乐山沙湾区住房建设局网站百度关键词怎么优化
目录
一、本文介绍
二、原理介绍
三、核心代码
四、手把手教你添加HWD机制
4.1 修改一
4.2 修改二
4.3 修改三
4.4 修改四
五、HWD的yaml文件和运行记录
5.1 HWD的yaml文件1
5.2 训练代码
5.3 HWD的训练过程截图
六、本文总结
一、本文介绍
本文给大家带来的改进机制是 Haar 小波的下采样HWD替换传统下采样 （改变YOLO传统的Conv 下采样 ）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv11上其明显降低参数和GFLOPs在 V11n 上使用该机制后参数量为 220W计算量GFLOPs为5.5（轻量化效果十分明显）。
系列专栏 ：
YOLOv10改进（更换卷积、添加注意力、更换主干网络、图像去噪、去雾、增强等）涨点系列------发论文必备
https://blog.csdn.net/m0_58941767/category_12881481.html
二、原理介绍
官方论文地址： 官方论文地址点击此处即可跳转（论文需要花钱此论文）https://www.sciencedirect.com/science/article/abs/pii/S0031320323005174
官方代码地址： 官方代码地址点击此处即可跳转https://github.com/apple1986/HWD/blob/main/HWD.py
论文介绍了一种基于 Haar 小波变换的 图像压缩 方法及其压缩图像质量的评估方法。下面是对论文内容的详细分析：
主要内容和方法
1. Haar小波变换的介绍：
- Haar小波是最简单的小波形式之一，具有易于计算和实现的优点。
- 文章中应用了二维离散小波变换（2D DWT），将图像信息矩阵分解为细节矩阵和信息矩阵。
- 重构图像使用这些矩阵和小波变换的信息完成。
2. 图像压缩技术：
- 压缩技术通过使用Haar小波作为基函数，减少图像文件大小，同时尽可能保持图像质量。
- 压缩过程包括将图像信息转换为更易于编码的格式，这通常涉及转换、量化和熵编码。
结论： 论文证明了Haar 小波变换 是一种有效的图像压缩工具，尤其适合需要高压缩比而又不希望图像质量下降太多的应用场景。此外，通过对比传统的DCT和最新的小波变换方法，作者指出Haar小波在处理图像边缘和细节方面具有一定的优势，尤其是在压缩高分辨率图像时。
三、核心代码
本节的代码使用方式看章节四！
import torch
import torch.nn as nn
try:from pytorch_wavelets import DWTForward # 按照这个第三方库需要安装pip install pytorch_wavelets==1.3.0# 如果提示缺少pywt库则安装 pip install PyWavelets
except:passclass Down_wt(nn.Module):def __init__(self, in_ch, out_ch):super(Down_wt, self).__init__()self.wt = DWTForward(J=1, mode='zero', wave='haar')self.conv_bn_relu = nn.Sequential(nn.Conv2d(in_ch*4, out_ch, kernel_size=1, stride=1),nn.BatchNorm2d(out_ch),nn.ReLU(inplace=True),)def forward(self, x):yL, yH = self.wt(x)y_HL = yH[0][:,:,0,::]y_LH = yH[0][:,:,1,::]y_HH = yH[0][:,:,2,::]x = torch.cat([yL, y_HL, y_LH, y_HH], dim=1)x = self.conv_bn_relu(x)return xif __name__ == "__main__":# Generating Sample imageimage_size = (1, 64, 224, 224)image = torch.rand(*image_size)# Modelmodel = Down_wt(64, 32)out = model(image)print(out.size())四、手把手教你添加HWD机制
4.1 修改一
第一还是建立文件，我们找到如下 ultralytics /nn文件夹下建立一个目录名字呢就是'Addmodules'文件夹( 用群内的文件的话已经有了无需新建) ！然后在其内部建立一个新的py文件将核心代码复制粘贴进去即可。
4.2 修改二
第二步我们在该目录下创建一个新的py文件名字为'__init__.py'( 用群内的文件的话已经有了无需新建) ，然后在其内部导入我们的检测头如下图所示。
4.3 修改三
第三步我门中到如下文件'ultralytics/nn/tasks.py'进行导入和注册我们的模块。
4.4 修改四
按照我的添加在parse_model里添加即可。
五、HWD的yaml文件和运行记录
PS:注意本文的改进机制需要关闭AMP运行否则会报精度错误！
5.1 HWD的yaml文件1
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPss: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPsm: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPsl: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPsx: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Down_wt, [128]] # 1-P2/4- [-1, 2, C3k2, [256, False, 0.25]]- [-1, 1, Down_wt, [256]] # 3-P3/8- [-1, 2, C3k2, [512, False, 0.25]]- [-1, 1, Down_wt, [512]] # 5-P4/16- [-1, 2, C3k2, [512, True]]- [-1, 1, Down_wt, [1024]] # 7-P5/32- [-1, 2, C3k2, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 2, C2PSA, [1024]] # 10# YOLO11n head
head:- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 2, C3k2, [512, False]] # 13- [-1, 1, nn.Upsample, [None, 2, "nearest"]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)- [-1, 1, Down_wt, [256]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)- [-1, 1, Down_wt, [512]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)5.2 训练代码
大家可以创建一个py文件将我给的代码复制粘贴进去，配置好自己的文件路径即可运行。
PS:注意本文的改进机制需要关闭AMP运行否则会报精度错误！
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('yolo11-Haar.yaml')# 如何切换模型版本, 上面的ymal文件可以改为 yolov11s.yaml就是使用的v11s,# 类似某个改进的yaml文件名称为yolov11-XXX.yaml那么如果想使用其它版本就把上面的名称改为yolov11l-XXX.yaml即可（改的是上面YOLO中间的名字不是配置文件的）！# model.load('yolov11n.pt') # 是否加载预训练权重,科研不建议大家加载否则很难提升精度model.train(data=r"C:\Users\Administrator\PycharmProjects\yolov5-master\yolov5-master\Construction Site Safety.v30-raw-images_latestversion.yolov8\data.yaml",# 如果大家任务是其它的'ultralytics/cfg/default.yaml'找到这里修改task可以改成detect, segment, classify, posecache=False,imgsz=640,epochs=100,single_cls=False, # 是否是单类别检测batch=4,close_mosaic=0,workers=0,device='0',optimizer='SGD', # using SGD 优化器 默认为auto建议大家使用固定的.# resume=, # 续训的话这里填写True, yaml文件的地方改为lats.pt的地址,需要注意的是如果你设置训练200轮次模型训练了200轮次是没有办法进行续训的.amp=False, # 如果出现训练损失为Nan可以关闭ampproject='runs/train',name='exp',)
5.3 HWD的训练过程截图
PS:注意本文的改进机制需要关闭AMP运行否则会报精度错误！
六、本文总结
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~