一、本文介绍
Hyper-YOLO是一种创新的目标检测模型，将超图计算集成到YOLO架构中，以捕捉视觉特征之间复杂的高阶相关性，从而提升目标检测性能。
本文记录如何在YOLO26的项目包中配置并运行Hyper-YOLO模型。
文章目录
- 一、本文介绍
- 二、Hyper-YOLO模型介绍
-
- 2.1 设计出发点
- 2.2 结构
- 2.3 优势
- 三、Hyper-YOLO的实现代码
- 四、添加步骤
-
- 4.1 修改一
- 5.2 修改二
- 5.3 修改三
- 五、yaml模型文件
-
- 5.1 hyper-yolo
- 5.2 hyper-yolot
- 5.3 hyper-yolo-seg
- 六、成功运行结果
二、Hyper-YOLO模型介绍
Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation
Hyper-YOLO是一种创新的目标检测模型，将超图计算集成到YOLO架构中，以捕捉视觉特征之间复杂的高阶相关性，从而提升目标检测性能。
2.1 设计出发点
传统YOLO模型在颈部设计上存在局限，限制了跨层特征融合和高阶特征关系的挖掘。
具体表现为，PANet颈部主要在相邻层融合特征，无法充分实现跨层特征整合；而像Gold – YOLO的收集 – 分发颈部设计虽促进了层间信息交换，但仍缺乏特征图内的跨位置交互，且未深入探索高阶相关性。
这些不足限制了模型对不同尺度和位置特征的理解，影响了目标检测的性能。而超图能够表示复杂的高阶相关性，其超边可连接两个或更多顶点，相比简单图具有更强的表达能力，适合用于建模视觉数据中特征图的跨层和跨位置相关性，因此引入超图计算来改进YOLO模型。
2.2 结构
- 骨干网络（Backbone）：采用混合聚合网络（MANet），融合了1×1旁路卷积、深度可分离卷积（DSConv）和C2f模块。这种设计丰富了训练阶段的梯度流，增强了基础特征的语义深度，提升了特征提取能力。
