YOLOv8改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv8暗光检测（全网独家首发）

原创 已于 2024-03-08 08:40:25 修改 · 7.8k 阅读 · 55 GEO检测
于 2024-03-08 02:00:00 首次发布
本文介绍了将Illumination Adaptive Transformer (IAT)应用于YOLOv8，以增强低光照条件下的图像检测能力。IAT是一种轻量级模型，能模拟ISP管道并动态调整图像的光照条件，达到曝光校正和图像增强的效果。通过详细步骤指导，解释了如何将IAT集成到YOLOv8中，包括核心代码修改和训练过程。

目标检测实战：仪表盘指针识别

保姆级 YOLOv8/9/10 教程，附完整数据集与源码

一键订阅

一、本文介绍

本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）的性能，我们将其用于YOLOv8上来改进我们模型的暗光检测能力，同时本文的内容不影响其它的模块改进。

 欢迎大家订阅我的专栏一起学习YOLO！ 

专栏目录：YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制 

目录

一、本文介绍

二、基本原理

2.1 IAT原理

2.2 IAT的核心模块

三、核心代码 

四、手把手教你添加IAT低照度图像增强网络

 4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、IAT的yaml文件和运行记录

5.1 IAT的yaml文件

5.2 训练代码 

5.3 IAT的训练过程截图 

五、本文总结

二、基本原理

论文地址：官方论文地址点击此处即可跳转

代码地址：官方代码地址点击此处即可跳转

2.1 IAT原理

本文提出了一个轻量级的变换器模型：Illumination Adaptive Transformer (IAT)

目标检测实战：仪表盘指针识别

保姆级 YOLOv8/9/10 教程，附完整数据集与源码

一键订阅
标签
#YOLO #人工智能 #深度学习 #计算机视觉 #目标检测
#python
了解本专栏 订阅专栏 解锁全文
YOLOV 算法环境配置及使用记录
KrDebugging的博客
09-24 472
首先，我们安装了必要的软件和库，然后下载了 YOLOV 模型的权重文件和配置文件。接着，我们使用 OpenCV 和 NumPy 编写了一个简单的目标检测代码示例，并解释了代码的关键部分。本文将详细介绍如何搭建和使用 YOLOV 的环境，并提供相应的源代码示例。在搭建环境之前，我们需要下载 YOLOV 模型的权重文件。希望本文能帮助您成功搭建和使用 YOLOV 算法的环境，实现准确的目标检测功能。请确保将上述代码中的文件路径替换为正确的文件路径，比如将。替换为下载的权重文件的路径，将。
模型训练篇 | yolov9来了！手把手教你如何用yolov9训练自己的数据集
小哥谈
02-27 7621
YOLOv9是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。本节课就带领大家如何基于YOLOv9来训练自己的目标检测模型，本次作者就以安全帽佩戴检测为案例进行说明，让大家可以轻松了解整个模型训练过程！~🌈
YOLOv9来啦！YOLO目标检测全新工作！性能表现SOTA！在各个方面都大大超过了RT-DETR、YOLOv8等
qq_40716944的博客
02-22 2万+
今天的深度学习方法侧重于如何设计最合适的目标函数，使模型的预测结果最接近实际情况。同时，必须设计一种适当的架构，该架构可以促进获取足够的信息用于预测。现有的方法忽略了一个事实，即当输入数据经过逐层特征提取和空间变换时，会丢失大量信息。本文将深入研究数据通过深度网络传输时数据丢失的重要问题，即信息瓶颈和可逆函数。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI可以为目标任务提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息来更新网络权重。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 18万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
【目标检测新SOTA！v7 v4作者新作！】YOLO v9 思路设计 + 全流程优化 + 手把手训练自己数据
Debroon
02-22 8121
YOLOv9的PGI技术包括辅助可逆分支和多级辅助信息，这些设计有助于在网络的深层中保留更多的信息，生成更可靠的梯度，从而在训练过程中确保了更准确的目标与输入之间的关联。例如，如果在交通监控系统中部署了YOLOv9，当监控画面中有车辆通过时，即使在网络较深的层次上，YOLOv9也能有效地保留车辆的关键特征信息，如车辆的轮廓、颜色和标志等。可逆网络架构直接针对信息丢失问题提供了解决方案，而PGI中的辅助可逆分支也采用了类似的思想，但在一个辅助的分支上实现，以提高梯度的可靠性和信息的保存。
YOLOv9改进策略 | 低照度图像篇 | 轻量级的低照度图像增强网络IAT改进YOLOv9暗光检测（全网独家首发）
Snu77的博客
05-14 2429
用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）的性能，我们将其用于YOLOv5上来改进我们模型的暗光检测能力，同时本文的内容不影响其它的模块改进。
YOLOv5改进 | 主干篇 | 轻量级的低照度图像增强网络IAT改进YOLOv5暗光检测（全网独家首发）
Snu77的博客
03-11 3587
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv10改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进YOLOv10暗光检测（全网独家首发）
Snu77的博客
07-11 4万+
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv11改进 | 特殊场景检测篇 | 轻量级的低照度图像增强网络IAT改进yolov11暗光检测（全网独家首发改进）
Snu77的博客
11-04 1892
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 8万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
yolov26改进 | 图像复原篇 | 轻量级的低照度图像增强网络IAT改进yolov26暗光检测（全网独家首发改进）
最新发布
Snu77的博客
07-03 255
本文给大家带来的改进机制是轻量级的变换器模型：Illumination Adaptive Transformer (IAT)，用于图像增强和曝光校正。其基本原理是通过分解图像信号处理器（ISP）管道到局部和全局图像组件，从而恢复在低光或过/欠曝光条件下的正常光照sRGB图像。具体来说，IAT使用注意力查询来表示和调整ISP相关参数，例如颜色校正、伽马校正。模型具有约90k参数和约0.004s的处理速度，能够在低光增强和曝光校正的基准数据集上持续实现优于最新技术（State-of-The-Art, SOTA）
YOLOv9推理详解及部署实现
周同学的博客
03-05 1万+
YOLOv9推理详解及部署实现
【实战解析】YOLOv9全流程训练至优化终极指南
weixin_45921929的博客
04-08 8692
YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN)等开创性技术，标志着实时目标检测领域的重大进步。该模型在效率、准确性和适应性方面都有显著提高，在 MS COCO 数据集上树立了新的标杆。
YOLOv9最详细教程（训练自己数据集、结构介绍、重点代码讲解）(草履虫都能看懂系列)
flpmmpfl的博客
06-04 3万+
帮助训练自己的数据集，了解代码结构，重点文件进行讲解
4. Yolov8 Mosaic数据增强详解
YXD0514的博客
08-16 1万+
Mosaic数据增强
江大白 | 目标检测YOLOv9算法，重磅开源！（附论文及源码）
csdn_xmj的博客
02-26 1万+
本文介绍YOLOv9论文的主要思路。作者提出的可编程梯度信息（PGI）旨在克服信息瓶颈和深度监督在轻量级网络中应用的局限性。GELAN，一种新型高效且轻量的网络架构，被设计出来以优化目标检测任务。GELAN证明了其在不同计算单元和深度配置下的强大性能和稳定性，表明其具有广泛适用性。
深度学习目标检测系列之YOLO9000
gaobing1993的博客
09-04 2945
1.闲言 在正式的学习之前，我喜欢先放飞一下自我。我觉得技术就是用来聊的，找个酒馆，找些大神，咱们听着音乐一起聊起来。所以我特别希望能把自己的微博写的口语化，就像玩一样。就像古代那些说书人一样，萧远山和慕容博相视一笑，王图霸业，血海深仇，尽归尘土。这是我向往的一种表达方式，但是我现在还达不到那个境界，只能尽力而为吧。 2.YOLOV2 1.十个改造点 yolov1提升了目标检测的速度，但是在MAP方面却掉了上去。所以说铁打的大神，流水的模型...
【计算机视觉】YOLOv9：物体检测技术的飞跃发展
wzk4869的博客
03-13 2445
【计算机视觉】YOLOv9：物体检测技术的飞跃发展
评论 7
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

Snu77

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