1. 项目背景与核心价值
海上交通目标检测一直是计算机视觉领域的重要应用场景。传统的检测方法在复杂海面环境下往往表现不佳,存在误检率高、小目标漏检等问题。我们团队基于YOLO系列算法的最新研究成果,提出了YOLO12-C3k2-EMA这一创新架构,在多个关键指标上实现了显著提升。
这个改进版本主要针对三个技术痛点进行优化:
- 复杂海况下的目标模糊问题
- 密集小目标检测的准确率问题
- 模型在边缘设备上的部署效率问题
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心改进点解析
2.1 C3k2模块的创新设计
C3k2是我们重新设计的特征提取模块,相比传统C3模块有以下改进:
python复制class C3k2(nn.Module):
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
super().__init__()
c_ = int(c2 * e)
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 * c_, c2, 1)
self.m = nn.Sequential(
*(Bottleneck(c_, c_, shortcut, g, k=(3,5)) for _ in range(n))
)
self.attention = EMA(c2) # 新增EMA注意力
def forward(self, x):
y1 = self.m(self.cv1(x))
y2 = self.cv2(x)
return self.attention(self.cv3(torch.cat((y1, y2), 1)))
关键改进包括:
- 双分支结构增强特征多样性
- 混合卷积核尺寸(3×3和5×5)处理不同尺度目标
- 集成EMA注意力机制
2.2 EMA注意力机制实现
EMA(Exponential Moving Average)注意力
