学习资源站

YOLOv11改进-细节涨点篇-文本感知CARAFE提高精度的上采样方法（助力细节长点）

一、本文介绍

本文给大家带来的 CARAFE （Content-Aware ReAssembly of FEatures）是一种用于增强 卷积神经网络 特征图 的上采样方法。其主要旨在 改进传统的上采样方法 （ 就是我们的Upsample ） 的性能。 CARAFE的核心思想是： 使用输入特征本身的内容来指导上采样过程，从而实现更精准和高效的特征重建。 CARAFE是一种即插即用的上采样机制其本身并没有任何的使用限制 ， 特别是在需要精细上采样的场景中，如图像超分辨率、语义分割等。这种方法改善了上采样过程中的细节保留和重建质量，使网络能够生成更清晰、更准确的输出。 所以在YOLOv11的改进中其也可以做到一个提高精度的改进方法 。

欢迎大家订阅我的专栏一起学习YOLO！

二、CARAFE的机制原理

论文地址： 官方论文地址点击即可跳转

代码地址： 官方代码地址点击即可跳转

2.1 CARAFE的基本原理

CARAFE（Content-Aware ReAssembly of FEatures） 是一种用于增强卷积神经网络特征图的上 采样方法 。这种方法首次在论文《CARAFE: Content-Aware ReAssembly of FEatures》中提出，旨在改进传统的上采样方法（如双线性插值和转置卷积）的性能。

CARAFE通过在每个位置利用底层内容信息来预测重组核，并在预定义的附近区域内重组特征。由于内容信息的引入，CARAFE可以在不同位置使用自适应和优化的重组核，从而比主流的上采样操作符（如插值或反卷积）表现更好。

CARAFE包括 两个步骤 ： 首先 预测每个目标位置的重组核，然后用预测的核重组特征。给定一个尺寸为 H×W×C 的特征图和一个上采样比率 U，CARAFE将产生一个新的尺寸为 UH×UW×C 的特征图。 其次 CARAFE的核预测模块根据输入特征的内容生成位置特定的核，然后内容感知重组模块使用这些核来重组特征。

CARAFE可以无缝集成到需要上采样操作的现有框架中 。 在主流的密集预测任务中，CARAFE对高级和低级任务（如对象检测、实例分割、语义分割和图像修复）都有益处，且额外的参数微不足道。

2.2 图解CARAFE原理

下图是CARAFE工作机制的示意图。左侧展示了来自Mask R-CNN的多层FPN（特征金字塔网络）特征（直至虚线左侧），右侧展示了集成了CARAFE的Mask R-CNN（直至虚线右侧）。对于采样的位置，该图显示了FPN自上而下路径中累积重组的区域。这样一个区域内的信息被重组到相应的重组中心。

下图展示了CARAFE的整体框架。CARAFE由两个关键部分组成，即核预测模块和内容感知重组模块。在这个框架中，一个尺寸为 H×W×C 的特征图被上采样因子 U(=2) 倍。

下图展示了集成了CARAFE的特征金字塔网络（FPN）架构。在这个架构中，CARAFE在FPN的自上而下路径中将特征图的尺寸上采样2倍。CARAFE通过无缝替换最近邻插值而整合到FPN中，从而优化了特征上采样的过程。

2.3 CARAFE的效果图

下图比较了COCO 2017 验证集 上基线（上面）和CARAFE（下面）在实例分割结果方面的差异。

总结： 我个人觉得其实其效果提升比较一般甚至某些数据集上提点很微弱，但是它主要的作用是减少计算量是一个更加轻量化的上采样方法。

三、CARAFE的复现源码

我们将在 “ultralytics/nn” 目录下面创建一个文件将其复制进去，使用方法在后面会讲。 

  1. import torch
  2. import torch.nn as nn
  3. from ultralytics.nn.modules import Conv
  5. __all__ = ['CARAFE']
  7. class CARAFE(nn.Module):
  8.     def __init__(self, c, k_enc=3, k_up=5, c_mid=64, scale=2):
  9.         """ The unofficial implementation of the CARAFE module.
  10.         The details are in "https://arxiv.org/abs/1905.02188".
  11.         Args:
  12.             c: The channel number of the input and the output.
  13.             c_mid: The channel number after compression.
  14.             scale: The expected upsample scale.
  15.             k_up: The size of the reassembly kernel.
  16.             k_enc: The kernel size of the encoder.
  17.         Returns:
  18.             X: The upsampled feature map.
  19.         """
  20.         super(CARAFE, self).__init__()
  21.         self.scale = scale
  23.         self.comp = Conv(c, c_mid)
  24.         self.enc = Conv(c_mid, (scale * k_up) ** 2, k=k_enc, act=False)
  25.         self.pix_shf = nn.PixelShuffle(scale)
  27.         self.upsmp = nn.Upsample(scale_factor=scale, mode='nearest')
  28.         self.unfold = nn.Unfold(kernel_size=k_up, dilation=scale,
  29.                                 padding=k_up // 2 * scale)
  31.     def forward(self, X):
  32.         b, c, h, w = X.size()
  33.         h_, w_ = h * self.scale, w * self.scale
  35.         W = self.comp(X)  # b * m * h * w
  36.         W = self.enc(W)  # b * 100 * h * w
  37.         W = self.pix_shf(W)  # b * 25 * h_ * w_
  38.         W = torch.softmax(W, dim=1)  # b * 25 * h_ * w_
  40.         X = self.upsmp(X)  # b * c * h_ * w_
  41.         X = self.unfold(X)  # b * 25c * h_ * w_
  42.         X = X.view(b, c, -1, h_, w_)  # b * 25 * c * h_ * w_
  44.         X = torch.einsum('bkhw,bckhw->bchw', [W, X])  # b * c * h_ * w_
  45.         return X

四、添加CARAFE到 模型 中

4.1 修改一

第一还是建立文件，我们找到如下 ultralytics /nn文件夹下建立一个目录名字呢就是'Addmodules'文件夹 (用群内的文件的话已经有了无需新建) ！然后在其内部建立一个新的py文件将核心代码复制粘贴进去即可。

​

4.2 修改二

第二步我们在该目录下创建一个新的py文件名字为'__init__.py'( 用群内的文件的话已经有了无需新建) ，然后在其内部导入我们的检测头如下图所示。

4.3 修改三

第三步我门中到如下文件'ultralytics/nn/tasks.py'进行导入和注册我们的模块( 用群内的文件的话已经有了无需重新导入直接开始第四步即可) ！

从今天开始以后的教程就都统一成这个样子了，因为我默认大家用了我群内的文件来进行修改！！

​

4.4 修改四

按照我的添加在parse_model里添加即可。

五、CARAFE的yaml文件和运行记录

5.1 CARAFE的yaml文件

此版本训练信息：YOLO11-CARAFE summary: 339 layers, 2,735,147 parameters, 2,735,131 gradients, 6.7 GFLOPs 

  1. # Ultralytics YOLO 🚀, AGPL-3.0 license
  2. # YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
  4. # Parameters
  5. nc: 80 # number of classes
  6. scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'
  7.   # [depth, width, max_channels]
  8.   n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPs
  9.   s: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPs
  10.   m: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPs
  11.   l: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPs
  12.   x: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs
  14. # YOLO11n backbone
  15. backbone:
  16.   # [from, repeats, module, args]
  17.   - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  18.   - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  19.   - [-1, 2, C3k2, [256, False, 0.25]]
  20.   - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  21.   - [-1, 2, C3k2, [512, False, 0.25]]
  22.   - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  23.   - [-1, 2, C3k2, [512, True]]
  24.   - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  25.   - [-1, 2, C3k2, [1024, True]]
  26.   - [-1, 1, SPPF, [1024, 5]] # 9
  27.   - [-1, 2, C2PSA, [1024]] # 10
  29. # YOLO11n head
  30. head:
  31.   - [-1, 1, CARAFE, []]
  32.   - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  33.   - [-1, 2, C3k2, [512, False]] # 13
  35.   - [-1, 1, CARAFE, []]
  36.   - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  37.   - [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)
  39.   - [-1, 1, Conv, [256, 3, 2]]
  40.   - [[-1, 13], 1, Concat, [1]] # cat head P4
  41.   - [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)
  43.   - [-1, 1, Conv, [512, 3, 2]]
  44.   - [[-1, 10], 1, Concat, [1]] # cat head P5
  45.   - [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)
  47.   - [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)

5.2 训练代码

大家可以创建一个py文件将我给的代码复制粘贴进去，配置好自己的文件路径即可运行。 

  1. import warnings
  2. warnings.filterwarnings('ignore')
  3. from ultralytics import YOLO
  5. if __name__ == '__main__':
  6.     model = YOLO('yolov8-MLLA.yaml')
  7.     # 如何切换模型版本, 上面的ymal文件可以改为 yolov8s.yaml就是使用的v8s,
  8.     # 类似某个改进的yaml文件名称为yolov8-XXX.yaml那么如果想使用其它版本就把上面的名称改为yolov8l-XXX.yaml即可（改的是上面YOLO中间的名字不是配置文件的）！
  9.     # model.load('yolov8n.pt') # 是否加载预训练权重,科研不建议大家加载否则很难提升精度
  10.     model.train(data=r"C:\Users\Administrator\PycharmProjects\yolov5-master\yolov5-master\Construction Site Safety.v30-raw-images_latestversion.yolov8\data.yaml",
  11.                 # 如果大家任务是其它的'ultralytics/cfg/default.yaml'找到这里修改task可以改成detect, segment, classify, pose
  12.                 cache=False,
  13.                 imgsz=640,
  14.                 epochs=150,
  15.                 single_cls=False,  # 是否是单类别检测
  16.                 batch=16,
  17.                 close_mosaic=0,
  18.                 workers=0,
  19.                 device='0',
  20.                 optimizer='SGD', # using SGD
  21.                 # resume='runs/train/exp21/weights/last.pt', # 如过想续训就设置last.pt的地址
  22.                 amp=True,  # 如果出现训练损失为Nan可以关闭amp
  23.                 project='runs/train',
  24.                 name='exp',
  25.                 )

5.3 CARAFE的训练过程截图

五、本文总结

到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~