墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
4.6k累计阅读
4.7k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
AI摘要
本文介绍了如何使用InnerIoU思想结合SIoU、WIoU等损失函数，提升RT-DETR在目标检测任务中的性能，特别是对小目标检测的精度。通过Inner思想的损失函数，如InnerSIoU、InnerWIoU等，实现了更精确的边界框回归，并给出了代码实现和模型修改方法。
👑欢迎大家订阅本专栏，一起学习RT-DETR👑
本文给大家带来的是RT-DETR最新改进，为大家带来最近新提出的InnerIoU的内容同时用Inner的思想结合SIoU、WIoU、GIoU、DIoU、EIOU、CIoU等损失函数，形成 InnerIoU、InnerSIoU、InnerWIoU等新的损失函数，其中Inner的主要思想是：引入了不同尺度的辅助边界框来计算损失，(该方法在处理非常小目标的检测任务时表现出良好的性能(但是在其它的尺度检测时也要比普通的损失要好)。文章会详细探讨这些损失函数如何提高RT-DETR在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性下面为使用损失数利用我1:1移植过来的模型收敛效果图。
【RT-DETR有效改进】带你分析如何确定改进的基础模型，解决模型无法收敛精度很差的问题(ResNet官方一比一复现)
Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。其次我也将RT-DER的官方版本。
全新RT-DETR 有效涨点改进目录 | 包含各种卷积、主干改进、各种注意力机制、Neck特征融合改进、损失函数、AIFI创新改进、独家创新、小目标检测、特殊场景检测等最全大论文及小论文必备创新改进点
《全新最全RT-DETR涨点改进专栏》提供500+种创新改进方案，涵盖卷积、注意力机制、主干网络等模块优化，适用于PCB检测、工业缺陷检测等场景。专栏包含顶会论文改进点、数据集增强方法、热力图可视化等实用功能，帮助科研人员快速提升模型性能。提供完整环境配置指南（Python3.10+Pytorch2.5.1）和训练教程，支持不同版本RT-DETR模型。定期更新涨点策略，配套QQ答疑群免费指导，适合从入门到发论文全流程需求，特别推荐给目标检测领域的研究生和工程师。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
RT-DETR算法改进：更换损失函数Alpha-IoU损失函数，边界框回归联合损失的幂交集，提升RT-DETR检测精度
RT-DETR算法｜改进Alpha-IoU损失函数
【RT-DETR有效改进】轻量级视觉变换器RepViT改进特征提取网络（轻量化网络）
本位给大家带来的改进机制是RepViT。它是一种最新发布的网络结构，把轻量级的视觉变换器（就是ViT）的设计理念融入到了我们常用的轻量级卷积神经网络（CNN）里。我尝试把它用在RT-DETR的主干网络上，效果还不错，mAP有一定的提高。我用的是这个网络中最轻量级的版本。我将其用于在我的数据上实验（包含多个类别其中包含大中小多个目标类别），无论哪种目标，精度均有所提升。接下来，我会展示一下原始版本和我改进后版本在训练上的对比图。之后会在文章中介绍该网络结构，然后教大家如何修改该网络结构。
RT-DETR算法优化改进：轻量级Backbone改进 | 支持Paddle轻量级 rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等版本
支持百度飞浆resnet各个版本，rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等轻量化backbone
YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络，提高小目标检测精度
ASF-YOLO是一种基于YOLO的新颖框架，结合了空间和尺度特征以实现准确和快速的分割。其中，注意力尺度序列融合模块。
【RT-DETR涨点改进】全网独家首发、主干改进篇 | AAAI 2026 | PartialNet 主干让 RT-DETR 更加强大！引入部分通道机制 和 部分注意力卷积，全方面提升目标检测性能
本文提出了一种改进RT-DETR检测器的主干网络PartialNet，通过引入部分通道机制(PCM)和部分注意力卷积(PATConv)，在保持检测精度的同时显著提升了计算效率。该方法将特征图通道划分为不同部分，分别应用卷积、注意力等操作，减少了计算量和内存占用。PartialNet包含三种规格(PartialNet_s/m/l)，支持动态调整计算复杂度，在ImageNet-1K和COCO数据集上表现出色，特别适合实时目标检测和边缘计算场景。文章详细介绍了网络架构、核心优势及实现方法，包括代码修改步骤。
【RT-DETR有效改进】SIoU、GIoU、CIoU、DIoU、WIoU等多种损失函数
这篇文章介绍了RT-DETR的重大改进，特别是在损失函数方面的创新。它不仅包括了多种IoU损失函数的改进和变体，如SIoU、WIoU、GIoU、DIoU、EIOU、CIoU，还融合了“Focus”思想，创造了一系列新的损失函数。这些组合形式的损失函数超过了二十余种，每种都针对特定的目标检测挑战进行优化。文章会详细探讨这些损失函数如何提高RT-DETR在各种检测任务中的性能，包括提升精度、加快收敛速度和增强模型对复杂场景的适应性。
【RT-DETR涨点改进】小目标检测、特征融合改进篇 | TGRS 2024 | RT-DETR引入CSFM上下文选择融合模块，适合多模态检测、红外小目标检测、小目标检测、遥感目标检测等任务有效涨点
本文提出了一种改进RT-DETR目标检测模型的方法，通过引入上下文选择融合模块（CSFM）显著提升复杂背景下小目标和低对比度目标的检测精度。CSFM模块采用多尺度特征融合和动态特征选择机制，有效增强模型的全局上下文感知能力，同时保留细节特征。该模块通过通道减少机制和空间信息调节，实现从粗到细的特征聚合，减少误报并提高轮廓检测精度。实验表明，改进后的RT-DETR模型在多个基准测试中表现优异，计算效率与检测精度均优于现有方法。文章还详细介绍了模块配置和yaml文件修改方法，为模型部署提供指导。
RT-DETR算法改进：更换损失函数XIoU损失函数，相比较CIoU改进涨点，YOLO改进Trick，提升网络模型性能、收敛速度和鲁棒性，提升RT-DETR检测精度
RT-DETR算法改进 | 更换损失函数XIoU损失函数
RT-DETR算法改进：超多种主干网络改进，包括CNN和Transformer多种核心网络结构
RT-DETR算法改进｜超多种Backbone、CNN和Transformer核心网络结构合集
RT-DETR改进策略：双动态令牌混合器（D-Mixer）的TransXNet，实现RT-DETR的有效涨点
这段文字主要讨论了计算机视觉中的两种模型：Vision Transformer (ViT) 和 Swin Transformer。ViT使用多头自注意力（MHSA）进行长距离建模，取得了显著的进展，但由于其自身没有固有地编码归纳偏置，因此相对于卷积神经网络（CNN），其泛化能力较弱。为了解决这一限制，Swin Transformer引入了移位窗口自注意力，这种结构既引入了归纳偏置，又降低了MHSA的计算成本。但由于Swin Transformer是基于窗口的局部性质，其感受野有限。
SAP S4业务伙伴(BP)实战指南：从角色分配到数据同步的完整流程
本文详细解析了SAP S4业务伙伴(BP)功能，从基础概念到实战操作，涵盖角色分配、数据同步及常见问题排查。通过BP机制，企业可高效管理客户、供应商等多重身份，实现数据共享和动态切换，显著提升主数据管理效率。特别适合SAP实施顾问和ERP管理员参考。
数字IC时序约束实战：深入解析clock_uncertainty的设置策略与后端影响
本文深入探讨数字IC设计中clock_uncertainty的设置策略及其对后端实现的影响。通过分析时钟不确定度的组成（包括clock_skew、clock_jitter和margin），并结合实际项目经验，详细介绍了在不同设计阶段（综合、布局布线、签核）的动态调整方法。文章还提供了工程化处理参数来源、跨时钟域特殊处理以及优化时序收敛的实用技巧，帮助工程师提升数字IC设计的可靠性和性能。
深入解析CRC16查表法：从原理到Modbus协议实践
本文深入解析了CRC16查表法的核心原理与实现，重点阐述了其“空间换时间”的优化思想。通过对比直接计算法，详细说明了查表法如何通过预计算表格将计算速度提升数十倍，并提供了完整的Modbus CRC16查表法代码生成、解析及实战避坑指南，帮助开发者在嵌入式及工业通信场景中高效实现可靠的数据校验。
基于STM32的HC-SR04超声波模块测距（新手级）
本人是嵌入式新手，学习了STM32的部分内容，最近想找些项目做，然后顺便学习了一下HC-SR04超声波模块，学习过程中也参考了一些大佬的文章。本文记录了自己的学习方法和学习过程，同时也希望能和各位大佬交流讨论。
《深入掌握MongoDB数据库》 - 专栏介绍和目录
本专栏系统讲解MongoDB从基础到高级的全栈知识，涵盖安装配置、核心操作、性能优化、安全运维等核心内容。基础部分包括CRUD操作、数据类型、查询语法等入门知识；进阶部分深入索引优化、聚合查询、事务处理等高级特性；核心原理解析存储引擎与数据格式；安全运维则聚焦访问控制、认证机制、审计日志等企业级实践。通过实战案例与最佳实践，帮助开发者全面掌握MongoDB在不同场景下的应用，适合各层次技术人员系统学习。
机器人中的数值优化（二十一）—— 伴随灵敏度分析、线性方程组求解器的分类和特点、优化软件
本系列文章主要是我在学习《数值优化》过程中的一些笔记和相关思考，主要的学习资料是深蓝学院的课程《机器人中的数值优化》和高立编著的《数值最优化方法》等，本系列文章篇数较多，不定期更新，上半部分介绍无约束优化，下半部分介绍带约束的优化，中间会穿插一些路径规划方面的应用实例
addr2line解析不出来行号的解决方式（汇编解析高阶版）
摘要：本文针对AEC crash问题中addr2line无法解析行号的情况，通过llvm-addr2line和反汇编分析，定位到CamX::AECBEStats17::AdjustROIParams函数中的乘法溢出问题。关键发现包括： 常规addr2line只能解析到函数名但无具体行号 llvm-addr2line解析出多个可能溢出点（行196/204/211/218/270/271） 反汇编显示6个条件分支跳转到溢出处理函数 源码分析确认这些位置均存在乘法运算 最终通过汇编级调试工具成功定位UBsan报告
从码农到生态建造者：我的一人公司运作方案
华哥·OPC 运营方案 v1.0 - 第一次迭代 🚀，搭建闭环生态系统，赋能 AI 时代的超级个体，更好的做自己，同时照亮别人。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
4980
扫一扫
