YOLOv5改进 | 主干篇 | 反向残差块网络EMO一种轻量级的CNN架构（附完整代码 + 修改教程）-优快云博客

YOLOv8轻量化改进：基于EMO反向残差块网络的高效目标检测优化方案【附保姆级代码】

反向残差块网络EMO是一种轻量级CNN架构模块，旨在降低主干网络的计算量，并保持高效的特征提取能力。它的主要思想是通过设计轻量化残差结构，减少参数量和计算量。EMO的结构与传统的残差块有所不同，它减少了对高维度特征的依赖。YOLOv8采用模块化设计，通过主干和检测头的组合进行特征提取与目标检测。我们主要关注主干的特征提取部分，将其替换为轻量化的EMO模块。首先，定义一个轻量级的EMO模块，该模块包含深度可分离卷积和反向残差结构。

一键难忘的博客 3495

YOLOv10改进 | 主干/Backbone篇 | 反向残差块网络EMO一种轻量级的CNN架构（附完整代码 + 修改教程）

本文给大家带来的改进机制是反向残差块网络EMO，其的构成块iRMB在之前我已经发过了，同时进行了二次创新，本文的网络就是由iRMB组成的网络EMO，所以我们二次创新之后的iEMA也可以用于这个网络中，再次形成二次创新，同时本文的主干网络为一种轻量级的CNN架构，在开始之前给大家推荐一下我的专栏，本专栏每周更新3-10篇最新前沿机制 | 包括二次创新全网无重复，以及融合改进，更有包含我所有的YOLOv10仓库集成文件（文件内集成我所有的改进机制全部注册完毕可以直接运行）和交流群和视频讲解提供给大家。

Snu77的博客 1351

YOLOv11改进 | 主干/Backbone篇 | 反向残差块目标检测网络EMO一种轻量级的CNN架构（支持yolov11全系列轻量化）

本文给大家带来的改进机制是反向残差块网络EMO，其的构成块iRMB在之前我已经发过了，同时进行了二次创新，本文的网络就是由iRMB组成的网络EMO，所以我们二次创新之后的iEMA也可以用于这个网络中，再次形成二次创新，同时本文的主干网络为一种轻量级的CNN架构，在开始之前给大家推荐一下我的专栏，本专栏每周更新3-10篇最新前沿机制 | 包括二次创新全网无重复，以及融合改进，更有包含我所有的YOLOv11仓库集成文件（文件内集成我所有的改进机制全部注册完毕可以直接运行）和交流群和视频讲解提供给大家，

Snu77的博客 2700

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

Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、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，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。

Snu77的博客 18万+

yolov26改进 | 主干/Backbone篇 | 反向残差块目标检测网络EMO一种轻量级的CNN架构（支持yolov26全系列轻量化）

本文介绍了基于反向残差块构建的轻量级网络EMO及其核心模块iRMB。EMO通过结合CNN和注意力机制，在ImageNet-1K等基准测试中表现出色。文章详细解析了EMO模型原理、代码实现，并提供了在YOLOv26中的适配方法，包括8个具体修改步骤和对应的yaml配置文件。作者展示了成功运行记录，并推荐了包含多种改进机制的YOLOv26专栏。该方案支持分类、检测、分割等任务，可根据不同规模需求灵活调整模型，为轻量级视觉任务提供了新的解决方案。

Snu77的博客 296

YOLOv5改进实战 | 更换主干网络Backbone之轻量化网络EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计

w94ghz的博客 1643

YoloV8改进策略：重新思考高效的基于注意力的移动块模型EMO重新定义了轻量化的YoloV8

本文讲解如何使用EMO网络修改YoloV8，提升YoloV8的精度。尝试了3种改进方法。本文的结构如下：1、翻译了论文。大家可以通过论文方便的了解EMO网络模型。2、官方模型的测试成绩3、改进一的方法和测试结果4、改进二的方法和测试结果5、改进三的方法和测试结果6、总结随着近年来存储/计算受限应用需求的增加，具有更少参数和低FLOPs的移动模型引起了开发人员和研究人员的极大关注。设计高效模型的最早尝试可以追溯到Inceptionv3[55]时代，它使用非对称卷积来取代标准卷积。

m0_47867638的博客 1942

芒果YOLOv5改进67：主干Backbone篇之EMO：顶会ICCV2023｜原创改进结合 Attention 重新思考移动端小模型中的基本模块，YOLO系列高效涨点

YOLOv5+ 顶会ICCV2023论文 🍊 代码实践

包括YOLOv5、YOLOv7、YOLOv8等模型改进 2017

YOLOv11主干网络创新：基于反向传播优化的EMO架构实践详解

首先，我们需要在YOLOv11的工程中创建一个新的Python文件，例如。

m0_71589036的博客 158

芒果YOLOv8改进69：主干Backbone篇最新EMO结构：顶会ICCV2023｜原创改进 Attention 重新思考移动端小模型中的基本模块，YOLO系列高效涨点

YOLOv8改进代码｜顶会ICCV2023论文EMO🍊

包括YOLOv5、YOLOv7、YOLOv8等模型改进 1911

YOLOv5改进系列(十七) 引入反向残差注意力模块iRMB

EMO是高效、轻量级的模型，以在参数、FLOPs和性能之间实现平衡，适用于密集预测任务。文章从倒立残差块(IRB)和Transformer的有效组件的统一角度出发，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。EMO为轻量级模型设计提供了一个新的思路，通过将CNN和Transformer的有效组件统一起来，实现了高效的模型性能。大量实验验证了所提出的方法的有效性和优越性。

专注于人工智能学习，总结 1381

YOLOv11主干网络革新：基于反向传播增强的EMO架构实战解析

首先，我们需要在YOLOv11的工程中创建一个新的Python文件，例如。

LXY_LOVE36的博客 58

YOLOv12主干网络革新：基于反向传播增强的EMO架构实战解析**

首先，我们需要在YOLOv12的工程中创建一个新的Python文件，例如。

know_F0727的博客 54

Yolov5轻量化：EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计，性能优于EdgeViT、Mobile-former等网络

本文提出了倒残差移动模块(iRMB)，并提出EMO：一种轻量级网络，很好地权衡了模型精度和效率，性能优于EdgeViT、Mobile-former等网络。并最终引入到yolov5 backbone

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体； 2493

芒果YOLOv12改进51：主干Backbone篇最新EMO结构：顶会ICCV2023｜原创改进 Attention 重新思考移动端小模型中的基本模块，YOLO系列高效涨点

包括YOLOv5、YOLOv7、YOLOv8等模型改进 438

YOLOv5改进系列(十七) 本文(1.2万字) | 引入反向残差注意力模块iRMB |

EMO是高效、轻量级的模型，以在参数、FLOPs和性能之间实现平衡，适用于密集预测任务。文章从倒立残差块(IRB)和Transformer的有效组件的统一角度出发，将基于CNN的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。EMO为轻量级模型设计提供了一个新的思路，通过将CNN和Transformer的有效组件统一起来，实现了高效的模型性能。大量实验验证了所提出的方法的有效性和优越性。

专注于人工智能学习，总结 1226

芒果YOLOv7改进79：主干篇：顶会ICCV2023｜原创改进EMO 结合 Attention 重新思考移动端小模型中的基本模块，YOLO系列高效涨点

YOLOv7改进代码实践｜EMO：顶会ICCV2023｜iRMB结合 Attention 🍊

包括YOLOv5、YOLOv7、YOLOv8等模型改进 1413

YOLO系列算法改进 | 主干改进篇 | 替换EMO高效神经网络架构 | 助力模型以极致速度获得动态建模能力 | ICCV 2023

YOLO系列算法改进 | 主干改进篇 | 替换EMO高效神经网络架构 | 助力模型以极致速度获得动态建模能力 | ICCV 2023 （以YOLO26最新目标检测模型为基础，利用MO高效神经网络架构替代Backbone）

2502_91881744的博客 164

comsol 多物理场仿真流程-以开关柜为例

1、主要方法在SolidWorks中对于开关柜的内部与外部结构进行建模，生成能够导入软件计算的3D模型。将SolidWorks中的模型导入comsol软件中，设置参数进行多物理场耦合仿真。 1、具体步骤删除高压开关柜中对其内部电磁环境无较大影响的结构，如低压测量柜、断路器内部结构等。导入模型：将厂家提供的3D模型转化为solidworks结构模型。修复模型：修复已转化模型中转化错误的部分、修复已转化模型中非实体部分、修复已转化模型中重叠实体部分化简模型：去除过于...

健忘16的博客 7020

大模型技术驱动智慧矿山数字化转型

多模态大模型作为AI领域的前沿技术，通过融合视觉、传感器等多源数据，构建了强大的环境理解与决策能力。其核心价值在于打破数据孤岛，实现实时分析与智能响应，特别适用于工业场景中的复杂系统优化。在智慧矿山建设中，该技术通过数字孪生、设备自诊断和智能调度等模块，显著提升了安全生产效率和资源利用率。典型应用包括基于强化学习的采掘路径规划、多层级灾害预警体系构建，以及可自我更新的矿山知识图谱系统，这些创新正在推动传统矿业向数字化、智能化方向转型。

weixin_29061531的博客 224

VSCode玩转STM32：手把手教你配置EIDE插件与OpenOCD调试（附野火DAP配置文件详解）

本文详细介绍了如何在VSCode中配置EIDE插件与OpenOCD进行STM32开发，特别针对野火DAP调试器提供了配置文件详解。从基础环境搭建到深度调试技巧，帮助开发者高效完成STM32项目开发，实现现代化嵌入式开发工作流。

weixin_26905487的博客 553

AI自主网络攻击技术深度解析：从LLM驱动到防御体系升级

网络安全领域正经历从自动化脚本到智能自主攻击的范式转变。其核心原理在于将大型语言模型（LLM）与自动化渗透测试框架深度融合，构建具备环境感知、决策规划和自适应能力的攻击系统。这种技术的核心价值在于实现了从预设步骤到目标驱动的质变，能自主完成信息收集、漏洞利用、横向移动等复杂攻击链。在应用场景上，它不仅能极大提升高级持续性威胁（APT）的攻击效率，也对渗透测试和红队演练技术提出了新的要求。面对此类由AI驱动的自主攻击，传统的基于签名的防御体系已显不足，必须转向以行为分析和零信任为核心的整体纵深防御。本次曝光的

weixin_34254464的博客 610

手把手教你如何在应用宝的Android模拟器安装第三方应用方法

通过上述步骤，你就能在腾讯应用宝模拟器中安装并运行本地的第三方APK应用了。虽然稍显繁琐，但操作起来并不复杂，只要按照步骤一步步做，就能顺利完成。希望这篇文章能帮助到遇到类似问题的你！

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用，接口、架构、性能全搞定。 7220

黑猫带你学eMMC协议第11篇：eMMC擦除详解（erase/trim/discard/sanitize/secure erase/secure trim...）

erase命令单位是擦除组，那么一个擦出组包含多个写块，不同写块有不同信息，主机擦除之前，必须进行确定好这些写块中的信息没有用了。所以通常erase用来擦除整个设备或分区。erase完成后，将erase的区域都要么是全0，要么是全1。那么到底是0还是1呢，根据不同的工艺有所不同，但是别担心，在ecsd[181]中会有说明到底是1还是0。erase命令的作用就是简单的将映射地址范围移动到未映射的地址范围。

黑猫奥利奥的博客 7797

AI测试：手把手教你用AI做Web自动化测试「喂饭教程」

本文介绍了基于MCP协议和使用 mcp-use + playwright-mcp 构建智能Web自动化测试框架的实践方法。通过整合大语言模型的理解能力与测试工具可靠性，该方案支持用自然语言描述测试流程，自动转换为可执行的测试步骤，提升测试效率，支持复杂场景和多步骤流程，为自动化测试提供了新思路。

blues_C的博客 1289

【算能】TPU 指令集架构深度解析

TPU指令集以领域专用性与数据流驱动为核心，通过精简指令集、硬件固化逻辑与高并行架构，实现张量计算的极致性能。开发者通常无需直接编写指令，但理解其设计原理对性能调优（如内存布局优化、指令调度）至关重要。算能TPU通过开放指令描述与编译器工具链，为垂直行业提供了更高灵活性的定制空间，而谷歌TPU则依赖编译器的全自动化优化，更适合大规模标准模型部署。未来，随着稀疏计算、光子计算等技术的引入，TPU指令集将进一步向高能效与高泛化性演进。

浩瀚之水的专栏 1183

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版【x86|x64】

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白