YOLOv11 改进 - 基础知识 | YOLOv11 Conv模块超详细解析:从源码实现到BN/SiLU原理(初学者友好版)

YOLOv8/v9/v10中Conv模块深度解析:BNSiLU原理、源码与ONNX导出实战 卷积模块(Conv)是YOLO系列模型的核心计算单元,其设计直接影响精度、训练稳定性与部署兼容性。现代YOLO(v8/v9/v10)普遍采用Conv2d-BatchNorm2d-SiLU三段式结构,该组合在保持梯度平滑性的同时提升mAP,但SiLU激活函数在ONNX导出和OpenCV加载时存在算子支持断层。本文从底层原理出发,剖析BNSiLU的数学特性、PyTorch实现细节及数值保护机制,并系统梳理训练/推理/导出三阶段的行为差异;结合Ultralytics官方源码逐行解读7个关键参数含义与初始化逻辑,覆 阅读详情
AI摘要

本文深入解析YOLOv11中的核心Conv/CBS模块,涵盖Conv2d、BatchNorm2d和SiLU的原理与作用。详细讲解卷积参数计算、分组与膨胀卷积、BN归一化机制及SiLU激活优势,并结合前向传播流程和维度变化实例帮助理解。附带手动实现BN/SiLU代码与常见问题解答,助力掌握YOLO基础构建块。

前言

本文为深度学习和YOLO系列的初学者提供了一份关于YOLOv11中最基础、最核心的Conv/CBS模块的详细解析。Conv/CBS模块是YOLOv11网络的“基础积木”,由Conv2d(卷积层)、BatchNorm2d(批量归一化层)和SiLU(激活函数) 三部分组成。文章从模块的源码结构入手,逐步深入讲解了8个初始化参数的详细含义、各组成部分(卷积、BN、SiLU)的工作原理与数学公式,并通过前向传播流程分析和维度计算示例,帮助读者直观理解数据在模块中的变化过程。此外,文中还提供了手动实现BN和SiLU的代码,并包含常见问题解答,旨在帮助读者从根本上理解这一核心模块,为系统学习YOLOv11架构打下坚实基础

文章目录: YOLOv11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

专栏链接: YOLOv11改进专栏

说明

本文基于版本:tag = 8.3.0,最早版本的YOLOv11代码,可能新版本有区别。但基本没啥影响。

什么是Conv/CBS模块?

Conv模块是YOLO11中最基础、最核心的卷积单元,也是大家常说的「CBS模块」—— 名字来源于它的三个核心组成:Conv2d + BatchNorm2d + SiLU。

你可以把它理解为YOLO11的「基础积木」:

  • 🧱 Conv2d(卷积层):负责提取图像的局部特征(比如边缘、纹理、形状);
  • 🧱 BatchNorm2d(批量归一化层):让训练过程更稳定、更快,避免模型“学偏”;
  • 🧱 SiLU(激活函数):给特征添加“非线性”,让模型能学复杂规律,避免“神经元躺平”。

这个模块几乎出现在YOLO11的骨干网络、颈部网络、检测头中,是理解YOLO架构的第一步!


Conv模块源码与核心结构

先看YOLO11源码中Conv模块的定义,位置在 ultralytics/nn/modules/conv.py,代码不长但全是关键:

源码展示

class Conv(nn.Module):
    # 默认激活函数:SiLU
    default_act = nn.SiLU()

    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
        super().__init__()
        # 卷积层:bias=False(BN会吸收偏置,留着没用)
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False)
        # 批量归一化层
        self.bn = nn.BatchNorm2d(c2)
        # 激活函数:True用默认SiLU,传自定义模块则用自定义,False/None则无激活
        self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()

    # 正常前向传播(训练/推理)
    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

    # 推理加速版(BN融合到卷积后)
    def forward_fuse(self, x):
        return self.act(self.conv(x))

结构图解(初学者一看就懂)

image-20251209194243041

输入特征图 (通道数c1)
  ↓ 第一步:Conv2d卷积(提取局部特征)
  ↓ 第二步:BatchNorm2d归一化(稳定训练)
  ↓ 第三步:SiLU激活(添加非线性)
输出特征图 (通道数c2)

Conv模块参数全解析

Conv模块初始化有8个参数,其中2个必填,6个有默认值,下面用「人话」解释每个参数的作用:

参数是否必填默认值通俗解释
c1✅ 是-输入特征图的通道数(比如输入RGB图像时c1=3)
c2✅ 是-输出特征图的通道数(想让卷积输出多少个特征)
k❌ 否1卷积核大小(比如k=3就是3×3的卷积核,越大看的区域越广)
s❌ 否1卷积步长(s=1不缩小特征图,s=2特征图宽高减半)
p❌ 否None填充值(默认自动填充autopad,保证特征图尺寸不变)
g❌ 否1卷积分组数(g=1是普通卷积,g=c1是深度卷积,减少参数量)
d❌ 否1膨胀系数(d>1是膨胀卷积,不用增大核也能扩大感受野)
act❌ 否True激活函数:True=SiLU,传nn.ReLU()则用ReLU,False=无激活

💡 小提示:BN层的默认超参(eps=1e-3、momentum=0.03)会在YOLO11初始化时全局设置,不用手动改~


核心组成层拆解

Conv模块的3个核心层各有作用,下面逐个拆解,从原理到实战,初学者也能懂:

4.1 Conv2d层(特征提取核心)

Conv2d是「特征提取器」,核心作用是从图像中抠出边缘、纹理、形状等基础特征。

4.1.1 输入输出尺寸计算

输入特征图形状:(N, c1, H_in, W_in)(N=批量数,c1=通道数,H/W=高/宽)
输出特征图尺寸公式(带地板函数,更精准):
H o u t = ⌊ H i n + 2 × p [ 0 ] − d [ 0 ] × ( k [ 0 ] − 1 ) − 1 s [ 0 ] + 1 ⌋ H_{out} = \left\lfloor \frac{H_{in} + 2 \times p[0] - d[0] \times (k[0] - 1) - 1}{s[0]} + 1 \right\rfloor Hout​=⌊s[0]Hin​+2×p[0]−d[0]×(k[0]−1)−1​+1⌋
W o u t = ⌊ W i n + 2 × p [ 1 ] − d [ 1 ] × ( k [ 1 ] − 1 ) − 1 s [ 1 ] + 1 ⌋ W_{out} = \left\lfloor \frac{W_{in} + 2 \times p[1] - d[1] \times (k[1] - 1) - 1}{s[1]} + 1 \right\rfloor Wout​=⌊s[1]Win​+2×p[1]−d[1]×(k[1]−1)−1​+1⌋

  • 「⌊ ⌋」表示向下取整;
  • 若k/p/d/s是数字(不是列表),说明横、纵方向参数相同(比如k=3就是3×3卷积);
  • 示例:输入H_in=64,k=3,s=1,p=1,d=1 → H_out=64(尺寸不变);s=2则H_out=32(尺寸减半)。

4.1.2 分组卷积(减少参数量)

分组卷积是把输入/输出通道分成g组,每组独立卷积,能大幅减少参数量:

标准卷积的参数量为:
C i n × C o u t × k × k C_{in} \times C_{out} \times k \times k Cin​×Cout​×k×k

分组卷积的参数量为:
( C i n g ) × ( C o u t g ) × g × k × k = C i n × C o u t g × k × k = C i n × C o u t × k × k g \left( \frac{C_{in}}{g} \right) \times \left( \frac{C_{out}}{g} \right) \times g \times k \times k = \frac{C_{in} \times C_{out}}{g} \times k \times k = \frac{C_{in} \times C_{out} \times k \times k}{g} (gCin​​)×(gCout​​)×g×k×k=gCin​×Cout​​×k×k=gCin​×Cout​×k×k​

结论:分组卷积的总参数量是标准卷积的 1 g \frac{1}{g} g1​(比如g=c1时就是「深度卷积」,参数量仅为普通卷积的1/c1)。

4.1.3 膨胀卷积(扩大感受野)

膨胀卷积(也叫空洞卷积)是在卷积核的元素之间插“0”,不用增大卷积核就能扩大「感受野」(模型能看到的图像区域大小):

  • 标准卷积感受野公式:
    R l = R l − 1 + ( k l − 1 ) × S l − 1 R_l = R_{l-1} + (k_l - 1) \times S_{l-1} Rl​=Rl−1​+(kl​−1)×Sl−1​
    ( R l − 1 R_{l-1} Rl−1​=上一层感受野, S l − 1 S_{l-1} Sl−1​=上一层步长, k l k_l kl​=当前层卷积核大小)

  • 连续膨胀卷积的感受野公式:
    R l = R l − 1 + ( k l − 1 ) × S l − 1 × d l R_l = R_{l-1} + (k_l - 1) \times S_{l-1} \times d_l Rl​=Rl−1​+(kl​−1)×Sl−1​×dl​
    ( d l d_l dl​=当前层膨胀系数)

  • 例子:k=3、d=2的膨胀卷积,感受野相当于5×5的普通卷积,但参数量还是3×3的!

4.2 BatchNorm2d层(训练稳定器)

BatchNorm2d(简称BN)是「训练加速器+稳定器」,解决“内部协变量偏移”问题(每层输入分布变来变去,模型学不快)。

4.2.1 BN的核心原理(对应公式)

BN的实现分3步:
a. 计算批次均值和方差
对于小批量数据 B = { x 1 , x 2 , . . . , x m } B = \{x_1, x_2, ..., x_m\} B={x1​,x2​,...,xm​},计算:
μ B = 1 m ∑ i = 1 m x i \mu_B = \frac{1}{m} \sum_{i=1}^{m} x_i μB​=m1​i=1∑m​xi​
σ B 2 = 1 m ∑ i = 1 m ( x i − μ B ) 2 \sigma_B^2 = \frac{1}{m} \sum_{i=1}^{m} (x_i - \mu_B)^2 σB2​=m1​i=1∑m​(xi​−μB​)2

b. 标准化
使用批次均值和方差标准化每个数据点 x i x_i xi​:
x ^ i = x i − μ B σ B 2 + ϵ \hat{x}_i = \frac{x_i - \mu_B}{\sqrt{\sigma_B^2 + \epsilon}} x^i​=σB2​+ϵ ​xi​−μB​​
其中 ϵ \epsilon ϵ 是很小的常数(通常取 1 e − 5 1e-5 1e−5),防止分母为零。

c. 尺度变换和位移
对标准化后的数据进行尺度变换和位移,恢复模型表达能力:
y i = γ × x ^ i + β y_i = \gamma \times \hat{x}_i + \beta yi​=γ×x^i​+β
其中 γ \gamma γ(尺度)和 β \beta β(位移)是可学习的参数。

💡 关键:训练时用「批次均值/方差」,推理时用训练累积的「运行均值/方差」,保证训练和推理一致。

4.2.2 BN的作用

  • 加速训练:允许用更大的学习率,不用慢慢调;
  • 减少初始化依赖:随便初始化权重也能训好;
  • 轻微正则化:避免模型过拟合。

4.3 SiLU层(非线性激活)

SiLU(也叫Swish)是YOLO11默认的激活函数,其完整表达式为:
silu ( x ) = x × sigmoid ( x ) = x × 1 1 + e − x \text{silu}(x) = x \times \text{sigmoid}(x) = x \times \frac{1}{1 + e^{-x}} silu(x)=x×sigmoid(x)=x×1+e−x1​

4.3.1 SiLU的优势(对比ReLU)

  • 解决「死亡ReLU」问题:ReLU输入为负时输出0,神经元会“躺平”;SiLU是平滑曲线,不会完全归零;
  • 自稳定性:导数在-1.28附近为0,防止权重过大;
  • 适配BN:和BatchNorm2d搭配使用效果更好。

4.3.2 输入输出特点

输入任意形状的张量,输出形状和输入完全一致,仅改变数值(给特征添加非线性,让模型学复杂规律)。


前向传播流程与维度计算

5.1 完整前向流程

Conv模块的正常前向传播(forward方法)分3步,一步都不能少:

输入x → Conv2d卷积(c1→c2通道) → BatchNorm2d归一化 → SiLU激活 → 输出

推理时会用forward_fuse方法:把BN层融合到Conv2d中(减少计算步骤),流程简化为:

输入x → 融合后的Conv2d → SiLU激活 → 输出

5.2 维度计算示例(初学者必看)

假设输入:(N=2, c1=3, H=64, W=64)(2张RGB图像,64×64分辨率)
Conv参数:c1=3, c2=16, k=3, s=2, p=1, g=1, d=1, act=True

计算输出尺寸:

H_out = (64 + 2×1 - 1×(3-1) - 1) / 2 + 1 = (64+2-2-1)/2 +1 = 63/2 +1 = 31 +1 = 32
W_out = 32(和H_out一致)

最终输出形状:(2, 16, 32, 32)(2个样本,16个通道,32×32分辨率)。


手动实现BN/SiLU(加深理解)

光看原理不够,手动实现一遍BN和SiLU,能彻底搞懂底层逻辑(代码可直接运行):

6.1 手动实现BatchNorm2d

import torch
import torch.nn as nn

class MyBatchNorm2d(nn.Module):
    def __init__(self, num_features, eps=1e-5, momentum=0.1):
        super().__init__()
        self.eps = eps
        self.momentum = momentum
        # 可学习的缩放/位移参数
        self.gamma = nn.Parameter(torch.ones(num_features))
        self.beta = nn.Parameter(torch.zeros(num_features))
        # 训练累积的运行均值/方差(不参与训练)
        self.register_buffer('running_mean', torch.zeros(num_features))
        self.register_buffer('running_var', torch.ones(num_features))

    def forward(self, x):
        if self.training:
            # 训练模式:用当前批次的均值/方差
            batch_mean = x.mean([0, 2, 3])  # 按通道算均值(N/H/W维度求平均)
            batch_var = x.var([0, 2, 3], unbiased=False)  # 按通道算方差
            # 更新运行均值/方差
            self.running_mean = self.momentum * batch_mean + (1 - self.momentum) * self.running_mean
            self.running_var = self.momentum * batch_var + (1 - self.momentum) * self.running_var
            # 标准化
            x_norm = (x - batch_mean[None, :, None, None]) / torch.sqrt(batch_var[None, :, None, None] + self.eps)
        else:
            # 推理模式:用累积的运行均值/方差
            x_norm = (x - self.running_mean[None, :, None, None]) / torch.sqrt(self.running_var[None, :, None, None] + self.eps)
        # 缩放+位移
        return self.gamma[None, :, None, None] * x_norm + self.beta[None, :, None, None]

# 测试
if __name__ == "__main__":
    bn = MyBatchNorm2d(num_features=3)
    x = torch.randn(2, 3, 64, 64)  # 2张图,3通道,64×64
    bn.train()
    out = bn(x)
    print("BN输出形状:", out.shape)  # 输出(2,3,64,64)

6.2 手动实现SiLU

import torch
import torch.nn as nn

class MySiLU(nn.Module):
    def forward(self, x):
        # SiLU = x × sigmoid(x)
        sigmoid_x = torch.sigmoid(x)
        return x * sigmoid_x

# 测试
if __name__ == "__main__":
    silu = MySiLU()
    x = torch.randn(2, 16, 32, 32)  # Conv输出的特征图
    out = silu(x)
    print("SiLU输出形状:", out.shape)  # 输出(2,16,32,32)

常见问题解答

Q1:为什么Conv2d的bias=False?

A1:因为后面的BN层会计算y = γ×x̂ + β(β是位移参数),相当于BN已经包含了“偏置”的作用,留着Conv2d的bias只会多占参数,完全没用。

Q2:怎么把激活函数换成ReLU?

A2:初始化Conv时指定act=nn.ReLU()即可:

conv = Conv(c1=3, c2=16, k=3, act=nn.ReLU())

如果想关闭激活,传act=False。

Q3:分组卷积和深度卷积有啥区别?

A3:深度卷积是分组卷积的特例——当g=c1=c2时,就是深度卷积(每个输入通道对应一个卷积核,仅提取该通道的特征)。

Q4:forward和forward_fuse有啥区别?

A4:forward是训练时用的(包含Conv+BN+act);forward_fuse是推理加速用的(BN层被融合到Conv权重中,少一层计算,速度更快)。

Q5:自动填充autopad是啥意思?

A5:autopad会根据k、d自动计算填充值,保证卷积后特征图尺寸不变(比如k=3、d=1时,p=1;k=5、d=2时,p=4),不用手动算p值。


相关文件位置

  • Conv模块定义:ultralytics/nn/modules/conv.py
  • BN超参初始化:ultralytics/utils/torch_utils.py(initialize_weights函数)
  • BN融合工具:ultralytics/utils/torch_utils.py(fuse_conv_and_bn函数)
  • YOLO11配置文件(用Conv的例子):ultralytics/cfg/models/11/yolo11.yaml

YOLOv8 Conv与BNSiLU源码深度解析:从原理到ONNX导出避坑 卷积神经网络中的Conv模块和激活函数是目标检测模型性能的基础构件。理解其初始化策略、归一化耦合机制与导出兼容性,直接关系到YOLO系列模型的训练稳定性、推理精度与部署可行性。本文围绕YOLOv8官方实现,深入剖析Conv类中autopad自动填充、分组卷积参数g、inplace陷阱等关键设计;拆解BNSiLU组合背后的数值稳定性权衡与BN gamma=2.0初始化原理;并系统梳理ONNX导出全流程——涵盖eval模式切换、input_shape对齐、opset版本约束及OpenCV 4.8对NMS算子的实 阅读详情

相关推荐

YOLOv5的Backbone到底强在哪?手把手带你逐行解读源码(附C3/SPPF模块详解)

本文深入解析YOLOv5的Backbone设计精髓,重点解读C3和SPPF模块的源码实现与工程优化。通过逐行分析PyTorch代码,揭示YOLOv5在模块化设计、模型缩放、残差连接等方面的独特技巧,帮助开发者深入理解这一高效目标检测框架的核心架构。

weixin_38168547的博客 293

yolo 11从原理、创新点、训练到部署(yolov11代码+教程)

yolo 11从原理、创新点、训练到部署(yolov11代码+教程)

QQ_1309399183的博客 6512

【目标检测-YOLO】YOLOv5-v5.0-yolov5s网络架构详解(第一篇)

源码:GitHub - ultralytics/yolov5 at v5.0 由于YOLO v5 代码库在持续更新,如上图,有多个版本,每个版本的网络结构不尽相同。以下内容以 v5.0 为准,网络结构选用 yolov5s。 为了方便画图和理解网络结构,选用可视化工具:Netron 网页版进行可视化, 然后使用PPT作图。 在Releases · ultralytics/yolov5 · GitHub找到 v5.0中的Assets 中的yolov5s.pt并下载该权重。 下图为直接......

博观约取,厚积薄发 2万+

YOLO11全解析:从原理到实战,全流程体验下一代目标检测

YOLO11作为这YOLO系列的最新力作,无疑将目标检测算法推向了一个新的高度。YOLO11在2024年9月30日的YOLOVision活动中正式发布了,这一新版本不仅在性能上有了显著提升,还在功能多样性上迈出了重要一步。YOLO11是由Ultralytics团队于2024年9月30日发布的,它是YOLO(You Only Look Once)系列中的最新成员。YOLO11在之前版本的YOLO基础上引入了新功能和改进,以进一步提高性能和灵活性。

Coovally_AI的博客 2万+

YOLOv10【第十章:模型压缩与极致优化篇·第13节】Conv+BN 融合与算子融合原理解析

🏆 本文收录于 《YOLOv10实战:从入门到深度优化》 专栏。该专栏系统复现并深度梳理全网主流 YOLOv10 改进方法与工程实战案例,覆盖分类、目标检测、实例分割、多目标追踪、关键点检测、旋转目标检测等多个方向,坚持 持续更新 + 深度解析 + 工程验证。

**My Coding Family** 157

YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度

ASF-YOLO是一种基于YOLO的新颖框架,结合了空间和尺度特征以实现准确和快速的分割。其中,注意力尺度序列融合模块。

Limiiiing的博客 4403

YOLO元年!目标检测最强模型YOLOV11发布,全网首发yolov11原理+实战+论文解读教程!通俗易懂,科研人连夜水一篇SCI论文!计算机视觉|CV

Ultralytics的创始人兼CEO Glenn Jocher宣布,,它代表了计算机视觉领域的一次质的飞跃。YOLOv11 是近期受到关注的目标检测模型。它在 YOLOv9 及 v10 的基础上进行了改进,YOLO11不仅仅是一次简单的升级,包括增强的特征提取、优化的训练方法等,参数量比 YOLOv8 少 22%,推理速度比 YOLOv10 快 2%。性能飞跃:在COCO数据集上,YOLO11m比YOLOv8m使用22%更少的参数,却实现了更高的平均精度(mAP)。

yyyyyybw的博客 7326

FPGA设计中的扇出约束实战:从XDC到代码优化的全流程解析

本文全面解析FPGA设计中扇出约束的重要性与应用,详细介绍了从XDC约束文件设置到HDL代码优化的全流程实战技巧。通过MAX_FANOUT约束控制信号负载,结合寄存器复制和物理优化策略,有效解决高扇出导致的时序违例和布线拥塞问题,提升设计性能和可靠性。

nept的博客 799

YoloV11:超详细原理解读

在深度学习的江湖里,YOLO 系列模型一向以“快、准、狠”著称。从 YOLOv1 横空出世,到 YOLOv8 操刀上阵,每一代都像是在说:“你以为这就到头了?不,我还能更猛一点。而如今,YOLOv11 登场了。你可能会问:“怎么一下子从 v8 跨到 v11,v9 和 v10 都去哪了?其实v8和v11都是Ultralytics这个公司发布的代码,并没有对应的论文!可以说v11是v8的升级版和它的前辈 YOLOv8 相比,YOLOv11 并不是简单的“增肌提速”,而是从架构到底层机制都进行了更深层次的优化。

王智野的博客 1685

AFSim 2.9中文手册实战指南:从安装到高级功能详解(附B站视频链接)

本文详细介绍了AFSim 2.9的安装配置、基础功能操作和高级功能应用,帮助用户快速掌握这款强大的仿真平台。从系统要求检查到多体动力学仿真,再到性能优化技巧,全面解析AFSim 2.9的使用方法,适合初学者和进阶用户参考。

weixin_30892037的博客 575

MATLAB新手也能懂:用MATPOWER 8.0b搞定电力系统潮流计算(附case9实战代码)

本文详细介绍了如何使用MATPOWER 8.0b在MATLAB中进行电力系统潮流计算,特别适合新手入门。通过case9实战案例,讲解了从安装配置到运行牛顿-拉夫逊法潮流计算的全过程,包括结果分析和常见问题处理,帮助读者快速掌握这一电力系统分析的核心技能。

weixin_26757925的博客 382

(13)10张结构图,深入理解YOLOv11算法各个模块

深入浅出理解yolo11的代码

qq191513的博客 2万+

ANPC三电平拓扑:两种调制方式解析

ANPC结构是基于“I”型NPC结构(下面讲NPC如不特殊说明,均指的是“I”型结构NPC)发展出来的一种改进型。我们在讲NPC结构的时候会谈到他的一个缺点就是损耗分布不均匀,会导致温升不均衡,进而限制模块的功率输出能力。而ANPC结构由于多了两个开关管以及相应的两个中性点换流回路(如下图),可以更加灵活任意的配置开关管可以使损耗没有那么的不均衡,从而能一定程度上提高模块的输出功率。ANPC拓扑结构图以及增加的环流回路。

IOTBOT的博客 9544

【yolov5系列】yolov5的原理与核心代码解析

然后对左图是对右图的pool进行了合并连接。上面代码处理后,标签和匹配的anchor是的尺寸是【原图尺寸下的标签尺寸下采样到某一个输出层时的尺寸】(这里的原图尺寸 指的是图片像素级resize到神经网络输入时的尺寸,代码中备注的也是)。原因是为了正样本扩充,因为标签在扩充后的正样本的xy的数值范围在(-0.5,1.5)之间,所以需要转换后的偏移。】 为检测框对应的xywh,具体的为:xy检测框的中心下采样到某层输出上,距离grid ceil 左上角的偏移,wh为检测框的长宽与当前anchor的长宽的比值。

magic_ll的博客 1万+

ADS2019学习笔记:三、SPICE model导入

以BZX84-C33 SPICE model为例,学习如何在ADS2019中导入SPICE model。

qq_42945911的博客 6495

帕德伯恩大学轴承数据集(PU)介绍

PU数据集介绍一、帕德伯恩大学轴承数据集故障类别说明二、关于损伤描述2.1 损伤组合:2.2 重复和多重损伤的安排:2.3 几何尺寸2.4 损伤程度2.5损伤特征数据集损伤类别三、人为损坏轴承3.1 最常用的人为损伤制造方法是:3.2 本数据集使用的人工损坏是由三种不同方法引起的四、通过加速寿命试验产生真正的轴承损坏样本 一、帕德伯恩大学轴承数据集 数据集下载地址 从帕德伯恩大学获得的PU数据集是一个6203轴承数据集,包括人为诱发的和真实的损害。采用压电加速度计采集轴承座的振动信号,采样频率为64 kHz

m0_47180208的博客 3万+

【YOLOV5-5.x 源码解读】common.py

目录前言0、导入需要的包和基本配置1、基本组件1.1、autopad1.2、Conv1.3、Focus1.4、Bottleneck1.5、BottleneckCSP1.6、C31.7、SPP1.8、Concat2、实验性结构2.1、 前言 源码: YOLOv5源码. 导航: 【YOLOV5-5.0 源码讲解】整体项目文件导航. 这个模块存放着yolov5网络搭建常见Common模块。 yolov5s网络结构图: 0、导入需要的包和基本配置 import math # 数学函数

qq_38253797的博客 3万+

Windows 镜像包大全(附百度云下载链接)

插入U盘,找到下载好的两个驱动软件,并安装,先打开驱动人生万能网卡版,安装好网卡驱动,可以接入wifi或者网线了,然后打开驱动精灵,按照提示,安装所有的驱动(中间要是让你重启,就先选择稍后再说,如果有的驱动安装好之后非要你重启,关不掉的那种,那你就重启吧),等全部安装好了,重启电脑。如果你有显卡,这里以英伟达举例,我是GTX960的,当你的驱动都安装好后,右键桌面,会出现一个英伟达控制面板。安装软碟通,下载之后,一直下一步就ok,啥也不用配置,到了最后一项点击“继续试用”即可。(下载里面的网卡版即可),

悦分享 7405

YOLO Conv模块与BNSiLU激活函数深度解析

卷积模块(Conv)是目标检测模型的核心基础单元,其设计直接影响特征提取能力、训练稳定性与部署兼容性。现代YOLO系列(v8/v9/v10)普遍采用带批归一化与SiLU激活的BNSiLU结构,其本质并非简单堆叠,而是通过BN对输入分布的约束与SiLU在[-1,1]区间的高敏感非线性协同优化梯度流。该组合显著缓解dead neuron问题,提升小目标收敛性,并增强ONNX导出后在OpenCV、TensorRT等推理引擎中的语义保真度。本文基于Ultralytics官方源码与27个工业落地项目经验,系统拆解Co

weixin_32556315的博客 298

YOLO创新点改进点的消融实验设计规范

YOLO改进的消融实验是一种重要的方法,用于评估和验证模型中不同组件的影响。在进行YOLO改进的消融实验时,我们可以选择一些可能的改进点,比如Backbone网络、Anchor框设计和损失函数设计,然后通过实验来分析它们对模型性能的影响。首先,我们需要确定实验设计。对于每个改进点,我们将设计多个实验组,并针对每个实验组训练模型并进行性能评估。这里以三个改进点为例进行说明:改进点1:Backbone网络 (改进点2:Anchor框设计 (改进点3:损失函数设计 (

crasher123的博客 2916

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

YOLOv8源码逐行解析:从Conv模块到C2f与解耦头的深度实践

目标检测是计算机视觉的核心任务之一,其原理是通过深度学习模型在图像中定位并识别物体。YOLO系列作为其中的代表性算法,以其高效的实时检测能力著称。其技术价值在于平衡了检测精度与推理速度,广泛应用于自动驾驶、工业质检和安防监控等场景。理解其源码实现是进行模型优化和自定义部署的关键。本文聚焦于YOLOv8的模块化设计,深入剖析了其基础构建块Conv模块中卷积、批归一化与激活函数的协同工作,以及C2f模块如何通过创新的特征拆分与融合机制提升梯度流。同时,对解耦头(Decoupled Head)和Anchor-Fr

weixin_29047919的博客 264

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Ultralytics:解读Conv模块

Python、Pytorch、人工智能、Ultralytics、代码解读

FriendshipTang的博客 183

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

YOLO改进之在YOLOv5、V8中加入RepVGG

最近在使用yolov5和v8做小目标的检测效果对比,准备复现一下drone-YOLO的工作,本来许多工程都是面向Git的借鉴(copy)工作,但是在查阅资料的时候发现很多帖子都引流到付费订阅上,另外就是某些帖子记录不全,导致反复踩坑,为了方便后来者居上,记录下改进(踩坑)过程。RepVGG是基于VGG改造的卷积神经网络,在训练时具备多分支结构,但是在推理时仅有3*3卷积和Relu组成。在ImageNet的Top1精度达到80%,同时推理速度相比ResNet有了明显提升。

qq_35892287的博客 2902

YOLOv11卷积模块深度剖析:从参数解析到实战应用

本文深入剖析YOLOv11卷积模块的设计原理与实战应用,重点解析scales参数动态调整机制和Conv/Conv2模块的实现细节。通过源码分析和性能对比,揭示如何灵活运用卷积模块优化目标检测模型,在精度与效率之间取得平衡,并提供工程部署的实用建议。

weixin_33725722的博客 280

手把手教你用PyTorch复现YOLOv5的CSP模块(附C3/BottleneckCSP完整代码与注释)

本文详细介绍了如何使用PyTorch复现YOLOv5中的CSP模块,包括BottleneckCSP和C3两种变体。通过从数学原理出发,逐步构建可独立运行的模块,并探讨如何将其灵活集成到自定义网络中,帮助开发者深入理解YOLOv5的高效特征提取机制。文章还提供了完整的代码实现与注释,适合目标检测领域的实践者参考。

weixin_38168382的博客 328

yolov5基础--yolov5源码阅读(common.py)

本文是《365天深度学习训练营》中的学习记录博客,主要讲解了YOLOv5网络结构中的common.py文件,该文件实现了YOLO算法的各个模块。文章首先介绍了common.py的作用,即定义和实现YOLO网络中的各个模块,如C3模块等。接着,文章详细解析了common.py中的基本组件,包括autopad、Conv和Focus模块。autopad用于自动计算卷积的padding值,Conv模块由卷积层、BN层和SiLU激活函数组成,是网络中最基础的组件。Focus模块则通过切片和卷积操作,将图像的宽高信息聚

羊小猪~~的博客 1244
上一篇: YOLOv11 改进 - 基础知识 | 为什么SPPF比SPP更快?深入解析YOLO中多尺度特征提取的效率优化与代码实现
下一篇: YOLOv11改进 - C3k2融合 | C3k2融合 EVA Block高效视觉注意力块(ICIP 2025):融合多尺度特征自适应融合与通道级特征精炼
魔改工程师
博客等级 码龄3年 2899粉丝 503原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

魔改工程师

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址