电脑可以做网站主机么合肥优化推广公司

         红外小目标检测（ISTD）面临目标尺寸小、对比度低、尺度变化大等挑战，传统模型驱动方法（如基于人类视觉系统的局部显著核）能有效提取 “中心减邻域” 特征（如高斯状强度模式、边缘），但参数固定缺乏适应性；数据驱动的 CNN 虽能自动学习特征，但对小目标敏感性不足且模型复杂。LLSKM（Learnable Local Saliency Kernel Module）旨在融合两者优势，将传统显著核的 “中心减邻域” 原理嵌入神经网络，通过可学习参数和注意力机制提升检测性能。

上面是原模型，下面是改进模型

1. 可学习局部显著核模块LLSKM 介绍 

        “中心减邻域” 原理：模拟人类视觉系统对显著目标的感知机制，通过中心像素与邻域像素的差异（如拉普拉斯高斯核 LoG）突出目标的点或边缘特征，核心公式为中心权重与邻域权重的差值运算。

        可学习参数与注意力机制：将传统固定参数（如抑制因子 θ）替换为可学习参数，通过全局通道注意力模块动态调整不同通道的特征响应，使核函数自适应输入数据的显著特征（如自动区分边缘或点状目标）。

​      

LLSKM（Learnable Local Saliency Kernel Module）有 Recip 和 Diff 两种结构 ：

Recip 结构（图 a）

         输入与卷积处理：输入特征图X尺寸为C×H×W（C为通道数，H为高度，W为宽度 ）。通过两个并行路径处理，Wsum​是加权卷积（Weighted CNN），对输入特征图进行加权求和操作；W是邻域卷积（Neighbor CNN），负责提取邻域特征 。

         通道注意力机制：输入特征图X经通道注意力（Channel Attention）模块处理，得到权重系数θa​ 。通道注意力模块包含平均池化（AP）、卷积（Conv）、批量归一化（BN）、ReLU 激活函数、又一组卷积和 BN 操作，最后经 Sigmoid 激活得到权重系数，范围在[0,1] 。

         输出计算：Wsum​的输出减去W的输出，并与θa​进行逐元素相乘，最后得到输出Y 。

Diff 结构（图 b）

         输入与卷积处理：同样输入特征图X尺寸为C×H×W 。Wsum​加权卷积和W普通卷积（Vanilla CNN）并行处理输入，此外增加了Wc​中心卷积（Central CNN）处理输入 。

         通道注意力机制：输入特征图X经通道注意力模块得到权重系数θc​ ，通道注意力模块结构与 Recip 类似 。

         输出计算：Wsum​的输出减去W的输出，再加上θc​与Wc​输出的逐元素乘积，得到输出Y 。这种结构引入中心增强项，改善了 Recip 结构中中心特征丢失的问题 。

2. YOLOv12与LLSKM的结合          

          LLSKM 与 YOLOv8 结合，能借助 LLSKM 增强对红外小目标等的显著特征捕捉，提升 YOLOv8 在小目标检测场景中的敏感性与准确性；

3. LLSKM代码部分

https://github.com/tgf123/YOLOv8_improve/blob/master/YOLOV12.md

 4. 将LLSKM引入到YOLOv12中

第一: 先新建一个change_model，将下面的核心代码复制到下面这个路径当中，如下图如所示。YOLOv12\ultralytics\change_model。

            ​​​​​​ ​​​​​​​​​​​​​​    

第二：在task.py中导入包

 ​​​      ​​​​​​​ ​​​​​​​​​​​​​​       

第三：在task.py中的模型配置部分下面代码

        ​​​​​​​​​​​​​​ ​​​​​​​​​​​​​​   

第四：将模型配置文件复制到YOLOV12.YAMY文件中

 ​​​​​​​​​​​​​​  

     ​​​​​​​ ​​​​​​​​​​​​​​ ​​​​​​​ ​​​​​​​​​​​​​第五：运行代码

from ultralytics.models import NAS, RTDETR, SAM, YOLO, FastSAM, YOLOWorldif __name__=="__main__":# 使用自己的YOLOv12.yamy文件搭建模型并加载预训练权重训练模型model = YOLO(r"E:\Part_time_job_orders\YOLO_NEW\YOLOv12_all\ultralytics\cfg\models\12\yolo12_LLSKM.yaml")# .load(r'E:\Part_time_job_orders\YOLO_NEW\YOLOv12\yolo12n.pt')  # build from YAML and transfer weightsresults = model.train(data=r'E:\Part_time_job_orders\YOLO\YOLOv12\ultralytics\cfg\datasets\VOC_my.yaml',epochs=300,imgsz=640,batch=64,# cache = False,# single_cls = False,  # 是否是单类别检测# workers = 0,# resume=r'D:/model/yolov8/runs/detect/train/weights/last.pt',amp = True)