admin管理员组文章数量:1487745
YoloV8改进策略：可变形大核注意力D
摘要
D-LKA一种新的注意力机制，解决了之前注意力机制在处理多模态和长程依赖关系方面的局限性。该文提出了一种可变形的大型卷积核，能够在感受野内全面地理解输入信息，提高了模型的性能。
作者还使用三组不同的医学图像数据集（Synapse、NIH Pancreas和Skin lesion）来评估D-LKA Attention的性能。通过与当前最先进的医学图像分割方法进行对比，该论文证明了D-LKA Attention在提高性能的同时，也能保证高效的计算速度。
我们使用D-LKA来改进YoloV8，效果如何呢？一起期待！！！！
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
改进一
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 316 layers, 54080128 parameters, 0 gradients, 245.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:04<00:00, 3.49it/s]
all 230 1412 0.934 0.982 0.99 0.747
c17 230 131 0.992 0.992 0.994 0.831
c5 230 68 0.921 1 0.988 0.836
helicopter 230 43 0.969 1 0.988 0.639
c130 230 85 0.933 0.986 0.992 0.675
f16 230 57 0.982 0.962 0.973 0.67
b2 230 2 0.847 1 0.995 0.749
other 230 86 0.865 0.942 0.965 0.531
b52 230 70 0.972 0.977 0.976 0.825
kc10 230 62 0.994 0.984 0.989 0.841
command 230 40 0.994 1 0.995 0.815
f15 230 123 0.985 0.976 0.994 0.696
kc135 230 91 0.986 0.989 0.99 0.696
a10 230 27 1 0.767 0.97 0.51
b1 230 20 0.979 1 0.995 0.709
aew 230 25 0.944 1 0.993 0.8
f22 230 17 0.965 1 0.995 0.757
p3 230 105 1 0.98 0.995 0.8
p8 230 1 0.744 1 0.995 0.697
f35 230 32 0.962 0.969 0.989 0.572
f18 230 125 0.986 0.992 0.988 0.821
v22 230 41 0.989 1 0.995 0.729
su-27 230 31 0.986 1 0.995 0.87
il-38 230 27 0.987 1 0.995 0.84
tu-134 230 1 0.414 1 0.995 0.895
su-33 230 2 1 1 0.995 0.759
an-70 230 2 0.827 1 0.995 0.796
tu-22 230 98 0.996 1 0.995 0.821
Speed: 0.4ms preprocess, 14.5ms inference, 0.0ms loss, 0.6ms postprocess per image
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): 394 layers, 53126232 parameters, 0 gradients, 267.9 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:09<00:00, 1.66it/s]
all 230 1412 0.948 0.971 0.99 0.744
c17 230 131 0.975 0.992 0.995 0.827
c5 230 68 0.955 1 0.993 0.829
helicopter 230 43 0.963 1 0.981 0.619
c130 230 85 0.965 0.978 0.994 0.679
f16 230 57 0.986 0.965 0.97 0.677
b2 230 2 0.834 1 0.995 0.847
other 230 86 0.82 0.93 0.959 0.537
b52 230 70 0.986 0.983 0.987 0.833
kc10 230 62 1 0.982 0.989 0.839
command 230 40 0.99 1 0.995 0.812
f15 230 123 0.992 1 0.995 0.688
kc135 230 91 0.985 0.989 0.99 0.7
a10 230 27 1 0.823 0.969 0.449
b1 230 20 1 0.989 0.995 0.682
aew 230 25 0.945 1 0.987 0.788
f22 230 17 0.923 1 0.995 0.767
p3 230 105 1 0.968 0.995 0.803
p8 230 1 0.778 1 0.995 0.697
f35 230 32 0.992 0.938 0.987 0.524
f18 230 125 0.988 0.992 0.989 0.819
v22 230 41 0.985 1 0.995 0.71
su-27 230 31 0.933 1 0.995 0.84
il-38 230 27 0.986 0.963 0.994 0.82
tu-134 230 1 0.767 1 0.995 0.895
su-33 230 2 1 0.735 0.995 0.754
an-70 230 2 0.85 1 0.995 0.824
tu-22 230 98 0.99 0.999 0.995 0.841
Speed: 0.2ms preprocess, 35.0ms inference, 0.0ms loss, 1.2ms postprocess per image
改进三
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 484 layers, 47856408 parameters, 0 gradients, 213.9 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:05<00:00, 2.76it/s]
all 230 1412 0.96 0.97 0.99 0.751
c17 230 131 0.979 0.992 0.993 0.827
c5 230 68 0.943 0.982 0.992 0.836
helicopter 230 43 0.954 0.956 0.981 0.607
c130 230 85 0.989 0.976 0.992 0.662
f16 230 57 0.965 0.947 0.989 0.679
b2 230 2 0.867 1 0.995 0.749
other 230 86 0.957 0.953 0.975 0.559
b52 230 70 0.985 0.971 0.987 0.841
kc10 230 62 0.998 0.984 0.99 0.847
command 230 40 0.989 1 0.995 0.827
f15 230 123 0.988 0.984 0.995 0.686
kc135 230 91 0.979 0.989 0.99 0.699
a10 230 27 1 0.577 0.955 0.43
b1 230 20 1 0.976 0.995 0.701
aew 230 25 0.946 1 0.987 0.767
f22 230 17 0.973 1 0.995 0.746
p3 230 105 1 0.968 0.995 0.799
p8 230 1 0.798 1 0.995 0.697
f35 230 32 1 0.956 0.994 0.599
f18 230 125 0.989 0.992 0.988 0.835
v22 230 41 0.985 1 0.995 0.73
su-27 230 31 0.987 1 0.995 0.874
il-38 230 27 0.985 1 0.995 0.841
tu-134 230 1 0.789 1 0.995 0.895
su-33 230 2 1 1 0.995 0.858
an-70 230 2 0.877 1 0.995 0.851
tu-22 230 98 0.993 0.99 0.995 0.831
Speed: 0.2ms preprocess, 20.8ms inference, 0.0ms loss, 0.4ms postprocess per image
改进四
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 305 layers, 46132716 parameters, 0 gradients, 291.5 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:05<00:00, 2.67it/s]
all 230 1412 0.965 0.977 0.991 0.744
c17 230 131 0.976 0.992 0.994 0.815
c5 230 68 0.995 0.971 0.994 0.825
helicopter 230 43 0.955 0.998 0.979 0.592
c130 230 85 0.977 0.981 0.994 0.652
f16 230 57 0.995 0.965 0.993 0.681
b2 230 2 0.95 1 0.995 0.749
other 230 86 0.988 0.926 0.982 0.537
b52 230 70 0.986 0.977 0.986 0.839
kc10 230 62 0.996 0.984 0.989 0.843
command 230 40 0.991 1 0.995 0.837
f15 230 123 0.984 0.993 0.995 0.689
kc135 230 91 0.979 0.989 0.991 0.72
a10 230 27 1 0.772 0.953 0.467
b1 230 20 1 0.965 0.995 0.738
aew 230 25 0.95 1 0.995 0.789
f22 230 17 0.936 1 0.995 0.745
p3 230 105 0.996 1 0.995 0.795
p8 230 1 0.837 1 0.995 0.796
f35 230 32 1 0.893 0.995 0.563
f18 230 125 0.99 0.992 0.992 0.83
v22 230 41 0.991 1 0.995 0.704
su-27 230 31 0.987 1 0.995 0.84
il-38 230 27 1 0.992 0.995 0.828
tu-134 230 1 0.807 1 0.995 0.895
su-33 230 2 0.92 1 0.995 0.63
an-70 230 2 0.885 1 0.995 0.854
tu-22 230 98 0.997 1 0.995 0.826
Speed: 0.3ms preprocess, 20.7ms inference, 0.0ms loss, 0.8ms postprocess per image
改进五
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv8l summary (fused): 280 layers, 47555908 parameters, 0 gradients, 168.1 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:01<00:00, 8.63it/s]
all 230 1412 0.962 0.966 0.987 0.748
c17 230 131 0.979 0.992 0.995 0.836
c5 230 68 0.975 0.985 0.993 0.848
helicopter 230 43 0.963 1 0.987 0.608
c130 230 85 0.988 0.978 0.995 0.649
f16 230 57 1 0.946 0.989 0.667
b2 230 2 0.892 1 0.995 0.824
other 230 86 0.956 0.942 0.97 0.539
b52 230 70 0.977 0.957 0.985 0.844
kc10 230 62 1 0.98 0.989 0.834
command 230 40 0.993 1 0.995 0.837
f15 230 123 0.918 0.995 0.99 0.692
kc135 230 91 0.979 0.989 0.99 0.706
a10 230 27 1 0.45 0.847 0.386
b1 230 20 0.996 1 0.995 0.749
aew 230 25 0.955 1 0.989 0.802
f22 230 17 0.885 1 0.995 0.739
p3 230 105 1 0.993 0.995 0.802
p8 230 1 0.85 1 0.995 0.796
f35 230 32 1 0.887 0.99 0.583
f18 230 125 0.983 0.992 0.994 0.825
v22 230 41 0.994 1 0.995 0.698
su-27 230 31 0.988 1 0.995 0.888
il-38 230 27 0.99 1 0.995 0.831
tu-134 230 1 0.827 1 0.995 0.895
su-33 230 2 1 1 0.995 0.697
an-70 230 2 0.891 1 0.995 0.796
tu-22 230 98 0.997 1 0.995 0.826
Speed: 0.1ms preprocess, 4.7ms inference, 0.0ms loss, 0.4ms postprocess per image
链接：
.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：2023-10-08，如有侵权请联系 cloudcommunity@tencent 删除论文模型数据性能测试本文标签： YoloV8改进策略可变形大核注意力D
版权声明：本文标题：YoloV8改进策略：可变形大核注意力D 内容由网友自发贡献，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.betaflare.com/shuma/1754688308a3177290.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