会AI的学姐

RepViTBlock合适的卷积核大小和优化挤压-激励大幅提升检测精度

Powerful-IoU更加聚焦锚框的新型IoU，快速收敛,一种结合了目标尺寸自适应惩罚因子和基于锚框质量的梯度调节函数的损失函数

YOLOv9的下采样ADown助力RT-DETR

使用GELAN改进架构引入到RT-DETR

一种超轻量高效动态上采样DySample， 具有更少的参数、FLOPs，效果秒杀CAFFE和 nn.Upsample

Focaler-IoU更加聚焦的IoU损失Focaler-IoU，能够在不同的检测任务中聚焦不同的回归样本，使用线性区间映射的方法来重构IoU损失

多层次特征融合（SDI）结合DualConv、GSConv模块等实现二次创新

Shape-IoU结合基于辅助边框的Inner-IoU损失，小目标检测实现涨点，基于辅助边框的优化前提下，更加关注边界框本身的形状和尺度来计算损失

本文改进：提出了一种新颖的Shape-IoU，小目标检测实现涨点，更加关注边界框本身的形状和尺度来计算损失

轻量化卷积设计 | DualConv双卷积魔改RT-DETR结构

论文：摘要：提出了一种新的基于注意尺度序列融合的You Only Look Once (YOLO)框架(ASF-YOLO)，该框架结合了空间和尺度特征，实现了准确、快速的细胞实例分割。在YOLO分割框架的基础上，采用尺度序列特征融合(SSFF)模块增强网络的多尺度信息提取能力，采用三特征编码器(TPE)模块融合不同尺度的特征映射，增加详细信息。我们进一步引入了通道和位置注意机制(CPAM)来集成SSFF和TPE模块，它们专注于信息通道和空间位置相关的小物体，以提高检测和分割性能。

UniRepLKNet，通用感知大内核卷积网络，ImageNet-22K预训练，精度和速度SOTA，ImageNet达到88%, COCO达到56.4 box AP，ADE20K达到55.6 mIoU

引入MPDIou、WIoU、SIoU、EIoU、α-IoU，适配RT-DETR

本文改进：SEAM、MultiSEAM物体与物体相互遮挡性能；SEAM、MultiSEAM物与物相互遮挡、小目标性能

一种极简的神经网络模型 VanillaNet，支持vanillanet_5, vanillanet_6, vanillanet_7, vanillanet_8, vanillanet_9, vanillanet_10, vanillanet_11等版本，相对于自带的rtdetr-l、rtdetr-x参数量见文章

面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和 FLOPs 超越了基于 CNN/Transformer 的 SOTA 模型，支持四个版本EMO_1M, EMO_2M, EMO_5M, EMO_6M，参数量如下，相对于自带的rtdetr-l、rtdetr-x有很大提升

Inner-IoU,Inner-GIoU,Inner-DIoU,Inner-CIoU,Inner-EIoU,Inner-SIoU，其引入尺度因子ratio控制辅助边框的尺度大小用于计算损失。

Inner-IoU（基于辅助边框的IoU损失）结合MPDIoU进行创新，创新十足，全网首发

1）RT-DETR原理介绍；2）RepConv、GhostConv优化HGBlock

本文内容：1）RT-DETR原理介绍；2）RT-DETR如何训练自己的数据集