YOLO11叶片病害检测提升 | 具有切片操作的SimAM注意力结合卷积，助力病害检测

原创

AI小怪兽

发布于 2025-07-17 09:44:35

2570

💡💡💡问题点：SimAM计算整张特征图的像素差平均值时加权可能会忽略小目标的重要性，同时与整体平均值相比可能和背景信息相似，导致加权增强较弱，进而使得SimAM对小目标的增强能力较差。

💡💡💡本文解决对策：引入了切片操作，当特征图被切成不同的块后，大目标由于其纹理特征明显会影响所在块的平均值，导致其获得的额外加权减少，而合并特征图后，大目标依然可以保持高可识别度甚至获得进一步增强；而小目标的特征与局部平均值差距更大，从而获得更多加权，小目标特征得到增强，即sws模块保证了大、小目标都获得了公正的关注和增强。

💡💡💡高效和卷积结合，代替原始网络的卷积操作；

Conv_SWS | mAP50从原始的0.528提升至 0.538，该方法使用其他任务的叶片病害检测任务

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

原文链接：YOLOv11全网首发：注意力独家魔改 | 具有切片操作的SimAM注意力，魔改SimAM助力小目标检测_yolov11魔改-CSDN博客

摘要：SimAM是一个无神经网络的特征增强模块，具有轻量级的优点，且在提升识别性能方面有潜力，基于此我们设计了新模块sws,之所以加入切片操作是因为SimAM计算整张特征图的像素差平均值时加权可能会忽略小目标的重要性，小目标在航拍图像中占比比较小，与整体平均值相比可能和背景信息相似，导致加权增强较弱，进而使得SimAM对小目标的增强能力较差。

因此我们引入了切片操作，当特征图被切成不同的块后，大目标由于其纹理特征明显会影响所在块的平均值，导致其获得的额外加权减少，而合并特征图后，大目标依然可以保持高可识别度甚至获得进一步增强；而小目标的特征与局部平均值差距更大，从而获得更多加权，小目标特征得到增强，即sws模块保证了大、小目标都获得了公正的关注和增强。

性能如下：

💡💡💡 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 Conv_SWS加入YOLO11

mAP50从原始的0.528提升至 0.538

YOLO11-Conv_SWS summary (fused): 311 layers, 2,618,724 parameters, 0 gradients, 7.1 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 11/11 [00:11<00:00,  1.09s/it]
                   all        351       1580      0.528      0.554      0.538       0.28
            Cercospora         25         39      0.337      0.205      0.237      0.122
                 Miner         69        111       0.65      0.847      0.778      0.509
                 Phoma        134        254      0.563      0.622      0.609      0.319
                  Rust        144       1176      0.562      0.543      0.526       0.17

改进结构图：

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。

腾讯技术创作特训营S14#补给站

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。

腾讯技术创作特训营S14#补给站

登录后参与评论

0 条评论

热度