YOLO11叶片病害检测提升 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
原创
YOLO11叶片病害检测提升 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
原创
💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力
💡💡💡如何使用：1）直接作为注意力使用，加入backbone
MSAM 加入backbone | mAP50从原始的0.528提升至 0.542，该方法使用其他任务的叶片病害检测任务
改进结构图如下：
1.咖啡叶病害检测介绍
原来的数据集包含 1899 个疾病标记，分布在潜叶蝇（540 个）、锈病（621 个）、壳针孢（464 个）和褐斑病（274 个）这几个类别中，未考虑健康叶片的标记。然而，在一位专家审查并修改了标注后，标记的总数显著增加，达到了 8226 个。其中，潜叶蝇、锈病、壳针孢和褐斑病分别有 341、6013、1671 和 201 个标记。标记数量的增加反映了在提高受疾病影响区域的代表性方面所做的努力，并确保了更准确的真实情况，从而使得该数据库在训练和评估模型方面更加稳健。
1.1咖啡叶病害检测数据集介绍
数据集大小：
1213 images for training
351 Images for validation
180 Images for testing类别4类：
nc: 4
names: ['Cercospora', 'Miner', 'Phoma', 'Rust']细节图：
标签可视化分析
2.原理介绍
💡💡💡本文自研创新改进：MSAM（CBAM升级版）：通道注意力具备多尺度性能，多分支深度卷积更好的提取多尺度特征，最后高效结合空间注意力
原文链接：YOLO11涨点优化：原创自研 | 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM_msam yolo-CSDN博客
💡💡💡 在多个数据集验证涨点，尤其对存在多个尺度的数据集涨点明显
💡💡💡提供多种yaml改进方法
3.如何提升叶片病害检测精度
3.1 原始网络性能
实验结果如下：
原始mAP50为0.528
YOLO11 summary (fused): 238 layers, 2,582,932 parameters, 0 gradients, 6.3 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 11/11 [00:10<00:00, 1.01it/s]
all 351 1580 0.513 0.56 0.528 0.281
Cercospora 25 39 0.352 0.205 0.228 0.125
Miner 69 111 0.577 0.892 0.784 0.521
Phoma 134 254 0.58 0.591 0.612 0.321
Rust 144 1176 0.544 0.552 0.487 0.155
3.2 MSAM加入backbone
mAP50从原始的0.528提升至 0.542
YOLO11-MSAM summary (fused): 251 layers, 2,676,982 parameters, 0 gradients, 6.4 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 11/11 [00:11<00:00, 1.05s/it]
all 351 1580 0.503 0.58 0.542 0.282
Cercospora 25 39 0.351 0.222 0.22 0.123
Miner 69 111 0.667 0.811 0.786 0.51
Phoma 134 254 0.473 0.677 0.626 0.32
Rust 144 1176 0.523 0.611 0.537 0.174
结构图如下：
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
