零基础手把手教程：在 YOLOv13 中集成 SFSConv，让目标检测更上一层楼
文章目录
- 零基础手把手教程：在 YOLOv13 中集成 SFSConv，让目标检测更上一层楼
- 前言
- 目录
- 1. 为什么需要 SFSConv？传统 CNN 的局限与高级特征的需求
- 1.1 传统卷积的特点与不足
- 1.2 多尺度特征的重要性
- 1.3 频域信息的潜力
- 1.4 注意力机制的价值
- 2. SFSConv 核心模块：设计理念与数学基础
- 2.1 Conv 模块：基石
- 2.2 注意力机制：聚焦关键信息
- 2.3 分数伽柏滤波器（Fractional Gabor Filter）：纹理与多尺度感知
- 2.4 分数傅里叶变换（FrFT）：时频分析的利器
- 2.5 GaborFPU 和 FourierFPU：多尺度频率特征的聚合
- 2.6 SPU 模块：自适应空间特征提取
- 2.7 SFS\_Conv：融合空域与频域的超级模块
- 2.8 Bottleneck\_SFSConv 和 SFSConv (包装器)
- 3. YOLOv13 架构解析与 SFSConv 的集成点
- 3.1 SFSConv 模块在 YOLOv13 中的战略位置
- 4. 手把手教学：YOLOv13 SFSConv 模块移植实战
- 4.1 环境准备
- 4.2 第一步：创建 `ultralytics\cfg\models\v13\yolov13-SFSConv.yaml`
- 4.3 第二步：修改 `ultralytics\nn\tasks.py` 文件
- 4.4 第三步：修改 `ultralytics/nn/modules/__init__.py`
- 4.5 第四步：创建 `ultralytics\nn\modules\SFSConv.py`
- 4.6 第五步：修改 `ultralytics\nn\modules\block.py`
- 4.7 验证与测试
- 5. 训练与性能评估
- 5.1 如何启动训练
- 5.2 理解训练指标：准确率、mAP
- 5.3 性能提升的深层原因分析
- 6. 总结与展望
- 源码教程与复现
- 移植
- 创建ultralytics\cfg\models\v13\yolov13-SFSConv.yaml
- 修改ultralytics\nn\tasks.py
- 修改ultralytics/nn/modules/__init__.py
- 创建ultralytics\nn\modules\SFSConv.py
- 修改ultralytics\nn\modules\block.py
绿色线条是添加SFSConv模块，准确率添加5.21个点，map提升11.45.
前言
在计算机视觉领域，目标检测一直是核心且充满挑战的任务。随着深度学习技术的飞速发展，以 YOLO（You Only Look Once）系列为代表的单阶段检测器凭借其卓越的速度和精度，在各种实际应用中大放异彩。从最初的 YOLOv1 到如今的 YOLOv8、YOLOv13 等变体，其架构不断演进，融合了最新的研究成果以提升性能。
然而，传统的卷积神经网络（CNN）在特征提取方面，尤其是对图像中的复杂纹理、多尺度细节以及频域信息进行有效捕获时，仍存在局限性。标准的卷积操作通常擅长提取局部空间特征，但对全局上下文、频率模式以及非线性变换下的鲁棒性表现可能不足。
为了解决这些问题，研究人员不断探索新的卷积设计和特征增强机制。本文将向您详细介绍如何在 YOLOv13 框架中集成一种名为SFSConv (Spatial-Frequency Separated Convolution)的创新模块。该模块巧妙地结合了分数伽柏滤波（Fractional Gabor Filter）和分数傅里叶变换（Fractional Fourier T
)
