YOLOv8改进 | ODConv卷积助力极限涨点（附修改后的C2f、Bottleneck模块代码）

一、本文介绍

这篇文章给大家带来的是发表于2022年的ODConv(Omni-Dimensional Dynamic Convolution)中文名字全维度动态卷积，该卷积可以即插即用，可以直接替换网络结构中的任何一个卷积模块，在本文的末尾提供可以直接替换卷积模块的ODConv，添加ODConv模块的C2f和Bottleneck(配合教程将代码复制粘贴到你自己的代码中即可运行)给大家，该卷积模块主要具有更小的计算量和更高的精度，其中添加ODConv模块的网络(只替换了一处C2f中的卷积)参数量由8.9GFLOPS减小到8.8GFLOPS，精度也有提高->下面的图片是精度的对比(因为训练成本我只是用了相同的数据集100张图片除了修改了ODConv以后其他配置都相同下面是效果对比图左面为修改版本，右面为基础版本)

专栏目录：YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备 

适用场景：轻量化、所有检测目标时均可使用进行有效涨点

目录

一、本文介绍

二、基本原理介绍

2.1ODConv基本原理介绍 

2.2论文总结

三、ODConv代码

四、在模型中调用ODConv模块

4.1 ODConv添加步骤

4.1.1 步骤一

4.1.2 步骤二

4.1.3 步骤三

4.2 ODConv的yaml文件一

4.3 ODConv的yaml文件二

五、全文总结 

---

二、基本原理介绍

论文地址：论文地址点击即可跳转阅读

代码地址：文末提供复制粘贴的代码块

---

大家估计只是冲着代码来看，估计很少想要看其原理的，所以我们这里