爆改YOLOv8|利用BiFPN双向特征金字塔改进yolov8

1，本文介绍

BiFPN（Bidirectional Feature Pyramid Network）是一种增强特征金字塔网络（FPN）的方法，旨在改善多尺度特征融合。BiFPN的主要创新点包括：

1. 双向特征融合：与传统FPN仅在自下而上的方向进行特征融合不同，BiFPN引入了双向融合机制。它不仅从低层特征向高层传递信息，还从高层特征向低层传递信息，这种双向流动增强了特征的表达能力。

2. 加权特征融合：BiFPN通过加权融合机制，自动调整不同尺度特征的重要性，从而实现了更精准的特征融合。这种加权策略使得特征的利用更加高效，有效提升了目标检测性能。

3. 高效的特征处理：BiFPN采用了高效的计算结构来减少计算开销，同时保持了良好的特征融合效果。通过简化和优化计算流程，BiFPN提高了网络的运行速度和精度。

整体上，BiFPN在多尺度特征处理和融合上比传统FPN更具优势，提升了图像识别和目标检测的性能。

关于BiFPN的详细介绍可以看论文：https://arxiv.org/pdf/1911.09070.pdf

本文将讲解如何将BiFPN融合进yolov8

话不多说，上代码！

2， 将BiFPN融合进yolov8

2.1 步骤一

找到如下的目录'ultralytics/nn/modules'，然后在这个目录下创建一个BiFPN.py文件，文件名字可以根据你自己的习惯起，然后将BiFPN的核心代码复制进去。

import torch.nn as nn
import torch
 
class swish(nn.Module):
    def forward(self, x):
        return x * torch.sigmoid(x)
 
class Bi_FPN(nn.Module):
    def __init__(self, length):
        super().__init__()
        self.weight = nn.Parameter(torch.ones(length, dtype=torch.float32), requires_grad=True)
        self.swish = swish()
        self.epsilon = 0.0001
 
    def forward(self, x):
        weights = self.weight / (torch.sum(self.swish(self.weight), dim=0) + self.epsilon) # 权重归一化处理
        weighted_feature_maps = [weights[i] * x[i] for i in range(len(x))]
        stacked_feature_maps = torch.stack(weighted_feature_maps, dim=0)
        result = torch.sum(stacked_feature_maps, dim=0)
        return result

2.2 步骤二

在task.py导入我们的模块

​

from .modules.BiFPN import Bi_FPN

2.3 步骤三

在task.py的parse_model方法里面注册我们的模块

        elif m in {Bi_FPN}:
            length = len([ch[x] for x in f])
            args = [length]
       

到此注册成功,复制后面的yaml文件直接运行即可

yaml文件

# Ultralytics YOLO 

标签：Conv,爆改,self,FPN,YOLOv8,C2f,BiFPN,512	

From： https://blog.csdn.net/weixin_43986124/article/details/142046575