YOLOv13 GatherExcite模块深度解析：YOLOv13革命性注意力机制让你的YOLOv13模型性能暴涨！多尺度空间信息收集 参数/非参数双模式 增强型特征处理

原创 已于 2025-08-23 15:17:10 修改 · 235 阅读 · 9 GEO检测
于 2025-08-22 13:44:05 首次发布

🔥 GatherExcite模块深度解析：革命性注意力机制让你的YOLO模型性能暴涨！

文章目录


在这里插入图片描述

🚀 引言与背景

注意力机制的演进历程

在深度学习的发展历程中，注意力机制已经成为提升模型性能的关键技术。从最初的SENet（Squeeze-and-Excitation Networks）开始，研究者们不断探索如何让神经网络更加"专注"于重要的特征信息。

传统注意力机制的局限性：

  • SENet：仅考虑通道维度的全局池化，忽略了空间信息的重要性
  • CBAM：虽然结合了通道和空间注意力，但处理方式相对简单
  • ECA-Net：改进了通道注意力的计算效率，但空间建模能力有限

GatherExcite的创新突破

GatherExcite（收集-激励）模块是由Ross Wightman在timm库中提出的一种创新注意力机制，它在传统的Squeeze-and-Excitation基础上进行了重要改进：

核心创新点：

  1. 灵活的空间信息收集：通过可配置的gather操作，支持全局到局部的多尺度信息收集
标签
#YOLO
了解本专栏 订阅专栏 解锁全文
YOLOv13 GatherExcite革命性注意力机制让你的YOLOv13模型性能暴涨！多尺度空间信息收集 参数/非参数双模式 增强型特征处理
FJN110的博客
08-23 202
YOLOv13注意力教程 GatherExcite是一种创新的注意力机制，通过"收集-处理-激励"YOLOv13注意力教程 三阶段流程，显著提升了传统注意力模型的性能。YOLOv13注意力教程 它采用灵活的空间信息收集策略，支持多尺度池化（全局/局部）和参数化深度卷积，克服了SENet等仅关注通道维度的局限。模块提供参数化和非参数化选项，可平衡计算效率与表达能力，并支持多种池化组合和激活函数。这种设计使GatherExcite能自适应不同任务需求，YOLOv13注意力教程 YOLOv13
网球运动动作识别关键点姿态估计检测数据集COCO+YOLO格式4775张4类别18关键点
FL1623863129的博客
07-18 233
关键点名称：["nose","left_eye","right_eye","left_ear","right_ear","left_shoulder","right_shoulder","left_elbow","right_elbow","left_wrist","right_wrist","left_hip","right_hip","left_knee","right_knee","left_ankle","right_ankle","neck"]标注数量(txt文件个数)：4775。
架空绝缘电缆缺陷胶皮缆线破损检测数据集VOC+YOLO格式3346张1类别
FL1623863129的博客
07-19 91
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证。wire_defect 占有图片数 = 3346。标注类别名称:["wire_defect"]图片数量(jpg文件个数)：3346。标注数量(xml文件个数)：3346。标注数量(txt文件个数)：3346。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
yolov8m-seg（下）的详细后处理
weixin_45209433的博客
07-20 212
后处理的输入，也就是backbone、Segment的输出，不管输入的原始图片多大，网络都是会letterbox到640x640的大小，经过backbone之后，输出特征层P3 P4 P5，每层的特征输入到Segment层后，输出对应的64维的目标框、80类的类别、以及32维的mask系数，以及学习的固定大小的prototype 160x160x32。Anchor-free类（例如FCOS）的目标框公式如下图，其中对于任意位置(x,y)，预测(l,t,r,b)，目标框真实位置是(x0,y0)
OpenCV工业视觉实战06｜ROI区域截取+局部精细化检测，锁定作业区域、屏蔽无效背景，大幅提升YOLO检测准确率
m0_62869384的博客
07-16 202
OpenCV 工业视觉实战第六篇，重点讲解工业项目必备的 ROI 感兴趣区域截取技术，包含固定矩形截取、掩码遮罩、不规则多边形区域绘制三种落地方案。通过屏蔽无效背景、锁定作业检测区域，配合全套图像预处理流水线与 YOLO 模型推理，有效解决厂区场外干扰、路人误检、算力分散等工程痛点，非常适合安全帽检测、穿戴合规检测、危险区域入侵检测项目落地。
深度学习论文: MambaPSA: A Mamba-based Replacement for C2PSA in YOLO26
mingo_敏
07-17 38
本文提出MambaPSA方法，通过状态空间模型优化YOLO26目标检测器的计算效率。MambaPSA包含两个核心模块：1）替换骨干网络C2PSA的单向Mamba模块，降低12.1%参数量和计算量，CPU推理速度提升17.6%而mAP仅降0.1；2）用于颈部网络的BiViM双向Mamba模块，实验表明在P4层插入能最优平衡精度与体积，避免P3层对小目标检测的负面影响。该方法在保持检测精度的同时显著提升运行效率，特别适合边缘设备部署。代码已开源。
16 Softmax在YOLOv8中只做一件事——把16个Bin的分数变成概率
weixin_43951955的博客
07-16 393
Softmax 在 YOLOv8 中只用于 DFL 解码——把 16 个 bin 的原始分数变成概率分布（加起来 = 1），然后才能加权平均算出坐标。分类分支用的是 Sigmoid，不是 Softmax。
YOLO 转 RKNN 识别率降低调优操作手册（新手篇）
让每一行代码都有改变世界的力量
07-18 362
面向第一次接触模型量化的新手工程师。按步骤执行，通常可在 2~3 轮迭代内把 INT8 量化后的 mAP 损失压到 1% 以内。每一步都给出可复制的命令、代码模板和验收检查点。：2026-07。
YOLO模型转为onnx并部署到C++工程中
qq_62909870的博客
07-16 246
（一款专为移动端和嵌入式设备优化的神经网络前向计算框架）的。7.复制编译后生成的".bin"和“.param”文件。8.粘贴这两个文件后，在代码中改好模型文件名就可以了。4.打开SDK如下图中的路径。把onnx文件放进去。2.运行export文件，生产onnx。6.在打开的终端中输入如下编译命令。1.首先在YOLO中训练好模型。
带标注的药品包装缺陷数据集，识别率93%，2422张图，支持yolo，coco json，voc xml,文末有模型训练代码
yolo模型训练找我，AI游戏合作找我
07-15 297
​带标注的药品包装缺陷数据集，识别率93%，2422张图，支持yolo，coco json，voc xml,文末有模型训练代码。
Arm Ethos‑U65：YOLOv8n 模型准备与 Vela 编译
CHY_128的博客
07-16 521
本文为Arm Ethos-U65学习笔记第四篇，主要介绍基于YOLO v8n模型的目标检测实现流程。文章使用现成的量化tflite模型，详细说明了Python实现流程：图像预处理、模型推理、输出反量化和后处理（置信度筛选、NMS等）。后处理部分将复用至芯片仿真验证环节。文中提供了完整的Python代码，包括模型加载、推理执行及结果解码等关键步骤，为后续在芯片仿真环境和裸机开发中的实现奠定了基础。
建筑工地施工机械人员材料施工要素目标检测数据集VOC+YOLO格式27278张26类别
2403_88102872的博客
07-15 211
concrete_mixer_truck（混凝土搅拌车） 占有图片数 = 984。TowerCrane（塔式起重机） 占有图片数 = 3613。ForeignObject（异物） 占有图片数 = 14。road_roller（压路机） 占有图片数 = 310。PileDriver（打桩机） 占有图片数 = 467。excavator（挖掘机） 占有图片数 = 3879。BirdCarcass（鸟尸） 占有图片数 = 28。scaffold（脚手架） 占有图片数 = 4415。
基于YOLO26煤矿安全帽检测系统1：煤矿安全帽检测数据集说明(含下载链接)
修行之路
07-19 236
基于YOLO26煤矿安全帽检测系统1：煤矿安全帽检测数据集说明(含下载链接)
【YOLO26系列】基于YOLO26的面部表情检测系统【python源码+Pyqt5界面/WEB+数据集+训练代码】
IT创客
07-17 216
核心功能：支持单张图片、文件夹批量、视频、摄像头四种输入方式的面部表情检测，支持检测结果本地保存，同时提供PyQt5桌面GUI与Flask网页两种交互界面；数据集：包含9种常见面部表情类别（生气、轻蔑、厌恶、恐惧、开心、自然、悲伤、困倦、惊讶），可直接下载使用；代码支持：提供完整的训练脚本、验证脚本、预测脚本与数据处理脚本，可直接用于自定义数据集的训练；环境配置：提供详细的项目依赖清单与PyTorch环境安装指引。
YOLO训练 vs LlamaFactory训练 完整区分
lou_liang的博客
07-20 269
YOLO = 眼睛，负责看懂图片视频里有什么物体；LlamaFactory = 大脑，负责看懂文字、回答问题、记忆知识库；看画面、定位物体用 YOLO；聊文字、查知识、做对话用 LlamaFactory。
基于YOLO26自然灾害雪崩检测系统1：自然灾害雪崩检测数据集说明(含下载链接)
修行之路
07-18 187
基于YOLO26自然灾害雪崩检测系统1：自然灾害雪崩检测数据集说明(含下载链接)
基于YOLOv8的无人机识别与检测系统（含完整源码+数据集）
Michael_Jay的博客
07-19 207
本项目是一个围绕 YOLOv8 构建的无人机识别与检测系统，涵盖从数据集组织、模型训练、参数调优、结果评估，到桌面端系统集成的完整流程。以 Anti-UAV 单类别目标检测数据集为基础，完成无人机目标检测模型训练，并在 PyQt6 图形界面中实现了图片识别、视频识别、摄像头实时识别、模型管理、训练指标展示与检测历史管理等功能。
yolov7-tiny简化网络yaml配置文件
毕竟是Shy哥
07-16 44
yolov7代码结构简单，效果还好，但是动辄超过70几个模块的配置文件对于想要对网络进行魔改的朋友还是不怎么友好的，使用最小的tiny也有77个模块。代码的整体结构简单，直接将ELAN结构化写成一个类就能像yolov5一样仅仅只有20几个模块，方便对网络结构进行魔改，看着也不容易头晕。先创建配置文件yolov7-tiny-ELAN.yaml。在yolo.py中的parse_model中增加。在common.py中增加。
简明 | Yolo-v3结构理解摘要
最新发布
Frost_Descent的博客
07-21 3380
本文介绍了YOLO-v3目标检测网络的核心结构。网络采用Darknet-53作为主干，结合特征金字塔(FPN)进行特征融合。主要组件包括DBL(卷积+BN+LeakyReLU)、残差模块(Res-n含多个Res-unit)以及拼接层(concat)和上采样层。其中残差结构借鉴ResNet使网络更深，concat层实现特征图维度的扩展，上采样通过插值或转置卷积提高分辨率。这些组件共同构成了YOLO-v3的特征提取和预测系统。
YOLO系列学习（一）：从计算机视觉到YOLOv1——目标检测的范式革命
厚积薄发的博客
07-17 1221
YOLO目标检测算法学习笔记 本文是YOLO系列学习的第一篇文章，主要介绍了目标检测的基础知识和YOLOv1的核心思想。YOLOv1的技术细节和优缺点
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

YOLO君

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