- 博客(862)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论
2025-03-10 22:00:24
2946
1
原创 YOLO训练/写作脚本目录一览 | 涉及标签格式转换、数据扩充、热力图、感受野、精度曲线、数量统计等近百个脚本文件
在大家购买专栏后，便可获得全部的脚本文件。在获取到文件后，只需按照将程序放在个人项目中即可一键运行。
2024-12-30 16:02:54
1668
2
原创 YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学
2024-12-24 13:26:10
3713
1
原创 RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
2024-12-03 20:39:23
6251
1
原创 YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-10-11 15:10:44
14981
71
原创 YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-10-11 12:33:51
4863
2
原创 YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
2024-09-20 15:24:43
2776
原创 深入解析 YOLOv12 项目包中的文件结构和各文件作用
YOLOv12是YOLO系列最新发布的计算机视觉模型。在这篇博客中，我将深入分析YOLOv12中各个文件的作用，对整个项目的文件结构有更清晰的认识。
2025-03-28 13:56:22
91
原创 YOLOv8改进策略【卷积层】| RFEM：感受野增强模块， 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题
RFE模块（Receptive Field Enhancement Module）的设计出发点是解决多尺度人脸检测中因感受野不足导致的小目标信息丢失问题。传统特征金字塔网络（如FPN）在处理小尺度人脸时，多次卷积操作会导致浅层特征的空间信息逐渐丢失，而深层特征虽语义丰富但空间分辨率较低。RFE模块通过引入扩张卷积，在不增加计算量的前提下扩大有效感受野，增强模型对不同尺度人脸的特征表达能力。
2025-03-27 14:40:00
43
原创 YOLOv8改进策略【Neck】| SEAM：分离和增强注意模块，解决复杂场景下的小目标遮挡问题
本文记录的是利用 SEAM 模块优化 YOLOv8 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题，相当于是小目标被其他物体部分遮挡时，传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失，提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块（Separated and Enhancement Attention Module）的设计出发点是
2025-03-27 14:36:48
54
原创 YOLOv12改进策略【卷积层】| RFEM：感受野增强模块， 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题
RFE模块（Receptive Field Enhancement Module）的设计出发点是解决多尺度人脸检测中因感受野不足导致的小目标信息丢失问题。传统特征金字塔网络（如FPN）在处理小尺度人脸时，多次卷积操作会导致浅层特征的空间信息逐渐丢失，而深层特征虽语义丰富但空间分辨率较低。RFE模块通过引入扩张卷积，在不增加计算量的前提下扩大有效感受野，增强模型对不同尺度人脸的特征表达能力。
2025-03-26 14:22:19
141
原创 YOLOv12改进策略【Neck】| SEAM：分离和增强注意模块，解决复杂场景下的小目标遮挡问题
本文记录的是利用 SEAM 模块优化 YOLOv12 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题，相当于是小目标被其他物体部分遮挡时，传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失，提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块（Separated and Enhancement Attention Module）的设计出发点
2025-03-26 14:18:43
79
原创 YOLOv10改进策略【卷积层】| RFEM：感受野增强模块， 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题
RFE模块（Receptive Field Enhancement Module）的设计出发点是解决多尺度人脸检测中因感受野不足导致的小目标信息丢失问题。传统特征金字塔网络（如FPN）在处理小尺度人脸时，多次卷积操作会导致浅层特征的空间信息逐渐丢失，而深层特征虽语义丰富但空间分辨率较低。RFE模块通过引入扩张卷积，在不增加计算量的前提下扩大有效感受野，增强模型对不同尺度人脸的特征表达能力。
2025-03-25 10:42:28
48
原创 YOLOv10改进策略【Neck】| SEAM：分离和增强注意模块，解决复杂场景下的小目标遮挡问题
本文记录的是利用 SEAM 模块优化 YOLOv10 的目标检测网络模型。的设计出发点在于解决复杂场景下的人脸遮挡问题，相当于是小目标被其他物体部分遮挡时，传统方法因特征缺失导致检测精度下降的问题。该模块通过增强未遮挡区域的特征响应并补偿被遮挡区域的信息损失，提升模型对遮挡小目标的检测能力。YOLO-FaceV2: A Scale and Occlusion Aware Face DetectorSEAM模块（Separated and Enhancement Attention Module）的设计出发点
2025-03-25 10:14:58
127
原创 YOLOv11改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock
本文记录的是。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，在轻量化的同时提高准确性。
2025-03-24 12:40:21
139
原创 YOLOv12改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock
本文记录的是。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，在轻量化的同时提高准确性。
2025-03-24 11:11:12
287
原创 YOLOv10改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock
本文记录的是基于RepVit的YOLOv10轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，在轻量化的同时提高准确性。
2025-03-21 14:58:35
46
原创 YOLOv8改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock
本文记录的是基于RepVit的YOLOv8轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，在轻量化的同时提高准确性。
2025-03-21 14:52:39
136
原创 YOLOv11知识蒸馏，实现无损涨点，包含逻辑蒸馏和特征蒸馏中的不同蒸馏方法，适用专栏内的所有模型
知识蒸馏（Knowledge Distillation）是由 Hinton 等人在 2015 年提出来的，主要是用一个复杂的教师模型去指导一个简单的学生模型训练，这样能让学生模型在保持高精度的同时，还能减少计算量。本文便是讲解如何针对的原始模型以及改进后的模型进行知识蒸馏，轻松实现无损涨点。知识蒸馏的核心在于利用已训练好的复杂模型（教师模型）去指导一个更简单的模型（学生模型）进行训练，以此让学生模型在保留较高精度的同时，降低计算成本。特征蒸馏（Feature Distillation）是知识蒸馏的一种形式，
2025-03-20 16:11:48
1150
2
原创 YOLOv11改进策略【独家融合改进】| StarNet + 小目标检测头，加强跨尺度的上下文特征融合，提高小目标检测能力
P3/8 - small检测头原始模型中的P3/8特征层对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在8x8到32x32像素左右的目标。P4/16 - medium检测头这个检测头对应的P4/16特征层经过了更多的下采样操作，相比P3/8特征图空间分辨率降低，但通道数增加，特征更抽象且有语义信息。它主要用于检测中等大小的目标，尺寸范围大概在32x32到64x64像素左右。P5/32 - large检测头P5/32。
2025-03-20 14:16:59
198
原创 RT-DETR改进策略【独家融合改进】| U-Net V2 + 小目标检测头，加强跨尺度的上下文特征融合，提高小目标检测能力
P3/8 - small检测头原始模型中的P3/8特征层对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在8x8到32x32像素左右的目标。P4/16 - medium检测头这个检测头对应的P4/16特征层经过了更多的下采样操作，相比P3/8特征图空间分辨率降低，但通道数增加，特征更抽象且有语义信息。它主要用于检测中等大小的目标，尺寸范围大概在32x32到64x64像素左右。P5/32 - large检测头P5/32。
2025-03-19 09:04:05
158
2
原创 RT-DETR改进策略【独家融合改进】| AssemFormer + HS-FPN 减少目标尺度变化影响，增加多尺度的学习能力
HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。
2025-03-19 08:49:17
85
原创 YOLOv8改进策略【独家融合改进】| StarNet + 小目标检测头，加强跨尺度的上下文特征融合，提高小目标检测能力
P3/8 - small检测头原始模型中的P3/8特征层对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在8x8到32x32像素左右的目标。P4/16 - medium检测头这个检测头对应的P4/16特征层经过了更多的下采样操作，相比P3/8特征图空间分辨率降低，但通道数增加，特征更抽象且有语义信息。它主要用于检测中等大小的目标，尺寸范围大概在32x32到64x64像素左右。P5/32 - large检测头P5/32。
2025-03-18 09:41:17
188
1
原创 YOLOv10改进策略【独家融合改进】| U-Net V2 + 小目标检测头，加强跨尺度的上下文特征融合，提高小目标检测能力
P3/8 - small检测头原始模型中的P3/8特征层对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大，空间分辨率较高。适合检测尺寸大概在8x8到32x32像素左右的目标。P4/16 - medium检测头这个检测头对应的P4/16特征层经过了更多的下采样操作，相比P3/8特征图空间分辨率降低，但通道数增加，特征更抽象且有语义信息。它主要用于检测中等大小的目标，尺寸范围大概在32x32到64x64像素左右。P5/32 - large检测头P5/32。
2025-03-18 09:30:29
38
原创 YOLOv12改进策略【独家融合改进】| U-Net V2 + 小目标检测头，加强跨尺度的上下文特征融合，提高小目标检测能力
本文记录的是基于U-Net V2和小目标检测头的YOLOv12目标检测改进方法研究。强大的特征提取能力融合小目标检测头，既保留了细节特征的准确性，又增强了模型对小目标的提取能力，使得最终的特征表示更加完善和准。U-NET V2: RETHINKING THE SKIP CONNECTIONS OF U-NET FOR MEDICAL IMAGE SEGMENTATION以下是对网络的详细介绍：由、和三个主要模块组成。- 编码器：对于输入图像III（I∈RH×W×CI \in R^{H ×W ×C}I∈RH
2025-03-17 09:06:06
331
原创 YOLOv12改进策略【独家融合改进】| 模型轻量化二次改进：StarNet + FreqFusion，极限降参，适用专栏内所有轻量化模型
FreqFusion是一种旨在解决密集图像预测任务中特征融合问题。
2025-03-17 09:05:50
332
原创 RT-DETR改进策略【独家融合改进】| SPD-Conv+PPA 再次提升模型针对小目标的特征提取能力
SPD-Conv是一种新的 CNN 构建模块，用于替代传统 CNN 架构中使用的步长卷积（strided convolution）和池化（pooling）层，它由空间到深度（Space-to-depth，SPD）层和非步长卷积（non - strided convolution）层组成。
2025-03-16 14:48:22
127
原创 RT-DETR改进策略【独家融合改进】| RepVit+ASF-YOLO，轻量提点，适用专栏内所有的骨干替换
本文记录的是基于RepVit的RT-DETR轻量化改进方法研究。通过分离的和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过加倍通道来弥补参数大幅减少的问题，提高了准确性。在此基础之上，将的颈部网络改进成的结构，使模型能够有效的融合多尺度特征，捕获小目标精细信息，并根据注意力机制关注小目标相关特征，显著提高模型精度。在计算机视觉领域，设计轻量化模型对于在资源受限的移动设备上实现视觉模型的部署至关重要。近年来，轻量级Vision Transformers（ViTs）在移动设备上表现出优
2025-03-16 14:48:01
99
原创 RT-DETR计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
2025-03-15 12:13:15
126
2
原创 YOLOv10计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
2025-03-15 12:11:32
57
原创 YOLOv9计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
2025-03-14 19:50:35
57
原创 YOLOv8计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码
COCO指标能够直观了解模型在目标时的效果；TIDE指标专注于对进行分类和分析，从揭示模型的性能问题，使模型评估更加全面和深入（本文提供了完整的实现代码和配置步骤）。例如，论文中COCO的指标内容展示：论文中TIDE。
2025-03-14 19:49:35
78
原创 YOLOv12改进策略【独家融合改进】| RepVit+ASF-YOLO，轻量提点，适用专栏内所有的骨干替换
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。
2025-03-13 14:02:33
53
原创 YOLOv12改进策略【独家融合改进】| SPD-Conv+PPA 再次提升模型针对小目标的特征提取能力
SPD-Conv是一种新的 CNN 构建模块，用于替代传统 CNN 架构中使用的步长卷积（strided convolution）和池化（pooling）层，它由空间到深度（Space-to-depth，SPD）层和非步长卷积（non - strided convolution）层组成。
2025-03-13 13:51:55
83
原创 YOLOv12改进策略【独家融合改进】| AssemFormer + HS-FPN 减少目标尺度变化影响，增加多尺度的学习能力
HS - FPN结构由特征选择模块和特征融合模块组成。特征选择模块中，CA模块先处理输入特征图，经池化激活函数确定各通道权重以过滤特征图DM模块再对不同尺度特征图降维；特征融合模块中，利用SFF机制以高级特征为权重筛选低级特征语义信息后融合，提升模型检测能力。
2025-03-13 13:45:35
64
原创 YOLOv12改进策略【独家融合改进】| MobileNetV4+BiFPN，轻松实现降参涨点，适用专栏内所有的骨干替换
可扩展的高效物体检测BiFPN（加权双向特征金字塔网络）
2025-03-13 13:37:06
116
原创 YOLOv12改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息，提高多类别分类能力 （含A2C2f二次创新）
本文记录的是利用中的模块优化的目标检测网络模型。通过局部特征提取器、周围环境提取器、联合特征提取器和全局环境提取器来提取局部特征、周围环境和全局环境信息，充分利用不同层次的信息。本文将其应用到中，并进行二次创新，使网络能够更好的处理多类别目标的分类能力。CGNet: A Light-Weight Context Guided Network for Semantic Segmentation1️⃣ 首先通过局部特征提取器floc(∗)floc(*)floc(∗)和周围环境提取器fsur(∗)f_{sur }
2025-03-13 13:00:53
53
原创 YOLOv12改进策略【卷积层】| HWD，引入`Haar小波变换`到下采样模块中，减少信息丢失
本文记录的是利用Haar小波下采样对YOLOv12网络进行改进的方法研究。传统的卷积神经网络中常用的最大池化平均池化和步长为2的卷积等操作进行下采样可能会导致信息丢失，为了解决信息丢失问题，HWD作者受无损信息变换方法的启发，引入Haar小波变换到下采样模块中，
2025-03-13 12:53:21
58
原创 YOLOv12改进策略【卷积层】| AKConv： 具有任意采样形状和任意参数数量的卷积核
AKConv： 具有任意采样形状和任意参数数量的卷积核。
2025-03-13 12:45:29
45
高斯滤波-Python实现
2024-10-24
Savitzky-Golay滤波-Python实现
2024-10-24
指数加权移动平均平滑-Python实现
2024-10-24
移动平均平滑算法-Python实现
2024-10-24
RT-DETR官方最新源码资源
2024-10-24
小波卷积论文：Wavelet Convolutions for Large Receptive Fields
2024-10-24
模型的剪枝和蒸馏，实现方法和步骤
2024-12-18
TA创建的收藏夹 TA关注的收藏夹
TA关注的人