攻克低照度检测难题：YOLOv11主干网络增强新方案PE-YOLO详解

原创 于 2026-01-17 09:34:27 发布 · 70 阅读 · 0 GEO检测
话题
#开源项目吐槽大会

购买即可解锁300+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，别人有的本专栏也有！

文章目录


在这里插入图片描述

YOLOv11低照度增强主干网络PE-YOLO：原理与完整实现教程

低照度环境下的目标检测一直是计算机视觉领域的重大挑战。传统YOLOv11在光线充足时表现优异，但在光照不足条件下性能显著下降。PE-YOLO通过引入低照度图像增强模块作为主干网络前置处理器，有效解决了这一难题。

算法核心原理

PE-YOLO的核心创新在于将低照度图像增强网络集成到YOLOv11的骨干网络前端。该增强模块基于物理成像模型，将低照度图像分解为光照分量和反射分量，分别进行处理。

物理模型基础

低照度图像形成可表示为：I = L × R + N
其中I为观测图像，L为光照分量，R为反射分量，N为噪声。PE模块通过深度学习网络估计光照图L，进而恢复出清晰图像R。

网络架构设计

PE模块采用编码器-解码器结构，编码器部分使用5个卷积层提取多尺度特征，解码器通过上采样和跳跃连接保留细节信息。该模块直接处理原始输入图像，输出增强后的图像送入YOLOv11的Backbone。

完整代码实现

环境配置与依赖


                

                
                
        

    






  


  

    

      标签
      

          #YOLO
          #网络
      

    

  






        

                

                  

                  

                  了解本专栏
                  
                  
                    
                  订阅专栏 解锁全文
                   
                

        


    



                



	

		

			

				
					
目标检测-击穿黑夜的PE-YOLO

				
			

			

				

					记录学习的小白
				

				

					07-28
					
					3354
					
				

			

		

		

			
				
近年来，卷积神经网络（CNN）的出现推动了目标检测领域的发展。大量的检测器被提出，针对基准数据集的性能也取得了令人满意的结果。然而，大多数现有的检测器都是在高质量图像和正常条件下进行研究的。而在实际环境中，往往存在许多恶劣的光照条件，如夜晚、暗光和曝光不足，导致图像质量下降，从而影响了检测器的性能。视觉感知模型使得自动系统能够理解环境并为后续任务（如轨迹规划）奠定基础，这需要一个稳健的目标检测或语义分割模型。图1是一个暗光目标检测的示例。

			
		

	



                

            
              



	

		

			

				
					
深度学习论文: PE-YOLO: Pyramid Enhancement Network for Dark Object Detection及其PyTorch实现

				
			

			

				

					mingo_敏
				

				

					09-11
					
					1474
					
				

			

		

		

			
				
当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗条件下检测物体仍然是一个巨大的挑战。为了解决这个问题，我们提出了一个金字塔增强网络（PENet），并将其与YOLOv3结合起来构建一个名为PE-YOLO的暗物体检测框架。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。具体来说，我们提出了一个细节处理模块（DPM）来增强图像的细节，它由上下文分支和边缘分支组成。此外，我们提出了一个低频增强滤波器（LEF）来捕捉低频语义并防止高频噪声。

			
		

	



              


  
              

                


	

		

			

				
					
利用PP-YOLOE实现雾天环境下的行人车辆目标检测：技术、实现与优化

				
			

			

				

					斌擎科技
				

				

					06-28
					
					1084
					
				

			

		

		

			
				
本篇博客将会探讨基于PP-YOLOE的雾天行人车辆目标检测技术。由于视觉环境的复杂性，传统的目标检测方法在雾天、雨天等低能见度环境下往往表现不佳。在这种背景下，使用强大的PP-YOLOE模型为低能见度环境下的目标检测提供了新的解决方案。PP-YOLOE是一种改进的目标检测模型，它结合了YOLO（You Only Look Once）的高效性与PaddlePaddle的易用性，加上额外的改进来优化模型的性能。

			
		

	





	

		

			

				
					
【目标检测】——PE-YOLO精读

				
			

			

				

					怡宝2号
				

				

					10-06
					
					2499
					
				

			

		

		

			
				
卷积神经网络（CNNs）在近年来如何推动了物体检测的发展。许多检测器已经被提出，而且在许多基准数据集上的性能正在不断提高。然而，大多数现有的检测器都是在正常条件下对高质量图像进行研究。在真实环境中，经常会出现许多糟糕的光照条件，如夜晚、暗光和曝光过度，这些条件会降低图像的质量，影响检测器的性能。前人的解决方案：…略本文采用了金字塔增强网络（PENet）和YOLOv3。首先，PENet使用拉普拉斯金字塔将图像分解为四个不同分辨率的组件。

			
		

	



		

			
		



	

		

			

				
					
攻克低照度目标检测难题：PE-YOLO的核心原理与实战指南

				
			

			

				

					know_F0727的博客
				

				

					11-28
					
					91
					
				

			

		

		

			
				
首先，我们需要在YOLOv5的模型定义文件（如。

			
		

	





	

		

			

				
					
PE-YOLO：解决黑夜中的目标检测难点

				
			

			

				

					小白学视觉
				

				

					08-07
					
					1550
					
				

			

		

		

			
				
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达目前的目标检测模型在许多基准数据集上都取得了良好的效果，在夜晚或者黑暗条件下检测目标仍然是一个巨大的挑战。01简介为了解决这个问题，有研究者提出了一个金字塔增强网络（pyramid
enhanced network，PENet），并将其与YOLOv3结合起来，构建了一个名为PE-YOLO的暗目标检测框架。首先，PENet使用拉普...

			
		

	





	

		

			

				
					
*攻克低照度目标检测难题：PE-YOLO的核心原理与实战指南**

				
			

			

				

					m0_71589036的博客
				

				

					12-17
					
					55
					
				

			

		

		

			
				
首先，我们需要在YOLOv5的模型定义文件（如。

			
		

	





	

		

			

				
					
突破低光照检测瓶颈：PE-YOLO核心技术解析与实战应用

					
最新发布

				
			

			

				

					m0_71589036的博客
				

				

					01-13
					
					204
					
				

			

		

		

			
				
首先，我们需要在YOLOv5的模型定义文件（如。

			
		

	





	

		

			

				
					
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）

				
			

			

				

					wzk4869的博客
				

				

					07-23
					
					1252
					
				

			

		

		

			
				
【计算机视觉 | 目标检测】arxiv 计算机视觉关于目标检测的学术速递（7 月 21 日论文合集）

			
		

	





	

		

			

				
					
YOLOE，2022年新版YOLO解读

					
热门推荐

				
			

			

				

					chenxiangrong的博客
				

				

					03-31
					
					1万+
					
				

			

		

		

			
				
前言： 这是2022年第一个关于YOLO的改版，该版本由百度提出，称之为YOLOE，是目前各项指标sota的工业目标探测器，具有高性能且部署相对友好。
该检测器的设计机制包括：

Anchor free无锚盒机制
可扩展的backbone和neck，由CSPRepResStage构成
头部机制ET-head
动态标签分配算法Task Alignment Learning（TAL）
该团队提供了s/m/l/x模型，YOLOE-l在COCO-Test中mAP达到51.1，在V100上可达71.1FPS，相对于Y

			
		

	





	

		

			

				
					
CVPR PE-YOLO文章翻译

				
			

			

				

					我不想CV的博客
				

				

					02-28
					
					895
					
				

			

		

		

			
				
PENet通过拉普拉斯金字塔将图像分解为不同分辨率的分量。在PENet中，我们通过提出的细节处理模块（DPM）和低频增强滤波器（LEF）。增强了每个量表的组成部分将图像I∈Rh×w×3定义为输入，我们使用高斯金字塔获得不同分辨率的子图像。其中Down表示下采样，Gaussian表示高斯滤波器，高斯核的大小为5×5。每次高斯金字塔操作后，图像的宽度和高度减半，这意味着分辨率是原始的14。显然，高斯金字塔的下采样操作是不可逆的。

			
		

	





	

		

			

				
					
无惧暗光！| PE-YOLO: 夜视环境物体检测新突破（附源码实现）

				
			

			

				

					专注计算机视觉全栈知识分享
				

				

					08-12
					
					2726
					
				

			

		

		

			
				
PE-YOLO 是一种新颖的暗环境物体检测框架，该框架整合了金字塔增强网络（PENet）和YOLOv3。为了解决在暗光条件下图像可见性差的问题，该方法使用拉普拉斯金字塔将图像分解为具有不同分辨率的多个组件。然后，利用新提出的详细处理模块（DPM）和低频增强滤波器（LEF）增强这些组件的详细信息和低频信息。PE-YOLO以端到端的方式进行训练，无需额外的损失函数。通过在ExDark数据集上进行的实验，PE-YOLO相较于其他的低光照增强模型和暗光物体检测器，显示出了最佳的性能。

			
		

	





	

		

			

				
					
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection——论文笔记

				
			

			

				

					wyj2228785069的博客
				

				

					01-20
					
					2189
					
				

			

		

		

			
				
PE-YOLO论文阅读

			
		

	





	

		

			

				
					
【读点论文】PP-YOLOE: An evolved version of YOLO，面向友好部署的模型设计，为项目后续产业落地提供了更加有效的参考

				
			

			

				

					白水空空
				

				

					07-28
					
					1552
					
				

			

		

		

			
				
与ResNet类似，我们的主干名为CSPRepResNet，包含一个由三个卷积层组成的主干，以及由我们的RepResBlock堆叠的四个后续阶段，如上图(d)所示。让网络的这两个部分同时进行训练，因为加载的backbone模型已经具有提取特征的能力了，在我们的训练过程中，会对他进行微调，使得其更适合于我们自己的任务。在本报告中，我们提出了PPYOLOv2的几个更新，包括可扩展的主干颈架构，高效的任务对齐头，先进的标签分配策略和改进的目标损失函数，形成了一系列高性能的目标检测器，称为PP-YOLOE。

			
		

	





	

		

			

				
					
YOLOv8低照度增强主干网络PE-YOLO：原理与完整实现教程

				
			

			

				

					FJN110的博客
				

				

					11-28
					
					77
					
				

			

		

		

			
				
编码器部分# 解码器部分self.dec_conv2 = nn.Conv2d(512, 128, 3, padding=1) # 跳跃连接self.dec_conv3 = nn.Conv2d(256, 64, 3, padding=1) # 跳跃连接self.dec_conv4 = nn.Conv2d(128, 32, 3, padding=1) # 跳跃连接# 编码路径# 解码路径（带跳跃连接）

			
		

	





	

		

			

				
					
PE-YOLO: Pyramid Enhancement Network for Dark Object Detection

				
			

			

				

					Kingchenchen2199的博客
				

				

					09-15
					
					760
					
				

			

		

		

			
				
目标检测在不利的条件下（黑暗环境）性能较低，为此，本文提出了一个金字塔增强网络（PENet），并将其与YOLOv3联合起来，构建了一个名为PE-YOLO的暗目标检测框架。在精度和准确度PE-YOLO都得到了大幅度的提升。LEF（丰富重构图像的语义）。假设分量为f∈Rh×w×3，我们首先通过卷积层将其转换为f∈Rh×w×32。使用一个动态低通滤波器来捕获低频信息，并且我们使用平均池化来进行特征滤波，这只允许低于截止频率的信息通过。不同语义下的低频阈值是不同的。

			
		

	





	

		

			

				
					
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干

				
			

			

				

					走向CTO的路上...
				

				

					09-12
					
					1560
					
				

			

		

		

			
				
本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。本文介绍了一种利用低照度增强网络PE-YOLO改进YOLOv8模型主干网络的方法，以提高模型在暗光条件下的物体检测性能。该方法在COCO数据集的低照度子集上取得了显著的精度提升。

			
		

	





	

		

			

				
					
YOLOv8改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干（改进暗光条件下的物体检测模型）

				
			

			

				

					Snu77的博客
				

				

					01-17
					
					7211
					
				

			

		

		

			
				
本文给大家带来的改进机制是低照度图像增强网络PE-YOLO中的PENet，PENet通过拉普拉斯金字塔将图像分解成多个分辨率的组件，增强图像细节和低频信息。它包括一个细节处理模块（DPM），用于通过上下文分支和边缘分支增强图像细节，以及一个低频增强滤波器（LEF），以捕获低频语义并减少高频噪声。同时该网络的发布版本并不完善，存在二次创新的机会，后期我会将其网络进行二次创新，增强低照度的检测性能。同时该网络发布版本存在Bug我也已经修复。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的

			
		

	



              




          





        



    




    



      

      

        
      

      





	

		
评论 2

	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
YOLO君

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值