首页 > 其他分享 >基于YOLO11的多模态(可见光+红外光）实现 | LLVIP 和 KAIST数据集可行性验证

基于YOLO11的多模态(可见光+红外光）实现 | LLVIP 和 KAIST数据集可行性验证

时间：2024-12-20 12:56:00浏览次数：5

标签：模态 YOLO11 KAIST 融合图像 C3k2 512 LLVIP

标签：模态,YOLO11,KAIST,融合,图像,C3k2,512,LLVIP
From： https://blog.csdn.net/m0_63774211/article/details/144537259

YOLO11小目标检测 | 新颖的双注意力块（DAB），一种新的并行注意力架构
......
Yolo11改进策略：卷积篇|DSConv，高效卷积算子|附代码|即插即用
摘要论文介绍研究背景：神经网络量化是提升速度和降低内存使用量的常用方法，但无标记数据的量化问题受到的关注较少。研究目的：引入DSConv卷积算子，旨在生成更小且推理速度更快的神经网络，同时保持高精度。实验验证：在最流行的神经网络架构（ResNet、DenseNet、GoogLeNet、AlexNet......
YOLO11-seg分割：包裹分割数据集 | 具有切片操作的SimAM注意力，魔改SimAM助力分割（六）
......
YOLO11-seg分割：包裹分割数据集 | 全局到局部可控感受野模块GL-CRM ，量身为为多尺度变化
......
yolo11的分类模型可能遇到的问题
1、魔改的yolo11-cls（主改head.py内容），加载时使用如下方式，否则可能魔改无效yolo=YOLO("yolo11n-cls.yaml").load("yolo11n-cls.pt")yolo11n-cls.yaml里将nc写成自己的类别数 2、train时data指定的yaml无效，提示数据集未找到直接用目录，到train、val的上一层即可。我的train......
【目标检查】YOLO系列之：Triton 推理服务器Ultralytics YOLO11
Triton推理服务器1、引言2、Triton服务器2.1什么是TritonInferenceServer2.2将YOLO11导出为ONNX格式2.3设置Triton模型库2.3.1创建目录结构2.3.2将导出的ONNX模型移至Triton资源库2.4运行Triton推断服务器2.4.1使用Docker运行TritonInferenceServer......
YOLO11：目标检测原理与源码
视频链接：YOLO11：目标检测原理与源码_哔哩哔哩_bilibili 《YOLO11：目标检测原理与源码》课程致力于帮助学生学习YOLO11目标检测算法的原理与源码。常心老师将手把手从0开始解读YOLO11工程目录结构，解读YOLO11的Backbone，Neck，Head网络结构原理与源码，解读训练全流程的原理与源码......
Yolo11改进策略：Block改进|VOLO，视觉识别中的视觉展望器|即插即用|附代码+改进方法
摘要论文介绍VOLO模型概述：本文提出了一种名为VOLO的视觉识别模型，该模型旨在通过创新的注意力机制——前景器（Outlooker）来提高视觉识别的性能。VOLO模型在ImageNet等基准测试上取得了优异的结果。研究背景：传统的视觉Transformer（ViT）模型在全局依赖性建模上表现出色，但在将精......
YOLO11-pose关键点检测：独家创新（SC_C_11Detect）检测头结构创新，助力手势pose关键点检测
......
YOLO11-seg分割如何训练自己的数据集（道路缺陷）
......

基于YOLO11的多模态(可见光+红外光）实现 | LLVIP 和 KAIST数据集可行性验证

相关文章

赞助商

阅读排行