- 博客(452)
- 收藏
- 关注
RSS订阅原创 YOLOv10损失函数设计哲学：NMS-Free架构下的标签分配与损失计算
如果一对一分枝在训练后仍然输出大量冗余框，那么“NMS-Free”只是一个名义上的标签，实际部署时还是得加后处理。YOLOv10之所以敢在推理时彻底跳过NMS，正是因为一致匹配度量在训练中已经把一对一分枝的预测分布塑造得足够稀疏。
2026-10-28 11:57:15
254
原创 YOLOv8的DFL（Distribution Focal Loss）源码实现：边界框分布的建模艺术
ncnn 生态的处理方式提供了另一个观察窗口。Tencent ncnn 的。
2026-10-28 11:56:59
106
原创 YOLO11改进之自适应阈值Focal Loss：街景感知场景下的误检降低方案
街景感知中的误检，很大一部分根源不在检测头，而在。2026年5月发表于的 BiFP-ATFL-YOLO11 工作，在 YOLO11 上引入与 BiFPN，在 BDD100K 真实街景上将 mAP@0.5 从 51.10% 推至 51.50%，mAP@0.5:0.95 从 30.4% 提升到 30.6%，且。增幅看似不大，但考虑到 YOLO11 本身已是高度调优的基线，。
2026-10-27 12:41:32
144
原创 YOLOv5损失函数中的Objectness损失：正负样本不平衡的根本解决方案
上线后漏检率莫名偏高。问题不在数据增强，也不在学习率，而在Objectness损失所处理的那个最底层的矛盾——正负样本的极端不平衡。本文从YOLOv5的源码逻辑出发，拆解它为什么仍然是2026年边缘部署中处理这一矛盾最可复现的工程方案，并结合竞品演进、部署实测与安全风险给出可落地的调参判断。
2026-10-27 12:41:05
9
原创 YOLOv8的Varifocal Loss vs Focal Loss：分类损失函数的实战对比
这是很多人在密集小目标场景下用 YOLOv8 默认损失函数时踩过的同一个坑。问题往往不在学习率，而在分类损失函数本身。YOLOv8 用的是 Varifocal Loss（VFL），但大量教程和“改进实战”文章仍在推荐把 Focal Loss 塞进去。两者到底差在哪里？什么场景下 Focal Loss 反而会成为陷阱？2026 年 YOLO26 移除 DFL 之后，VFL 在损失体系中的位置又发生了什么变化？这篇文章用源码、实测数据和近三个月的社区实践，把这件事拆开讲清楚。
2026-10-26 18:15:54
111
原创 YOLOv5的CIoU vs GIoU vs DIoU：边界框回归损失函数的演进与选型指南
如果你在2026年打开一份YOLOv5的训练日志，大概率仍然会在里看到CIoU=True这个默认开关。从v6.2到v7.0，再到今天Ultralytics平台上的维护版本，YOLOv5的定位损失始终锚定在CIoU上，GIoU和DIoU作为可替换选项保留在代码库中。但“默认”从来不等于“在所有场景下最优”。这篇文章把三者的演进逻辑拆开，把近两年公开实验里藏着的“规模依赖性”挖出来，再落到部署端和选型决策上。
2026-10-26 18:15:39
11
原创 YOLO26的ProgLoss渐进式损失平衡深度解读：训练稳定性的底层数学原理
YOLO26 的 ProgLoss 不是在“调参”，而是在双检测头并置的架构下，用一条随时间衰减的权重曲线，把训练早期的“稠密监督稳定性”和训练后期的“端到端推理一致性”在数学上焊接到了一起。理解这条曲线，比记住“ProgLoss 是渐进损失”有用得多。
2026-10-22 09:05:13
329
原创 YOLOv5损失函数改进：注意力机制+损失函数联合优化，煤矿安全帽检测实战
安全帽检测正在从“单帧分类问题”向“时序行为理解问题”迁移。2026 年已经出现将。
2026-10-22 09:04:52
118
原创 YOLOv9改进之N-EIoU：信号感知边界框回归损失在叶片病害检测中的实战
病斑框总是“差一点对不上”。更棘手的是，稻瘟病、褐斑病这类早期病斑往往只占图像面积不到 5%，在复杂田间背景下，模型很容易把优化精力集中在少数“好框”上，而放弃那些低重叠的困难样本。在 arXiv 上发布，核心不是换骨干、不是加注意力，而是从边界框回归损失本身动手，用“信号感知”的思路重塑定位梯度。这篇博文不堆砌概念，而是从出发，把 N-EIoU 的设计逻辑、代码落地、竞品定位和边缘部署方案一次讲透。
2026-10-21 12:22:38
231
原创 MoEIoU：将边界框回归重新思考为专家混合模型，YOLO全系列通用
让损失函数在训练过程中根据当前预测框的误差分布，动态把梯度分配给“最需要修正”的那个几何项。更关键的是，它是。
2026-10-21 12:22:19
125
原创 YOLOv11损失函数改进之FSEIoU：无人机海上救援场景下的自适应边界框回归
FSEIoU需要修改训练侧的。在开源社区中，大量“YOLO损失函数修改教程”以代码片段形式传播，部分片段包含不必要的文件读写、网络请求或eval调用。在机载训练管线中引入未经审计的自定义损失实现，等价于在供应链中打开一个任意代码执行入口。Ultralytics在v8.3.116中将GitHub workflow权限收紧为只读，正是为了降低CI/CD环节的供应链攻击面。只从论文作者公开仓库或经过代码审计的 fork 中获取FSEIoU实现，并在隔离的训练环境中先行验证数值稳定性。
2026-10-20 12:33:53
110
原创 YOLOv8损失函数改进之CondConv+CN-YOLO：参数化卷积核如何适应多尺度目标
根据 IEEE Xplore 2026 年 6 月收录的 CN-YOLO 论文（会议日期 2026 年 4 月 10–12 日，桂林），YOLOv8 的标准卷积“依赖静态参数共享，无法适应遥感图像中多样的纹理、尺度和语义”。高 IoU 阈值下的定位精度差距，恰恰是“密集小目标边界框回归不够稳”的直接体现。但在密集小目标遥感数据里，这个假设会失效——大量中等质量的 anchor 恰恰是“最值得学”的样本，而极高质量的样本已经学得很好，极低质量的样本又可能是标注噪声或极端遮挡，继续加权只会放大有害梯度。
2026-10-20 12:33:34
13
原创 YOLO模型改进的通用方法论：从消融实验到SOTA的完整科研范式
再决定是否进入 Neck 做特征融合层面的修改。另一项 MMAF-YOLO 的研究则展示了“Backbone 单独加”与“Backbone + Neck 同时加”的差异：单独加 MMAF backbone 时 mAP@0.5 已有提升，但同时将 MFM 集成进 Neck 后，速度调整到 63 FPS 才使精度-速度的 trade-off 进入可部署区间。
2026-10-19 12:07:17
143
原创 YOLOv11轻量化改进之GSConv与VoV-GSCSP：计算量减半精度不掉的核心技术
YOLOv11 相比 YOLOv8 在 Backbone 和 Head 上做了 C3k2 与 C2PSA 的替换，但Neck 仍然以标准卷积和 C3k2 为主体。Neck 承担的是多尺度特征融合：把 Backbone 不同 stage 的输出反复上采样、下采样、拼接、卷积。问题在于，特征融合阶段的通道数往往已经被 Backbone 拉得很高（例如 256/512），而标准卷积在每个空间位置上做全通道乘加，计算量随通道数平方增长。
2026-10-19 12:06:50
19
原创 YOLOv8改进之ASIoU自适应SIoU：小目标增加自适应权重的完整数学推导
所谓axis-wise，指的是距离惩罚在x轴和y轴方向上的分配也应该随目标形状自适应——一个宽而扁的目标，垂直方向的中心偏移比水平方向更“致命”，距离惩罚的轴向权重需要相应倾斜。与此同时，形状项 αv 对纵横比的约束是恒定的，不随回归质量变化——一个已经IoU=0.85的高质量预测和一个IoU=0.25的低质量预测，在CIoU眼里需要“纠正形状”的紧迫程度是一样的。小目标检测的质量瓶颈恰恰在于高IoU阈值下的召回——框的大致位置对了，但边界精度不够，在IoU=0.75或0.9的判据下仍然算错。
2026-10-18 13:25:56
127
原创 YOLOv8损失函数改进之NWD-IoU：小目标检测中IoU失效时的替代方案
更具体一点：目标尺寸掉到32×32以下时，明明预测框“肉眼可见地慢慢靠近真值框”，但loss曲线几乎平了，模型“看得到但学不会”。这不是调参能解决的问题。根因在于IoU类度量在小尺度下的：两个框完全不重叠时IoU=0，梯度归零，网络拿不到任何优化方向。而小目标恰恰最容易出现“完全不重叠”的初始化状态。
2026-10-18 13:23:05
16
原创 YOLOv5改进之GAM全局注意力机制：涨点明显但计算量增加多少？
GAM在YOLOv5上的真实账本：涨点：mAP@0.5提升0.6~1.3个百分点（消融实验确认的独立贡献）代价：参数量增加3050%，FLOPs增加1316%，FPS下降约18%最佳插入位置：主干网络P3/P4特征图之后，C3模块之后、下采样Conv之前部署建议：FP16优先，INT8需逐层混合精度校准决策树：FPS > 30 且精度已满足→ 不加注意力，保持baselineFPS > 30 但需要小幅涨点→ ECA（几乎零开销）FPS 15~30，需要精度优先→ GAM（接受速度代价）
2026-10-17 13:48:52
378
原创 YOLOv8改进之BiFPN替换PANet：特征融合的全面升级实战
在目录下新建bifpn.py"""两输入BiFPN加权融合模块"""w = self.w"""三输入BiFPN加权融合模块"""w = self.w使用torch.ones而非初始化权重向量，能避免在模型导出ONNX时因维度不匹配导致的算子融合失败。这是社区实践中反复踩坑后总结的经验。BiFPN替换PANet不是“为了改而改”的学术行为，而是针对YOLOv8 Neck网络特征融合瓶颈的系统性解决方案。
2026-10-17 13:48:32
131
原创 YOLO11改进之DBA-YOLO双骨干设计：轻量化与精度的双重追求
RT-DETR的表现则更加分化。DBA-YOLO能做到“压参不降精度反而升精度”，核心原因在于双骨干架构在提升表达能力的同时，通过CSGF模块控制了计算量，而剪枝+蒸馏的压缩流程在剪枝后有效恢复了性能。其3.45M的参数量在INT8量化后，模型文件体积预计可压缩至1-2MB级别，配合RK3576或Jetson Orin NX等平台，有望在保持实时帧率（>30FPS）的同时维持检测精度。蒸馏的目标不是简单地让学生模仿教师的输出分布，而是结合了特征层的中间表示对齐，帮助剪枝后的模型恢复泛化能力。
2026-10-16 11:23:59
269
原创 YOLOv8轻量化：SE注意力 vs CBAM vs ECA，谁才是最佳轻量级注意力？
在YOLOv8轻量化改造中，SE、CBAM、ECA三种注意力机制到底该选谁？本文基于2026年最新论文实测数据与社区基准测试，从架构开销、检测精度、边缘部署三个维度做了系统性对比。结论可能和你想的不太一样——
2026-10-16 11:23:43
143
原创 YOLOv5改进之Transformer自注意力引入：涨点与速度的残酷权衡
另一个值得关注的方向来自Elsevier 2026年10月的研究：Local Cross Attention（LCA）模块，通过局部窗口内的交叉注意力捕获邻域上下文，避免全局注意力的O(n²)开销，YOLO-LCA-nano以2.69M参数和7.7 GFLOPs的极致轻量实现69.64%的mAP50，超越YOLOv11n 4.36个百分点。量化模型的IoU值分布更宽、低IoU离群值密度更高，这意味着在某些极端输入下，量化模型可能产生完全错误的检测结果，而非简单的精度下降。可以部分缓解，但无法从根本上消除。
2026-10-15 12:15:01
11
原创 YOLOv8改进之ASIoU自适应损失函数：小目标收敛速度提升的数学原理
IoU（Intersection over Union）的定义简单到离谱：预测框A与真实框B的交集面积除以并集面积。值在[0,1]之间，越大说明框得越准。第一个：当两个框不相交时，IoU恒等于0。梯度直接消失，模型不知道往哪个方向调整。训练初期预测框乱飘的时候，这个情况尤其严重。第二个：IoU无法区分两个框的对齐方式。同样大小的IoU值可能对应完全不同的重叠情况——一个框偏左，一个框偏右，IoU算出来可能一样。模型学不到“方向感”。
2026-10-15 12:14:40
148
原创 YOLO11改进之PCSED-YOLO：复杂环境下跨尺度多目标穿戴检测实战
Ultralytics于2024年9月30日正式发布YOLO11，其mAP在COCO数据集上相比YOLOv8有显著提升，同时参数效率更优——YOLO11m的参数量比YOLOv8m少22%，却取得了更高的平均精度均值。C3k2和C2PSA。C3k2是YOLOv8中C2f模块的优化实现，在保持结构连续性的同时优化了计算效率。C2PSA则在YOLOv10的PSA模块基础上引入了多分支注意力框架与金字塔切片特征聚合，通道和空间注意力机制嵌入了多头注意力。
2026-10-14 11:59:55
145
原创 YOLOv8轻量化之EfficientRep骨干：替代CSPDarknet的完整对比实验
CPU推理提速约11%：EfficientRep的融合单分支结构在CPU上优势显著，延迟从1.8ms降至1.6msGPU吞吐提升约4%：RTX 3090上GPU延迟从37.2ms降至38.5ms（注意：此处优快云数据中GPU延迟有所增加，但在边缘设备Jetson Orin NX上实测吞吐提升10%）精度损失极小：mAP@0.5仅下降0.3%，在多数实际业务场景中可接受部署友好：ONNX导出后模型大小减少30-40%，NPU适配无op fallback训练显存降低约13%
2026-10-14 11:59:32
10
原创 YOLOv8改进之C2f到C2f+：RepVGG风格重参数化在Neck中的实战
根据IEEE在2025年8月发表的一项研究，基于YOLOv8-seg的改进模型在替换C2f为RepC2f模块后，分割速度从87.46 FPS提升到了98.28 FPS，在Jetson Orin Nano上实现了24.32 FPS的实时推理。将C2f中的标准卷积替换为RepVGG风格的卷积块，本质上是在Neck中植入“训练-推理解耦”的能力。根据RLSC-YOLOv8s-seg的设计经验，RepC2f模块是为嵌入式设备量身定制的，在保持C2f的跨阶段特征分流架构的同时，用重参数化卷积替代了标准卷积。
2026-10-09 14:26:48
131
原创 YOLO模型部署中的预处理与后处理优化：从Letterbox到NMS的CUDA加速实现
代码注入：恶意算子可能破坏整个ML流水线资源耗尽：实现不当或恶意的算子可能消耗过量计算资源，导致拒绝服务数据外泄：访问敏感数据的自定义算子可能被设计为隐蔽泄露信息模型操纵：算子可能篡改推理结果建议：对自定义算子进行严格的代码审查和沙箱测试，优先使用官方验证的插件。从Letterbox到NMS，YOLO部署中的预处理与后处理优化已经从“锦上添花”变成了“必选项”。CPU预处理2-10ms的延迟和CPU NMS毫秒级的开销，在TensorRT亚毫秒级推理的映衬下显得格外刺眼。幸运的是，
2026-10-07 14:31:54
116
原创 YOLOv10n改进之FA-YOLO：用多尺度注意力替换PSA模块的完整实战
根据2026年1月发表在ScienceDirect上的综合评估研究，在复杂果园环境中对比YOLOv8至YOLOv12的结果显示：YOLOv10x取得了0.908的最高精度分数，YOLO11n以2.4ms的最快推理速度领先。FA-YOLO的MSAM、CFA-YOLOv10的AIFI、YOLO-CGVE的CA方案，本质上都在解决同一个问题：如何在极低计算预算下实现有效的全局上下文建模。FA-YOLO的实验证明，仅在Backbone末端做MSAM替换即可获得2.5%的mAP提升，这是性价比最高的改法。
2026-09-30 22:07:58
115
原创 YOLOv8轻量化改进：坐标注意力与EfficientNet结合的车辆检测方案
根据Ultralytics官方文档的基准数据，YOLOv8n的参数量约为3.0M，GFLOPs约为8.1，在桌面GPU上轻松跑到数百FPS，但移植到Jetson Nano或树莓派这类边缘平台时，帧率会急剧下降。森林火灾场景倾向用EfficientNet-B0级别的轻量版本，而钢铁表面缺陷检测研究则用了EfficientNet-B6作为YOLOv8的主干，在GC10-DET数据集上取得了94.6%的mAP@0.5:0.95。2026年6月发表的一项夜间交通目标检测研究在CA的基础上，额外引入了。
2026-09-30 22:07:18
16
原创 YOLO11改进之Bee-YOLO：密集小目标检测场景下的算法增强实战
在无人机航拍、智能安防、自动驾驶等场景中，小目标检测始终是绕不开的“硬骨头”。YOLO11自2024年9月由Ultralytics发布以来，凭借架构精炼和多任务统一框架迅速成为工业界首选检测器。然而，当目标尺寸降到16×16像素以下、且密集分布时，YOLO11的原始架构依然力不从心。2026年6月，安徽工程大学张振副教授团队在Applied Soft Computing（中科院2区TOP，IF 7.8）发表Bee-YOLO，以蜜蜂复眼为灵感，在YOLO11基础上实现密集小目标检测的显著增强。
2026-09-20 12:08:17
163
原创 YOLOv5轻量化改进：从模型剪枝到知识蒸馏的完整模型压缩方案
训练后量化（PTQ）：零训练成本，但INT8量化后精度通常掉1%-3%量化感知训练（QAT）：需要额外训练，但精度损失可以控制在0.5%以内实战建议：先剪枝再量化。2026年FPGA大赛的经验帖直接给出了教训：直接把YOLOv5s卷积层量化到INT8，精度从89%掉到68%；先做通道剪枝去掉贡献小的通道再量化，精度掉得会少得多。正确顺序：剪枝 → 微调 → QAT → TensorRT编译。部署方案硬件实测FPS模型大小适用场景DeepSparse多核CPU~2MB无GPU服务器。
2026-09-20 12:07:51
20
原创 YOLOv8改进之LP-YOLO：自注意力机制与特征金字塔融合的烟雾检测实战
LP-YOLO的定位很清晰：在YOLOv8基础上，用WTConv扩展感受野、用BiFPN增强跨尺度融合、用FreqFusion精修特征边界，最终在D-Fire数据集上实现mAP@50提升9.3%、模型缩小76.3%、推理速度238 FPS的综合表现。它不是参数最多的模型，也不是精度最高的模型，但在烟雾检测这个特定任务上，它找到了精度与效率的最佳平衡点。
2026-09-19 12:49:23
12
原创 YOLOv11轻量化改进：SPDConv与CSP-OK在特征金字塔中的工程实现
2026年6月9日，Ultralytics发布了v8.4.63版本，最重要的变化是新增对NVIDIA TensorRT 11的导出支持，FP16和INT8量化通过NVIDIA ModelOpt实现，取代了旧版的TensorRT builder flags和calibrator接口。这对SPDConv+CSP-OK改进模型的部署意义重大。# 安装最新版ultralytics# 导出TensorRT引擎（FP16精度）# 导出INT8量化引擎（需要校准数据集）
2026-09-19 12:49:02
137
原创 YOLOv8改进之NWD-IoU复合损失：小目标检测精度提升的数学原理与代码实现
一个自然的问题是：既然NWD这么好，为什么不直接替换CIoU？答案在于尺度自适应。NWD对小目标友好，但对于中大目标，CIoU的收敛速度更快、最终精度更高。根据2026年Springer旗下期刊的一项对比实验，EIoU在整个训练过程中收敛最慢且波动最大，SIoU和DIoU的收敛速度较快但最终损失值略高，而WIoU v3虽然早期波动明显，但后期下降趋势更快、收敛值更低。不存在一种“万能损失函数”。合理的策略是针对不同尺度的目标动态调整损失权重。
2026-09-11 11:38:30
23
原创 YOLO11改进之SSCW-YOLO：无人机视角下小目标的轻量高精度检测方案
SSCW-YOLO由四川农业大学何卓伦、佘锐等研究者提出，发表于MDPI Drones期刊2026年第10卷第1期（论文编号Drones 2026, 10(1), 41）。注意，SSCW-YOLO的基线模型是YOLOv8而非YOLO11，但其核心改进思路对YOLO11同样具有重要的借鉴价值。SCoConv（空间余弦卷积模块）——嵌入骨干网络，优化空间特征C2f_ScConv（改进特征融合模块）——减少空间和通道维度的特征冗余WIoU损失函数——替代原始CIoU损失，减少漏检。
2026-09-11 11:37:56
124
原创 YOLOv5导出为ONNX时的算子兼容性问题排查：不同框架版本的不兼容解决方案
YOLOv5导出ONNX常因环境依赖、Opset版本不兼容及架构差异报错。核心问题包括：PyTorch与ONNX算子不匹配、高Opset版本导致边缘设备不支持（如RDK X5仅支持opset 11）、YOLOv5 5.0的切片操作引发导出失败。解决方案为：升级至6.1+版本以规避Focus层问题，显式指定opset_version=11，使用onnx-simplifier降级模型，并针对RK3588、RDK X5等平台剥离后处理或调整环境。关键原则：目标平台支持的最高Opset + 严格验证模型兼容性。
2026-09-10 18:05:51
290
原创 YOLOv11 TensorRT引擎构建时的Workspace配置与Layer Fusion策略
本文深入解析YOLOv11部署中TensorRT引擎构建的核心调优技巧，聚焦Workspace配置演进与Layer Fusion优化。针对TensorRT 10.x API变更，强调--memPoolSize=workspace:<size>替代旧参数的重要性，并建议根据GPU显存合理设置4-16GB Workspace以平衡性能与构建时间。同时，剖析YOLOv11架构中的层融合机会，如C2f模块、检测头及上采样融合，指出通过设置Builder Optimization Level（3）可最大化融合效果。结
2026-09-10 18:04:09
146
原创 YOLOv11的模型剪枝与蒸馏：部署前的模型瘦身技术全景
<think>我们最终需要根据要求生成一个≤150字的文章摘要。用户给出的内容很长，但摘要必须根据内容生成。内容主要介绍YOLOv11在边缘设备部署的挑战，以及剪枝和蒸馏的模型压缩技术。摘要需要涵盖核心要点，字数限制。我们需用中文，简洁。所以，摘要应指出问题（边缘设备算力墙）、方法（剪枝和知识蒸馏）和主要成果。我们写：针对边缘设备部署YOLOv11面临的资源瓶颈，本文综述了结构化剪枝（如BN缩放因子、LAMP、DepGraph）和知识蒸馏（逻辑蒸馏BCKD、特征蒸馏CWD）等压缩技术，并对比其效果，为模型瘦
2026-09-09 10:06:00
225
原创 YOLOv8在Hailo-8与RK3588等边缘加速器上的部署性能横向对比
<think>我们只需要根据给定内容生成摘要，不超过150字。需要涵盖主要对比结论：Hailo-8 vs RK3588在YOLOv8部署上的性能、工具链、成本等。提取关键数据：Hailo-8达101.2 FPS (YOLOv8s)，RK3588 34.6 FPS (YOLOv8n)，Hailo-8工具链更友好，RK3588成本效益好。摘要需简洁。</think>边缘AI部署正从“能不能跑”走向“跑多快、多省、多稳”。YOLOv8在Hailo-8与RK3588上的对比显示：Hailo-8以26TOPS数据流架
2026-09-09 10:05:10
123
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人