- 博客(1328)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 YOLOv13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 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。🎫。。
2025-08-25 08:29:58
4133
17
原创 《多模态融合改进》目录一览 | 专栏介绍 ：全网 第一份 完整的多模态改进教程，提供《多模态模型改进完整项目包》-开箱即用
在大家订阅专栏后，便可获得多模态模型改进完整项目包-开箱即用，方便简单
2025-04-15 13:31:46
6392
23
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
13909
69
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
2116
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
8695
11
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
18343
67
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
42064
289
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
9215
10
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
3746
2
原创 YOLOv12改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG 模块改进 YOLOv12 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YOLOv12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
2025-11-24 08:42:06
177
原创 YOLOv10改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG 模块改进 YOLOv10 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YOLOv10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
2025-11-22 13:28:16
15
原创 Jetson镜像环境配置以及备份与恢复详细步骤
查看 Jetson 设备（如 Xavier NX、AGX Orin、Nano 等）的 L4T（Linux for Tegra）版本，需进入到Jetson 板卡自身的系统中，不是自己的虚拟机。此时需要根据自己的开发板型号下载对应的L4T Driver Package (BSP)以及Sample Root Filesystem。找到与自己版本对应的JetPack版本，进行下载。两个引脚用短接头短接，连接数据线到电脑上，插上模组后接通电源。两个引脚用短接头短接，连接数据线到电脑上，插上模组后接通电源。
2025-11-22 08:36:35
349
原创 YOLOv13改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
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
2025-11-21 15:00:50
156
原创 YOLOv11改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG 模块改进 YOLOv11 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YOLOv11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
2025-11-21 15:00:34
184
原创 YOLOv8改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG 模块改进 YOLOv8 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YOLOv8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率。
2025-11-20 12:50:16
20
原创 RT-DETR改进策略【Neck】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG 模块改进 RT-DETR 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YOLOv10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
2025-11-20 12:42:05
192
原创 【YOLOv10多模态融合改进】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG模块改进 YOLOv10 的特征融合部分。（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YOLOv10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率
2025-11-19 16:41:15
31
原创 C#利用YOLOv8检测模型实现区域人员入侵报警
本文主要讲解如何在C#中利用YOLOv8检测模型实现区域人员入侵报警。用于防止目标进入危险区域。支持自定义权重、自定义计数区域，视频和图像进行分析。 实现的内容有：效果如下：C#利用YOLOv8检测模型实现区域人员入侵报警在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫RegionRuqin，可以随便起。在框架中需要选择 .N
2025-11-11 14:43:18
256
原创 【YOLOv12多模态融合改进】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG模块改进 YOLOv12 的特征融合部分。（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YOLOv12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率
2025-11-11 14:41:37
273
原创 YOLOv12一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-10 08:38:40
233
原创 YOLOv8一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-10 08:38:23
168
原创 【YOLOv11多模态融合改进】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG模块改进 YOLOv11 的特征融合部分。（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YOLOv11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率
2025-11-09 17:10:29
215
原创 C#利用YOLOv8检测模型实现区域超员报警
本文主要讲解如何在C#中利用YOLOv8检测模型实现区域超员报警。用于防止目标过于密集。支持自定义权重、自定义计数区域，视频和图像进行分析。 实现的内容有：效果如下：C#利用YOLOv8检测模型实现区域超员报警在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫RegionChaoyuan，可以随便起。在框架中需要选择 .Net
2025-11-09 17:09:59
750
原创 YOLOv13一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-08 13:46:36
68
原创 YOLOv10一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-08 13:46:06
41
原创 C#利用YOLOv8检测模型实现区域计数
本文主要讲解如何在C#中利用YOLOv8检测模型实现区域计数。支持自定义权重、自定义计数区域，视频和图像进行分析。 实现的内容有：效果如下：C#利用YOLOv8实现区域计数在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫RegionCount，可以随便起。在框架中需要选择 .Net 8.0，没有的需要更新一下Visual St
2025-11-07 15:57:32
741
原创 【YOLOv13多模态融合改进】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG模块改进 YOLOv13 的特征融合部分。（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率
2025-11-07 15:55:28
419
原创 YOLO11一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-06 08:49:30
352
1
原创 RT-DETR 一键输出FPS、层数、参数量、计算量、模型大小、推理延时
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。
2025-11-06 08:46:47
130
原创 YOLOv8 Obb模型部署：讲解C#使用ONNX旋转框目标检测模型进行推理 可运行完整实例
目标检测本文主要讲解如何在C#中调用YOLOv8的旋转框ONNX模型进行推理和绘制结果。支持自定义权重、视频和图像进行分析。 代码、步骤、讲解完整，可一键运行，效果如下：在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫ObbTest，可以随便起。在框架中需要选择 .Net 8.0，没有的需要更新一下Visual Studio。
2025-11-05 13:03:07
585
原创 YOLOv8姿态估计模型部署：讲解C#使用ONNX关键点检测模型进行推理 可运行完整实例
目标检测本文主要讲解如何在C#中调用YOLOv8的姿态估计ONNX模型进行推理和绘制结果。支持自定义权重、视频和图像进行分析。 代码、步骤、讲解完整，可一键运行，效果如下：在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫PoseTest，可以随便起。在框架中需要选择 .Net 8.0，没有的需要更新一下Visual Studi
2025-11-05 13:02:12
652
原创 YOLOv8改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配
本文记录的是利用EUCB模块对YOLOv8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 Convolutiona
2025-11-04 09:04:24
55
原创 【RT-DETR多模态融合改进】| CVPR2024 LGAG：大核分组注意力门模块，3×3分组卷积与注意力协同的特征精准融合
本文记录的是利用LGAG模块改进 RT-DETR 的特征融合部分。（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RT-DETR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率
2025-11-04 08:59:13
744
原创 YOLOv12改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配
本文记录的是利用EUCB模块对YOLOv12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
2025-11-03 09:11:41
446
原创 YOLOv10改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配
本文记录的是利用EUCB模块对YOLOv10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
2025-11-03 09:10:08
45
原创 YOLOv13改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配
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
2025-11-02 14:08:53
102
原创 YOLOv8目标分割模型部署：讲解C#使用ONNX分割模型进行推理 可运行完整实例
目标分割本文主要讲解如何在C#中调用YOLOv8的分割ONNX模型进行推理和绘制结果。支持自定义权重、视频和图像分析。 代码、步骤、讲解完整，可一键运行，效果如下：在的项目包中，新建下方脚本，将模型转成模型，此处只需要将修改成个人的模型路径即可，运行后便会在同路径下生成模型。新建C#项目，配置环境为了方便理解，我新建一个C#的控制台应用：配置新项目中，可以给自己的项目起个名字，我的就叫Segtest，可以随便起。在框架中需要选择 .Net 8.0，没有的需要更新一下Visual Studio。进入到
2025-11-02 12:44:58
1058
原创 RT-DETR改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块：轻量级上采样 + 深度卷积增强 + 通道匹配
本文记录的是利用EUCB模块对RT-DETR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
2025-10-31 16:47:21
283
指数加权移动平均平滑-Python实现
2024-10-24
高斯滤波-Python实现
2024-10-24
Savitzky-Golay滤波-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