块，该机制专注于信息通道和空间位置相关的小物体，以改进检测和分割性能。在两个细胞数据集上的实验验证表明，本文提出的ASF-YOLO模型在分割准确性和速度方面均表现出色，在2018 Data Science Bowl数据集上达到了0.91的box mAP、0.887的mask mAP以及47.3 FPS的推理速度，超过了当前最先进的方法。
代码语言：javascript代码运行次数：0运行复制.2014.3001.5502经过验证，在小目标和密集目标场景有效涨点。
YoloV8官方结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 298 layers, 52723413 parameters, 0 gradients, 214.6 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:03<00:00, 3.80it/s]
all 230 1412 0.957 0.957 0.989 0.745
c17 230 131 0.974 0.985 0.994 0.823
c5 230 68 0.971 0.992 0.994 0.826
helicopter 230 43 0.972 0.93 0.975 0.595
c130 230 85 0.988 0.983 0.991 0.659
f16 230 57 0.995 0.947 0.978 0.642
b2 230 2 0.847 1 0.995 0.623
other 230 86 0.988 0.919 0.978 0.547
b52 230 70 0.957 0.946 0.982 0.818
kc10 230 62 0.987 0.968 0.989 0.833
command 230 40 0.974 1 0.995 0.82
f15 230 123 0.936 1 0.993 0.69
kc135 230 91 0.989 0.982 0.991 0.719
a10 230 27 1 0.616 0.953 0.48
b1 230 20 1 0.999 0.995 0.754
aew 230 25 0.939 1 0.973 0.785
f22 230 17 0.941 1 0.995 0.712
p3 230 105 0.998 1 0.995 0.816
p8 230 1 0.822 1 0.995 0.895
f35 230 32 1 0.957 0.995 0.585
f18 230 125 0.992 0.991 0.988 0.82
v22 230 41 0.994 1 0.995 0.672
su-27 230 31 0.981 1 0.995 0.859
il-38 230 27 0.992 1 0.995 0.845
tu-134 230 1 0.724 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.883 1 0.995 0.796
tu-22 230 98 0.995 1 0.995 0.808
本文标签： YoloV8改进策略ASF
版权声明：本文标题：YoloV8改进策略：ASF 内容由林淑君副主任自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.xiehuijuan.com/baike/1754669441a1704999.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论