YoloV8改进策略：复现HIC-YOLOv5，打造HIC-YOLOv8，用于小物体检测VIP免费

1/YoloV8 改进策略：复现 HIC-YOLOv5，打造 HIC-YOLOv8，用于小物体检测文章目录摘要论文《HIC-YOLOv5：改进的 YOLOv5，用于小物体检测》1、简介2、相关工作3、方法4、实验结果5、结论Yolov8 官方结果CBAM 注意力机制 Involution 内卷安装 mmcv 库改进一：使用 CBAM、Involution 和新的检测头来改进YoloV8 改进方法出现 loss 为 nan 的问题测试结果改进二：使用 CBAM、Involution 来改进YoloV8 改进方法测试结果总结摘要HIC-YOLOv5 主要贡献可以总结如下：额外的预测头专为小物体设计。它在更高分辨率的特征图中检测物体，这些特征图包含更多关于微小和小物体的信息。添加了一个内卷积块作为主干和颈部之间的桥梁，以增加特征图的通道信息。在主干的末端应用了 CBAM，从而提取了更多重要的通道和空间信息，同时忽略了冗余的信息。结果表明，HIC-YOLOv5 在 VisDrone-2019-DET 数据集上的 mAP@[.5:.95]提高了 6.42%，mAP@0.5 提高了9.38%。我们参照 HIC-YOLOv5，将这些改进用于 YoloV8，效果如何呢？我们一起见证吧！论文《HIC-YOLOv5：改进的 YOLOv5，用于小物体检测》2/论文链接：https://arxiv.org/pdf/2309.16393.pdf小目标检测一直是目标检测领域的一个具有挑战性的问题。有一些工作提出了针对此任务的改进，例如添加多个注意力块或更改特征融合网络的整个结构。然而，这些模型的计算成本很大，这使得部署实时目标检测系统变得不可行，同时留下了改进的空 间。为此，提出了一个改进的 YOLOv5 模型：HICYOLOv5 来解决上述问题。首先，添加了一个特定于小目标的额外预测头，以 提供更高分辨率的特征图以进行更好的预测。其次，在主干和颈部之间采用了一个内卷积块，以增加特征图的通道信息。此外， 在主干的末端应用了一种名为 CBAM 的注意力机制，从而不仅降低了与以前工作相比的计算成本，而且强调了通道和空间域中的重要信息。我们的结果表明，HIC-YOLOv5 在 VisDrone-2019-DET 数据集上的 mAP@[.5:.95]提高了 6.42%，mAP@0.5 提高了9.38%。1、简介目标检测算法已广泛应用于无人机的智能系统，如行人检测和车辆检测。它使无人机拍摄的照片的分析过程自动化。然而，这类应用的最大问题在于检测小物体，因为从更高的高度拍摄的照片中的大多数物体都会变小。这一事实对目标检测的准确性产生了负面影响，包括目标遮挡、目标密度低和光线剧烈变化。You Only Look Once (YOLO)[15]是一种一阶段目标...