admin管理员组文章数量:1794759
YoloV8改进策略：LSKNet加入到YoloV8中，打造更适合小目标的YoloV8
点赞+关注，学习AI不迷路！！！
链接：.2014.3001.5502
摘要
LSKNet核心思想是通过学习旋转不变的特征表示来提高目标检测的性能。在目标检测任务中，特别是遥感图像的目标检测，目标的旋转是一个常见的挑战。为了解决这个问题，LSKNet采用了一种新颖的旋转敏感的卷积操作，能够有效地捕捉到遥感图像中目标的旋转信息。
LSKNet的设计思路是通过空间选择机制实现自适应感受野。在传统的卷积神经网络中，卷积核的大小是固定的，而在LSKNet中，卷积核的大小是根据输入动态确定的。这意味着该模型可以根据需要调整每个目标的感受野，从而更好地捕捉目标的特征。
除了旋转敏感的卷积操作外，LSKNet还利用了注意力机制来进一步提升目标检测的准确性。注意力机制是一种有效的技术，可以帮助模型更好地关注与目标相关的区域，并抑制无关区域的干扰。在LSKNet中，注意力机制被应用于特征表示上，使得模型能够更好地关注目标的特征，从而提高目标检测的准确性。
在实验中，LSKNet在各种目标检测数据集上都表现出了优异的性能。特别是在遥感图像的目标检测任务中，由于目标的旋转和复杂的背景干扰，传统的目标检测方法往往难以取得理想的结果。然而，LSKNet通过旋转敏感的卷积操作和注意力机制，有效地解决了这些问题，提高了目标检测的准确性。
LSKNet是一种改进的目标检测网络，具有处理旋转目标和自适应感受野的能力。通过引入注意力机制，该网络进一步提升了目标检测的准确性。我们将其引入到YoloV8网络，进一步探索LSKNet在Yolo系列框架的应用，优化网络的性能。
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: 778 layers, 35698980 parameters, 0 gradients
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:03
all 230 1412 0.969 0.943 0.99 0.74
c17 230 131 0.987 0.992 0.995 0.816
c5 230 68 0.954 1 0.994 0.787
helicopter 230 43 0.953 0.944 0.975 0.628
c130 230 85 0.994 0.976 0.989 0.667
f16 230 57 0.981 0.922 0.984 0.693
b2 230 2 0.953 1 0.995 0.722
other 230 86 0.97 0.919 0.958 0.527
b52 230 70 0.981 0.986 0.982 0.818
kc10 230 62 0.999 0.984 0.988 0.841
command 230 40 0.998 1 0.995 0.781
f15 230 123 0.992 0.953 0.994 0.673
kc135 230 91 0.981 0.989 0.99 0.697
a10 230 27 0.997 0.963 0.97 0.462
b1 230 20 0.988 1 0.995 0.701
aew 230 25 0.931 1 0.993 0.788
f22 230 17 0.991 1 0.995 0.757
p3 230 105 1 0.99 0.995 0.796
p8 230 1 0.826 1 0.995 0.597
f35 230 32 1 0.858 0.992 0.572
f18 230 125 0.961 0.988 0.988 0.816
v22 230 41 0.993 1 0.995 0.739
su-27 230 31 0.987 1 0.995 0.872
il-38 230 27 0.976 1 0.995 0.802
tu-134 230 1 0.864 1 0.995 0.895
su-33 230 2 1 0 0.995 0.895
an-70 230 2 0.898 1 0.995 0.826
tu-22 230 98 0.997 1 0.995 0.819
Speed: 0.2ms preprocess, 8.2ms inference, 0.0ms loss, 1.6ms postprocess per image
Results saved to runs\detect\train5
改进二
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 242 layers, 35557832 parameters, 0 gradients
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.80it/s]
all 230 1412 0.966 0.964 0.99 0.744
c17 230 131 0.987 0.992 0.995 0.817
c5 230 68 0.963 1 0.994 0.832
helicopter 230 43 0.93 0.953 0.969 0.605
c130 230 85 0.975 0.988 0.994 0.679
f16 230 57 1 0.961 0.97 0.682
b2 230 2 0.917 1 0.995 0.796
other 230 86 0.975 0.921 0.979 0.528
b52 230 70 0.971 0.971 0.987 0.822
kc10 230 62 1 0.974 0.988 0.843
command 230 40 0.99 1 0.995 0.804
f15 230 123 0.99 1 0.995 0.686
kc135 230 91 1 0.977 0.988 0.724
a10 230 27 1 0.412 0.955 0.476
b1 230 20 0.996 1 0.995 0.759
aew 230 25 0.916 1 0.992 0.767
f22 230 17 0.983 1 0.995 0.743
p3 230 105 1 0.966 0.995 0.808
p8 230 1 0.816 1 0.995 0.697
f35 230 32 1 0.937 0.991 0.525
f18 230 125 0.989 0.992 0.991 0.824
v22 230 41 0.992 1 0.995 0.688
su-27 230 31 0.986 1 0.995 0.853
il-38 230 27 0.987 1 0.995 0.847
tu-134 230 1 0.823 1 0.995 0.895
su-33 230 2 1 0.991 0.995 0.754
an-70 230 2 0.898 1 0.995 0.796
tu-22 230 98 0.997 1 0.995 0.844
Speed: 0.2ms preprocess, 4.5ms inference, 0.0ms loss, 0.8ms postprocess per image
mAP50和mAP50-95均有提点，而且参数量进一步降低！
.2014.3001.5502
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2023-10-24，如有侵权请联系 cloudcommunity@tencent 删除测试模型网络性能卷积神经网络本文标签： YoloV8改进策略LSKNet加入到YoloV8中，打造更适合小目标的YoloV8
版权声明：本文标题：YoloV8改进策略：LSKNet加入到YoloV8中，打造更适合小目标的YoloV8 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/1754671072a1705024.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