YOLOv11改进 | 特殊场景检测篇 | 利用图像去雾网络UnfogNet改进yolov11图像雾天检测能力（全网独家首发改进）

原创 已于 2024-11-05 00:03:36 修改 · 1.5k 阅读 · 16 GEO检测
于 2024-11-04 23:55:22 首次发布

一、本文介绍

本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv11针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv11的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。

欢迎大家订阅我的专栏一起学习YOLO！ 

37b7a5829b134f58843683922e978d45.png

   专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

  一、本文介绍

二、原理介绍

三、核心代码

四、添加方式

4.1 修改一

4.2 修改二 

4.3 修改三 

打印计算量的问题！

五、UnfogNet的yaml文件和运行记录

5.1 UnfogNet的yaml文件

5.2 训练代码 

5.3 训练过程截图 

五、本文总结

二、原理介绍

87c8c6fc14e74e77a80422130004af69.png

官方论文地址： 官方论文地址点击即可跳转

官方代码地址： 官方代码地址点击即可跳转

本文的图像去雾算法的原理很简单，下面为其代码，大家可以看到其主要有Conv组成，并没有涉及到过多的复杂结构这里不再赘述了。

impor
标签
#YOLO #深度学习 #目标检测 #计算机视觉 #人工智能
#python #YOLOv11
了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 图像去雾 | 利用图像去雾网络UnfogNet辅助YOLOv8进行图像去雾检测（全网独家首发）
Snu77的博客
03-12 3537
本文给大家带来的改进机制是由AOD-Net提出的UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv8针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv8的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。
YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
Snu77的博客
01-07 3万+
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60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。同时本人一些讲解视频和包含我所有创新的YOLOv8文档并不能在CSDN上传(所有的创新点都经过我的测试是可用的，得到该文件之后大家可以随意组合使用)，所以会建立群的形式在内上传我的文件和视频我也会在群内不定期和大家交流回答大家问题，同时定期会更新一些文章的创新点(经过我融合测试后的，先到先得)。本专栏持续更新网络上的所有前沿文章。
YOLOv8改进-利用图像去雾网络UnfogNet提升检测精度的探索【附核心模块代码】
一键难忘的博客
02-05 3165
YOLOv8-UnfogNet联合模型的提出为目标检测和图像去雾领域提供了一个新的思路。通过将图像去雾网络和目标检测网络结合，不仅可以提升在恶劣天气下的目标检测精度，还能够为实际应用中的自动驾驶、监控安防等领域带来更强的鲁棒性和适应性。随着去雾技术和目标检测算法的不断发展，我们相信，这种联合方法将在多个领域中获得更加广泛的应用，并为进一步提升图像质量和检测精度做出重要贡献。
【YOLOv10改进[Backbone]】使用轻量化去雾网络unfog_net改进v10雾霾天气场景的目标检测 — 去雾检测
静谧、淡雅
06-21 1505
使用轻量化去雾网络unfog_net改进v10雾霾天气场景的目标检测 — 去雾检测
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
热门推荐
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。
基于UnfogNet的YOLOR图像去雾检测系统实战指南
最新发布
FJN110的博客
11-29 69
购买即可解锁300+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，别人有的本专栏也有！
YOLOv9改进策略 | 图像去雾 | 利用图像去雾网络UnfogNet辅助YOLOv9进行图像去雾检测（全网独家首发）
Snu77的博客
05-20 2307
本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv9针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv9的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | 主干网络 |模糊图像/恶劣天气下的目标检测改进
kay_545
07-18 2956
yolov8改进，yolov8，图像去雾，unfog
毕业设计-基于深度学习的雾天环境下目标检测系统 YOLO python 卷积神经网络 人工智能
2301_79555157的博客
11-13 1945
毕业设计-基于深度学习的雾天环境下目标检测系统"的计算机毕业设计。在雾天环境下，目标检测任务面临着困难和挑战，传统的目标检测算法往往无法准确地检测和定位目标物体。基于深度学习的目标检测系统，旨在解决雾天环境下目标检测的问题。该系统利用深度学习技术，结合雾天图像增强和目标检测算法，能够在复杂的雾天环境中准确地检测和定位目标物体。构建了一个包含大量雾天图像样本的数据集，并设计了一个深度卷积神经网络模型，通过训练和优化，使其具备高准确性和鲁棒性。这一研究对于改善雾天环境下目标检测的能力具有重要意义。
YOLOv5改进 | 图像去雾 | 利用图像去雾网络UnfogNet辅助YOLOv5进行图像去雾检测（全网独家首发）
Snu77的博客
03-18 1969
本文给大家带来的改进机制是利用UnfogNet超轻量化图像去雾网络，我将该网络结合YOLOv5针对图像进行去雾检测（也适用于一些模糊场景），我将该网络结构和YOLOv5的网络进行结合同时该网络的结构的参数量非常的小，我们将其添加到模型里增加的计算量和参数量基本可以忽略不计这是非常难得的，因为其也算是一种图像增强算法，同时本文的内容不影响其它的模块改进可以作为工作量凑近大家的论文里，非常的适用，图像去雾检测为群友最近提出的需要的改进。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | 图像去雾 | 特征融合注意网络FFA-Net增强YOLOv8对于模糊图片检测能力（北大和北航联合提出）
Snu77的博客
03-14 4903
官方论文地址：官方论文地址点击此处即可跳转官方代码地址：官方代码地址点击此处即可跳转FFA-Net的主要思想是利用特征融合注意力网络（Feature Fusion Attention Network）直接恢复无雾图像。
基于引导图像滤波的交通标志识别改进框架
weixin_48426415的博客
12-31 1099
基于引导图像滤波的交通标志识别改进框架
yolov8+图像去雨+图像去雾+图像增强+图像去噪
QQ_1309399183的博客
12-14 3919
yolov8+图像去雨+图像去雾+图像增强+图像去噪
YOLOv8改进 | 图像去雾 | 利用图像去雾网络AOD-PONO-Net网络增改进图像物体检测
Snu77的博客
03-13 4980
官方论文地址：官方论文地址点击即可跳转官方代码地址：官方代码地址点击即可跳转这篇论文提出了一种名为全能去雾网络（AOD-Net）的图像去雾模型，该模型是基于重新制定的大气散射模型并利用卷积神经网络（CNN）构建的。与大多数先前的模型不同，AOD-Net不是分别估计传输矩阵和大气光，而是直接通过一个轻量级的CNN生成清晰图像。这种新颖的端到端设计使得将AOD-Net嵌入到其他深度模型中变得简单，例如，用于提升雾霾图像上高级任务性能的Faster R-CNN。
Object Detection in Foggy Conditions by Fusion of Saliency Map and YOLO
weixin_36670529的博客
06-17 1149
摘要 在有雾的情况下，能见度下降，造成许多问题。由于大雾天气，能见度降低会增加交通事故的风险。在这种情况下，对附近目标的检测和识别以及对碰撞距离的预测是非常重要的。有必要在有雾的情况下设计一个目标检测机制。针对这一问题，本文提出了一种VESY(Visibility Enhancement Saliency YOLO)传感器，该传感器将雾天图像帧的显著性映射与目标检测算法YOLO (You Onl.........
目标检测算法——图像去雾开源数据集汇总（速速收藏）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询&Python科研绘图】
03-24 6651
🎄🎄近期，小海带在空闲之余收集整理了一批图像去雾开源数据集资源供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
图像增亮，去雾，检测识别
weixin_51994127的博客
03-02 4240
基于快速去雾的图像亮度增强方法 | (rzwm.github.io) 低亮度图片增强算法：基于去雾算法的低亮度图像增强算法 - 简书 (jianshu.com) paper地址：untitled (dongxuan8811.github.io) 直方图处理：CV任务中如何解决图像光照度不均匀的问题 - 哔哩哔哩 (bilibili.com) gamma变换：深度学习数据增强之亮度变换 - 知乎 (zhihu.com) 黑暗中的yolo：黑暗中的YOLO：解决黑夜里的目标检测 | ECCV 202.
YOLOv10改进 | 图像去雾 | MB-TaylorFormer改善YOLOv10高分辨率和图像去雾检测（ICCV，全网独家首发）
Snu77的博客
07-10 1010
本文给大家带来的改进机制是图像去雾MB-TaylorFormer，其发布于2023年的国际计算机视觉会议（ICCV）上，可以算是一遍比较权威的图像去雾网络，是一种为图像去雾设计的多分支高效Transformer网络，它通过应用泰勒公式展开的方式来近似softmax-attention机制，实现了线性的计算复杂性，原本的网络计算量和参数量比较高，我对其进行了一定的跳转参数量和计算量都大幅度的降低，其为高分辨率图像处理也提供了一种新的解决方案。欢迎大家订阅我的专栏一起学习YOLO！
An All-in-One Network for Dehazing and Beyond （IEEE2017）用于除雾及其他应用的一体化网络
qq_44185614的博客
11-22 1089
本文提出了一种使用卷积神经网络（CNN）构建的图像去雾模型，称为一体式去雾网络（AOD-Net）。它是基于重新制定的大气散射模型而设计的。AOD-Net 没有像以前的大多数模型那样分别估计传输矩阵和大气光，而是通过轻量级 CNN 直接生成干净的图像。这种新颖的端到端设计可以轻松地将 AOD-Net 嵌入到其他深度模型中，例如 Faster R-CNN，以提高模糊图像上的高级任务性能。合成和自然模糊图像数据集的实验结果表明，我们在 PSNR、SSIM 和主观视觉质量方面比最先进的技术具有更优越的性能。
评论
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