Limiiiing的博客

1️⃣ 已更新种不同的改进方案，专栏内的每篇文章皆，均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏，，只为更好的满足论文发表的要求。专栏内容，专栏实时评分，全网最高，质量保证。🎫。。

超图关联增强阶段（HyperACE 模块）以多尺度特征图为输入，通过自适应超图计算，动态生成超边并进行超图卷积，实现特征聚合与增强。包含基于 C3AH 模块的全局高阶感知分支和基于 DS-C3k 块的局部低阶感知分支，同时保留快捷连接信息，实现全局 - 局部、高 - 低阶的互补视觉关联感知。

本文记录的是利用LGAG 模块改进 YOLOv13 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv13中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

在官方项目中，使用val接口可输出模型的层数、参数量、计算量。而与推理速度相关的评价指标中，只提供了前处理、推理和后处理的耗时，并且是一次推理的的耗时，而。本文通过预热、取平均，可。

本文记录的是利用EUCB模块对YOLOv13的颈部网络进行改进的方法研究。采用传统的标准3×3卷积结合上采样的方法进行特征分辨率匹配与增强，可能因计算成本过高限制模型在资源受限场景的应用，且单纯上采样易导致特征模糊，影响模型在目标检测任务中的特征融合效果。通过“上采样+3×3深度卷积+1×1点卷积”的轻量架构进行特征处理，既能大幅降低计算成本，又能通过深度卷积捕捉局部特征、保留关键语义信息，提升颈部网络特征融合效率与模型检测性能。EMCAD:Efficient Multi-scale Convolution

本文记录的是利用 模块优化 的目标检测网络模型。（Detail-Enhanced Convolution，细节增强卷积）的设计旨在，解决 目标检测网络中传统普通卷积缺乏目标细节相关先验、对小目标边缘、目标与背景边界等关键细节捕捉能力不足的问题，同时避免引入额外参数量与计算开销，以适配 对实时推理性能与检测精度的双重需求。DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided atte

本文记录了YOLOv13模型的这一系列过程中可能发生的问题，以及大家非常关心的问题，这里统一做了一个记录和解答。

本文聚焦于利用DyHead改进YOLOv13检测头的目标检测网络模型。通过协同部署尺度感知、空间感知与任务感知注意力模块，统一学习特征张量（层级×空间×通道）各维度的自适应注意力权重，在训练过程中有效聚合判别性特征、过滤冗余信息，同步增强特征的尺度适配性、空间聚焦性与任务适配性。在应用于时，使得模型能够更高效地融合多维度特征信息，避免传统检测头中尺度冲突、空间语义模糊及任务分支割裂导致的性能瓶颈，从而提升在复杂场景下对不同尺度、形态目标的检测精度，同时保持模型高效推理特性，增强整体检测性能与鲁棒性。Dyna

本文记录的是利用YOLO-MS中的MSBlock优化YOLOv13。的结构融合了“分层多分支特征提取”与“全局查询动态引导”两大核心机制，通过、（GQL）机制及模块（IBM/SIBM），实现差异化多尺度特征提取与污染空间信息过滤，完成特征多样性增强与定位精度优化。在加入 中以后，通过改进原模型的 基础模块，构建含 3 条差异化感受野的分支，同时集成 GQL 机制动态平衡各分支权重、适配 HKS 协议在不同阶段选择异质卷积核，并保留原模型的特征融合路径以维持特征传递连续性，实现全局跨阶段信息引导与局部细粒

SBA 模块在医疗图像分割中具有重要作用，其设计出发点是解决图像中物体边界模糊以及融合特征时的冗余和不一致问题。

在目标检测中，处理多尺度物体是一个具有挑战性的问题。虽然特征金字塔或多级特征塔是解决多尺度问题的常用方法，但在单阶段检测器中，不同尺度特征之间的不一致性限制了其性能提升。为了解决这个问题，提出了自适应空间特征融合（ASFF）模块。

Wise-IoU是一种基于IoU的损失函数，旨在解决目标检测中边界框回归损失函数在处理低质量训练数据时的问题。

本文记录的是利用HWD + DSC3k2_PConv + Detect_MBConv改进YOLOv13，分别涉及骨干、颈部和检测头部分的改进。一方面按照此配置，其工作量及创新程度能够满足论文发表的需求，另一方面是一些难以融合多个YAML的举例，以帮助大家理解如何将多个YAML整合到一个YAML中。小波下采样:一个简单但有效的语义分割下采样模块。块由两个主要块组成：无损特征编码块和特征表示学习块。HWD模块与其他下采样模块对比：保留信息能力：传统的下采样方法（如最大池化、平均池化和步幅卷积等）会导致信息丢失，

ODSSBlock（Object Detection State Space Block）是Mamba - YOLO模型中的核心模块，对于提升模型的目标检测能力起着关键作用。它主要负责对输入特征进行深度处理，以学习更丰富和有效的特征表示，从而提高模型对目标物体的检测精度。

模块是模型中的一个重要组成部分，其主要作用是在模型的初始阶段对输入图像进行处理，方便后续的特征提取和目标检测。以下是对。

本文利用AFPN对YOLOv11的网络模型进行优化提升。采用渐近式融合及自适应空间融合操作。通过渐近式架构，逐步整合不同层级特征，有效避免非相邻层级间因语义差距过大导致的信息丢失或降级问题，确保在多尺度特征融合过程中既能保留高层语义信息，又能融入低层细节特征。本文将应用于中，并配置了针对小目标的检测头，能显著增强模型对不同尺度目标的检测能力，使其在复杂场景下更聚焦于目标物体特征，减少背景等无关信息的影响。AFPN: Asymptotic Feature Pyramid Network for Object

U-Net V2中的SDI模块在整个网络架构中起着关键作用，其设计旨在解决传统模型在特征融合方面的不足，通过独特的结构原理实现更高效的语义信息和细节融合，从而提升医学图像分割的性能。

U-Net V2中的SDI模块在整个网络架构中起着关键作用，其设计旨在解决传统模型在特征融合方面的不足，通过独特的结构原理实现更高效的语义信息和细节融合，从而提升医学图像分割的性能。

本文主要利用DCMPNet中的 MFM 模块优化 YOLOv13 的目标检测网络模型。模块通过动态调制特征融合过程，实现了对多尺度、跨层级特征的智能聚合。将其应用于的改进过程中，针对目标检测中边界特征与语义信息的互补性需求，缓解网络中浅层细节与深层语义融合不足的问题。Depth Information Assisted Collaborative Mutual Promotion Network for Single Image Dehazing在图像去雾网络中，不同层级和类型的特征包含着互补的信息（如浅层

本文主要利用MSA2NetMSA^{2}NetMSA2Net 中的 MASAG 模块优化 YOLOv13 的目标检测网络模型。(Multi - Scale Adaptive Spatial Attention Gate) 模块通过动态调制空间注意力权重与多尺度感受野，实现了对跨层级特征图中局部细节与全局语义的智能聚合。将其应用于的改进过程中，针对目标检测中浅层边界特征与深层语义信息的互补性需求，增强对多尺度目标的特征表达能力，提升复杂场景下的检测精度与边界定位准确性。MSA^2Net: Multi-scal

Hyper-YOLO是一种创新的目标检测模型，将超图计算集成到YOLO架构中，以捕捉视觉特征之间复杂的高阶相关性，从而提升目标检测性能。

本文记录的是基于CFC和SFC模块的YOLOv13模型改进方法研究。 和 模块提出了创新的特征校准策略，通过定制上下文聚合解决上下文不匹配问题，通过分组校准改善空间特征不对齐问题，能以低额外成本高效提升提取特征的质量。将和应用到网络中，通过其独特的上下文建模和空间特征校准机制，实现精度与效率的平衡优化。Context and Spatial Feature Calibration for Real-Time Semantic Segmentation现有上下文建模方法在聚合上下文时，对所有像素采用固定方式

SBA 模块在医疗图像分割中具有重要作用，其设计出发点是解决图像中物体边界模糊以及融合特征时的冗余和不一致问题。

U-Net V2中的SDI模块在整个网络架构中起着关键作用，其设计旨在解决传统模型在特征融合方面的不足，通过独特的结构原理实现更高效的语义信息和细节融合，从而提升医学图像分割的性能。

通过学习采样来学习上采样DySample。

本文记录的是利用优化YOLOv13的目标检测网络模型。利用改进颈部网络，通过和能够同时捕获全局长程依赖和保留局部角落区域信息，在结构简单、体积轻便的同时，提高密集预测任务检测性能。Centralized Feature Pyramid for Object Detection的实现代码如下：四、添加步骤4.1 修改一① 在目录下新建文件夹用于存放模块代码② 在文件夹下新建，将第三节中的代码粘贴到此处在文件夹下新建（已有则不用新建），在文件内导入模块：在文件中，需要在两处位置添加各模块类名称。首先：

CARAFE内容感知的特征重新组合。

本文记录的是基于移动倒置瓶颈 MBConv 的 YOLOv13 的检测头轻量化改进方法研究。采用了独特的倒置瓶颈结构，通过的操作以及，在高效提取特征的同时极大地降低了计算量。本文将的设计优势融入检测头中，使其在目标检测任务中不仅能够更精准地识别各类目标，还能在计算资源有限的情况下快速响应，展现出更为卓越的实时检测能力。EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks的实现代码如下：四、创新模块4.1 改进点

本文记录的是利用PPA （并行补丁感知注意模块）改进YOLOv13的检测头。通过改进传统卷积，形成带有注意力机制的小目标检测头，使模型能够更好地关注小目标的重要信息。HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection采用多分支特征提取策略，通过不同分支提取不同尺度和层次的特征。利用局部、全局和串行卷积分支，对输入特征张量进行处理。通过控制 patch size参数实现局部和全局分支的区分，计算非重叠

本文记录的是利用优化的检测头。通过自注意力机制能够获取全局信息，但资源占用较大。卷积操作资源占用较少，但只能根据卷积核的大小获取局部信息。通过卷积调制操作简化了自注意力机制，更有效地利用了大核卷积，在视觉识别任务中表现出较好的性能。Conv2Former: A Simple Transformer-Style ConvNet for Visual Recognition是一种用于视觉识别的新型卷积网络架构，其设计的原理和优势如下：采用金字塔结构，与和网络类似，共四个阶段，每阶段特征图分辨率不同，连续阶段间使

在目标检测中，处理多尺度物体是一个具有挑战性的问题。虽然特征金字塔或多级特征塔是解决多尺度问题的常用方法，但在单阶段检测器中，不同尺度特征之间的不一致性限制了其性能提升。为了解决这个问题，提出了自适应空间特征融合（ASFF）模块。

在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。

本文记录的是基于RTDETRDecoder模块的YOLOv13目标检测改进方法研究。RT-DETR的模块通过，能为解码器提供高质量的初始，从而。相比v13原始的检测头，RT-DETR能，替换后能够更好的提高模型性能。

Bw−wgt2h−hgt2weight2Bweight2w−wgt​2h−hgt​2​其中weight2weight = 2weight2。

本文记录的是。ATFL结合了的针对性和自适应调整损失权重的灵活性，。这一机制通过设置阈值，并根据预测概率值自适应调整损失权重来，提高了模型对目标特征的学习能力。在小目标检测中，ATFL可以被用于提升对小目标的检测能力，。

本文记录的是利用 SEAM 模块优化 YOLOv13 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

本文记录的是。通过独特的设计原理，在保持轻量级的同时实现了高效的特征注意力机制，增强了网络的表示能力。本文对YOLOv13进行二次创新，以增强模型性能。

本文记录的是。。CAA能够有效捕捉长距离依赖，并且参数量和计算量更少。

本文记录的是利用模块优化的目标检测网络模型。的作用在于同时包含了通道信息和空间信息，克服了常见通道注意力方法只考虑通道关系而忽略空间信息的问题。相比一些只提供全局长程信息的方法，能更好地表达网络特征。本文将其加入到的不同位置中，综合多种信息，更好地突出重要特征，从而提升模型对物体检测的表达能力。Mixed local channel attention for object detection的输入特征向量会进行两步池化。首先通过局部池化将输入转化为1∗C∗ks∗ks1*C*ks*ks1∗C∗ks∗ks的向

本文记录的是利用模型中提出的模块优化的目标检测网络模型。利用挤压轴向注意力有效地提取全局语义信息，并通过细节增强核补充局部细节，优化了的特征提取能力。本文将其加入到的不同位置中，使模型能够在不引入过多计算开销的情况下聚合空间信息。SeaFormer++: Squeeze-enhanced Axial Transformer for Mobile Visual Recognition传统的全局自注意力机制在处理高分辨率图像时计算成本和内存需求高，不适合移动设备。为了解决这个问题，需要设计一种高效的注意力模块，