目标检测专栏持续更新中，改进YOLO系列通用，适用v5、v7、v8、所有博客均是团队原创博客，所有文章禁止转载，违者必究。

他来了！他来了！他带着氩弧焊的光芒过来了！作为 CV 的大模型，InternImage 的光芒太强了。2023 年 3 月 14 日: 🚀 “书生 2.5”发布！2023 年 2 月 28 日: 🚀 InternImage 被 CVPR 2023 接收!2022 年 11 月 18 日: 🚀 基于 InternImage-XL 主干网络，在 nuScenes 的纯视觉 3D 检测任务上取得了最佳性能63.4 NDS！

Conv2Former 是在 ConvNeXt 基础上，做了进一步的优化，性能得到了提升。我们尝试将 Conv2Former 加入到 YoloV8 中，会发生什么样的反应呢？本文并没有试图设计一种最先进的视觉识别方法，而是研究了一种更有效的方法，利用卷积来编码空间特征。通过比较最近的卷积神经网络(ConvNets)和 Vision transformer 的设计原理，我们提出利用卷积调制操作来简化自注意。我们证明了这样一个简单的方法可以更好地利用嵌套在卷积层中的大内核(≥7 × 7)。

这篇文章讲述如何在 yolov8 中，使用 Wise-IoU 涨点。首先，翻译了论文，让大家了解什么是 Wise IoU，以及 Wise IoU 的三个版本。接下来讲解如何在 yolov8 中添加 Wise IoU。然后，我测试了不同的版本涨点的效果。最后，对这篇文章做总结。希望，通过这篇能够帮助到大家！当然，如果有错误，欢迎指出，我一定改正！论文地址：https://arxiv.org/abs/2301.10051边界盒回归(BBR)的损失函数是目标检测的关键。

这篇文章我们将 YoloV8 和 ConvNextv2 的 Block 相结合，将最强的 CNN Block 放入 YoloV8 中，会发生什么样的反应呢？我们一起尝试吧！首先，我们一起来阅读论文，然后再去学习 ConvNextV2 的 Block。学会了 Block 以后，我们将 Block 加入到 YoloV8 的网络中，对比改进后的结果！最后，作总结。将 ConvNextV2 加入到 YoloV8 的模型上，并没有出现太大的提升，反而训练难度变大了。

在前面的文章中，我们尝试用 DCNv3 替换 YoloV8 中的结构，实现了分数的上涨。在这篇文章中，我们尝试用 DCNv1 与 DCNv2.比一比哪个才是最优秀的小黑子。通过对 DCN V1 和 V2 的测试，我还是不建议大家使用。速度太慢了，如果想使用，可以直接使用 V3 版本的。这次改进的源码已经上传，大家可以自取，百度网盘链接：链接：https://pan.baidu.com/s/1tD9ySCPQa5-b7OUWVdk_-Q?pwd=tqaw提取码：tqaw。

如何检测小目标？这个一直是比较头疼的问题，如果都是小目标还好说，我们可以采用切图的方式，如果是数据集的目标尺寸差别比较大，这样就没有办法切图了。首先，我们先分析为什么小目标检测不到。假如 640×640 的图像，有一个 20×20 的目标物体，我们从 yolov8 的框架中可以看到，输出的 Feature Map 尺寸是 80×80、40×40 和 20×20。那么，这个物体在 Feature Map 上的尺寸对应为 2.5、1.25、0.625，由于像素都是整数，所以小于 1 也就意味着不存在。

我们尝试了三种改进方法，测试结果也是基于我自己选择的数据集，在其他的数据集中表现怎么样还是需要自己尝试才行！改好的代码我已经上传到百度网盘，链接如下：链接：https://pan.baidu.com/s/1tD9ySCPQa5-b7OUWVdk_-Q提取码：tqaw。