本文主要是介绍特征融合篇 | YOLOv8 引入长颈特征融合网络 Giraffe FPN,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
在本报告中,我们介绍了一种名为DAMO-YOLO的快速而准确的目标检测方法,其性能优于现有的YOLO系列。DAMO-YOLO是在YOLO的基础上通过引入一些新技术而扩展的,这些技术包括神经架构搜索(NAS)、高效的重参数化广义FPN(RepGFPN)、带有AlignedOTA标签分配的轻量级头部以及蒸馏增强。特别地,我们使用MAE-NAS,一种受最大熵原理指导的方法,在低延迟和高性能的约束下搜索我们的检测骨干网络,生成类似ResNet / CSP的结构,带有空间金字塔池化和聚焦模块。在颈部和头部的设计中,我们遵循“大颈,小头”的原则。我们引入了具有加速的queen-fusion的广义FPN来构建检测器颈部,并通过高效的层聚合网络(ELAN)和重参数化来升级其CSPNet。然后,我们研究了检测器头部大小对检测性能的影响,并发现具有仅一个任务投影层的重颈部会产生更好的结果。此外,我们提出了AlignedOTA来解决标签分配中的错位问题。还引入了一种蒸馏方案,以将性能提升到更高水平。基于这些新技术,我们构建了一系列不同尺度的模型,以满足不同场景的需求。对于一般的工业需求,我们提出了DAMO-YOLO-T/S/M/L。它们在COCO上的性能分别为43.6/47.7/50.2/51.9 mAPs,对应于T4 GPU上的延迟为2.78/3.83/5.62
这篇关于特征融合篇 | YOLOv8 引入长颈特征融合网络 Giraffe FPN的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!