<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[llz19670的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/llz19670</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; llz19670]]></copyright><item><title><![CDATA[如何在服务器上免费使用claude code进行YOLO的改进]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/162489525</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/162489525</guid><author>llz19670</author><pubDate>Wed, 01 Jul 2026 15:35:36 +0800</pubDate><description><![CDATA[本文介绍了在Linux服务器环境下，使用ClaudeCode工具将C3k2_RCSOSA等模块集成到Ultralytics YOLO代码库的完整流程。主要步骤包括：1) 在block.py中追加新模块定义并处理依赖关系；2) 修改tasks.py注册新模块；3) 创建并调整YAML配置文件；4) 运行验证并进行错误调试；5) 检查重参数化等特殊功能。整个过程通过ClaudeCode实现自动化代码整合、配置修改和错误修复，最终完成YOLO模型的结构改进与功能扩展。]]></description><category></category></item><item><title><![CDATA[如何在服务器上免费使用claude code]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/162487955</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/162487955</guid><author>llz19670</author><pubDate>Wed, 01 Jul 2026 14:48:33 +0800</pubDate><description><![CDATA[本文介绍了ClaudeCode AI编程助手的安装与配置方法。环境要求包括Linux/macOS系统、Python 3.8+及API Key（可从魔搭社区获取）。安装步骤涵盖Node.js环境搭建（通过npm）和ClaudeCode的全局安装。配置需要设置ANTHROPIC_AUTH_TOKEN和API地址（https://api-inference.modelscope.cn）。启动后可选择主题、确认安全条款，并通过/model命令切换不同AI模型（如Qwen3.5）。该工具支持代码修改和论文编辑]]></description><category></category></item><item><title><![CDATA[改进的mamba核心块—Hybrid SS2D Block（适用于视觉）]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/155852200</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/155852200</guid><author>llz19670</author><pubDate>Fri, 12 Dec 2025 12:20:25 +0800</pubDate><description><![CDATA[本文提出了一种改进的H-SS2D模块，将SSM的长程依赖捕捉能力与1x1标准卷积的通道交互特性相结合。主要创新点包括：1)在SSM运算后引入1x1卷积增强跨通道信息混合能力；2)添加残差连接提高训练稳定性和梯度流动；3)通过改进的信息流设计增强特征表示力。该模块特别适用于需要精确边界框定位的目标检测任务，通过深度融合全局上下文和局部特征，构建了更强大的2D视觉特征提取单元。实验结果表明，这种结构改进能有效提升模型的性能表现。]]></description><category></category></item><item><title><![CDATA[ClaudeCode白嫖方法来了！！！！]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/149257923</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/149257923</guid><author>llz19670</author><pubDate>Thu, 10 Jul 2025 20:16:22 +0800</pubDate><description><![CDATA[修改代码,编写代码均可以使用到，注册即送50$的api余额，开始在终端里和你的 AI 编程搭档一起写代码吧！1️⃣ 安装 Node.js（已安装可跳过）确保 Node.js 版本 ≥ 18.0。2️⃣ 安装 Claude Code。即可使用 Claude Code。4️⃣ 配置环境变量（推荐）]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用---RFAConv]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/147310127</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/147310127</guid><author>llz19670</author><pubDate>Thu, 17 Apr 2025 17:23:47 +0800</pubDate><description><![CDATA[RFAConv 并非简单叠加注意力结构，而是从“接受域本质”出发，对卷积机制进行了深入重构。其核心优势包括：📌 引入空间自适应机制，增强特征表达力；📌 有效缓解卷积参数共享带来的感知盲区；📌 可无缝替代传统卷积模块，兼容性强；📌 对高分辨率和复杂纹理结构具备更强感知能力。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用---EfficientAttention]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/147274835</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/147274835</guid><author>llz19670</author><pubDate>Wed, 16 Apr 2025 13:49:19 +0800</pubDate><description><![CDATA[大多数注意力机制采用点积（dot-product）方式计算注意力权重，但这种方式通常伴随着高昂的内存开销和计算成本，尤其在处理高分辨率图像时，限制了其实际应用的可扩展性。为此，本文提出了一种等价于传统 dot-product 注意力的高效注意机制，能够在保持表达能力的同时，显著减少计算复杂度和内存占用。以Non-local 模块相似性计算：首先通过点积计算所有像素之间的相似性关系，形成注意力矩阵。特征聚合：随后利用该注意力矩阵对 value（V）进行加权求和，生成最终输出。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用---PPA]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/147137735</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/147137735</guid><author>llz19670</author><pubDate>Fri, 11 Apr 2025 11:18:27 +0800</pubDate><description><![CDATA[多分支特征提取：PPA 模块采用局部卷积、全局卷积和串行卷积三种并行分支，从多个尺度和层次提取特征，有效保留小目标在多次下采样过程中的关键信息。特征融合与注意力增强：在特征提取后，PPA 模块引入高效的通道注意力和空间注意力机制，实现自适应特征增强，进一步强化小目标的表示能力。替代传统卷积结构：PPA 模块替代编码器和解码器中的常规卷积操作，通过多分支设计与注意力引导，更高效地捕捉小目标特征，提高整体检测性能。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--CPAM]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/147091409</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/147091409</guid><author>llz19670</author><pubDate>Wed, 09 Apr 2025 13:18:08 +0800</pubDate><description><![CDATA[本文提出了一种新型基于注意尺度序列融合的 YOLO 框架，称为，该框架结合空间与尺度信息，实现了高效且精确的细胞实例分割。在 YOLO 分割框架的基础上，设计了，用于增强多尺度信息提取能力；同时引入，以融合不同尺度下的特征图，从而丰富目标细节表达。此外，提出一种，用于集成 SSFF 与 TPE 模块，增强模型对小目标的通道依赖性与空间定位能力，进一步提升检测与分割性能。在两个细胞图像数据集上的实验表明，ASF-YOLO 在分割精度与推理速度方面均优于现有先进方法。]]></description><category></category></item><item><title><![CDATA[YOLO系列论文图表绘制代码]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146920993</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146920993</guid><author>llz19670</author><pubDate>Thu, 03 Apr 2025 17:16:33 +0800</pubDate><description><![CDATA[【代码】YOLO系列论文图表绘制代码。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用-Pconv(风车卷积)]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146910215</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146910215</guid><author>llz19670</author><pubDate>Tue, 01 Apr 2025 14:49:58 +0800</pubDate><description><![CDATA[PinwheelConv（风车状卷积）充分利用了IRST（红外搜索与跟踪）中的高斯分布特性，以极少的参数实现了高效且更大感受野的特性。此外，本文还提出了一种简单而高效的，有效缓解了标签 IoU 变化带来的不稳定性。通过与现有卷积模块和损失函数的广泛对比，所提出的方法在准确性和鲁棒性方面始终优于最先进的方法，展现出卓越的性能和广泛的应用潜力。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--BiLevelRoutingAttention]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146521224</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146521224</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 10:03:15 +0800</pubDate><description><![CDATA[作为的核心构建模块，在捕获方面展现出强大能力。然而，这种全局建模能力伴随着和，因为其需要计算。为了解决这一问题，许多研究尝试通过引入然而，这些方法，并未根据。与传统方法不同，我们提出了一种机制的新型，实现了，提升了模型的灵活性与效率。具体而言，该方法通过这种双层路由注意力机制不仅以节省计算和内存，还采用，实现了高效推理。在该注意力机制的基础上，我们进一步提出了一种新型——。由于 BiFormer，避免了对不相关 token 的无效计算，因此其在，尤其在（如目标检测、语义分割）中表现优异。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--DeformableAttention2D]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146520756</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146520756</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 09:53:49 +0800</pubDate><description><![CDATA[传统 Transformer 注意力机制关注，计算量大，导致推理速度较慢。而通过，有效降低计算复杂度，同时提高模型的检测效率。相比于原始的，其训练过程通常需要，往往需要才能精准地定位目标特征。而在中，由于采用了和，模型可以更快速地聚焦于，从而，据研究表明，其训练时间可缩短至，大幅提升训练效率，同时保持甚至超越原始 DETR 的检测性能。这种改进使得特别适用于和，在等任务中展现出广泛的应用价值。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--AKConv]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146520556</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146520556</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 09:44:39 +0800</pubDate><description><![CDATA[（Adaptive Kernel Convolution）是一种创新的卷积结构，允许，区别于传统卷积核的模式。这一特性对于极具优势，因为它能够根据实际需求，从而实现更加。在的情况下，AKConv 通过和，使得仍能保持，这对嵌入式设备、移动端推理以及低功耗 AI 计算尤为关键。同时，在的情况下，AKConv 也能够充分利用，提供更多优化选项，以进一步提升网络性能。AKConv 的在于其及。它能够，从而更精准地匹配，显著提升。此外，这一思想还具备，可以根据设计，并通过以适应复杂场景下的。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--LSKblockAttention]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146519770</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146519770</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 09:36:12 +0800</pubDate><description><![CDATA[本文介绍了如何在中应用，以增强。作为一种能够的网络，在任务中展现出了卓越的能力，并在多个数据集上刷新了记录。其核心思想是通过大核可分离卷积（LSK）来增强模型的，特别适用于检测那些尺度变化大、特征微弱的目标。在本研究中，我们对进行了深入优化，将模块巧妙地融入，以进一步提升小目标的检测性能。该优化策略不仅增强了模型对弱小目标的捕捉能力，还有效降低了漏检率，使检测结果更加稳定可靠。实验表明，这种改进方法能够有效提升红外遥感小目标的检测精度，尤其适用于。本研究为。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--LSKA]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146519538</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146519538</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 09:24:02 +0800</pubDate><description><![CDATA[大型可分离核注意力（LSKA）模块的视觉注意力网络（VAN）在众多视觉任务中展现出了卓越的性能，甚至超越了视觉变换器（ViTs）。然而，现有LSKA模块中的深度卷积层在使用大尺度卷积核时，其计算量和内存占用呈二次增长，严重限制了模型的高效性。为了解决这一问题，并使VAN的注意力模块能够高效利用超大卷积核，我们提出了一种改进的大型可分离核注意力（LSKA）模块。LSKA 通过将深度卷积层的二维（2D）卷积核分解为级联的，从而显著降低计算复杂度和内存开销。]]></description><category></category></item><item><title><![CDATA[YOLOv12即插即用--SEAM]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146519127</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146519127</guid><author>llz19670</author><pubDate>Wed, 26 Mar 2025 09:10:34 +0800</pubDate><description><![CDATA[SEAM（Spatially Enhanced Attention Module）是一种专为解决遮挡问题而设计的注意力机制，旨在提升模型在目标受遮挡情况下的识别能力。遮挡会导致特征响应减弱或缺失，从而影响整体识别的准确性。SEAM 的核心目标是在增强未遮挡区域特征响应的同时，弥补遮挡区域的信息损失，使模型能够更加鲁棒地理解和处理复杂场景。SEAM 通过学习遮挡区域与未遮挡区域之间的潜在关系，动态调整特征图的关注点，使得模型能够智能地重分配注意力，聚焦于关键的未遮挡特征，同时弱化噪声干扰。]]></description><category></category></item><item><title><![CDATA[自定义数据集进行大模型微调]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/146310530</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/146310530</guid><author>llz19670</author><pubDate>Mon, 17 Mar 2025 12:31:10 +0800</pubDate><description><![CDATA[一般进行大模型数据集准备时常用的两种数据集格式：ALpaca和shareGPT。]]></description><category></category></item><item><title><![CDATA[DEIM：加速Transformer架构目标检测的突破，YOLO系列的启发]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/145651164</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/145651164</guid><author>llz19670</author><pubDate>Sat, 15 Feb 2025 15:03:29 +0800</pubDate><description><![CDATA[增加目标监督的密度：通过像Dense O2O一样增加每张图像中的目标数量，提高正样本的密度，从而加速训练收敛。优化低质量匹配：借鉴Matchability-Aware Loss，通过动态调整损失函数，提高低质量匹配的优化效率，减少冗余框的生成。提升训练效率：通过引入高效的训练框架，减少训练周期并提高精度，为YOLO系列提供了加速收敛的思路。总之，DEIM不仅在DETR模型上带来了突破，也为YOLO系列目标检测模型的未来发展提供了创新的方向。]]></description><category></category></item><item><title><![CDATA[Qwen2.5自定义数据集微调]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/144844532</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/144844532</guid><author>llz19670</author><pubDate>Tue, 31 Dec 2024 11:14:18 +0800</pubDate><description><![CDATA[常见的数据集格式有Alpaca和ShareGPT格式。]]></description><category></category></item><item><title><![CDATA[Qwen2-VL微调体验]]></title><link>https://blog.youkuaiyun.com/llz19670/article/details/144568818</link><guid>https://blog.youkuaiyun.com/llz19670/article/details/144568818</guid><author>llz19670</author><pubDate>Wed, 18 Dec 2024 21:04:22 +0800</pubDate><description><![CDATA[本博客使用的是2B模型，所以仅用了单卡3090，若大一点的模型，自行根据实际情况准备显卡安装Python>=3.8安装Qwen2-VL必要的库。]]></description><category></category></item></channel></rss>