- 博客(648)
- 资源 (3)
- 收藏
- 关注
RSS订阅
原创 手把手教你搭建Windows+YOLO11+CUDA环境，以EMA注意演示如何改进YOLO11, 训练自定义数据集，小白也能看得懂的！
【YOLO11改进- 环境搭建】手把手教你搭建Windows+YOLO11+CUDA环境，训练自定义数据集，以EMA注意演示如何改进YOLO11。小白也能看得懂的！
2024-11-09 11:21:13
1847
10
原创 YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新110+）
本专栏提供详细的 YOLO11 教程，包括基础知识、源码解析、入门实践、算法改进和项目实战，适合发表YOLO11 学习者订阅。内容包含 100+多篇独家改进机制，适合发表论文，评分高达 96 分。订阅者将获得一键运行的改进文件及答疑交流群支持。 使用服务器的同学还可以私聊获取搭建好的运行环境。
2024-10-29 17:19:34
11077
5
原创 YOLOv10有效改进系列及项目实战目录：卷积，主干 注意力，检测头等创新机制
本专栏不仅关注最新的研究成果，还会持续更新和回顾那些经过实践验证的改进机制。包括：注意力机制替换、卷积优化、检测头创新、损失与IOU优化、block优化与多层特征融合、轻量级网络设计等改进思路，帮助您实现全方位的创新。每篇文章都附带详细的步骤和源码，便于您的论文写作和项目实现。每周发布3-10篇最新创新机制文章，确保时刻掌握前沿内容。
2024-07-13 20:00:21
1910
2
原创 YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
2024-05-06 10:20:34
32550
11
原创 【YOLOv8改进 - C2f融合】C2f融合SCConv ：即插即用的空间和通道重建卷积
【YOLOv8改进 - C2f融合】C2f融合SCConv ：即插即用的空间和通道重建卷积
2025-03-20 22:46:40
111
原创 【YOLOv8改进 - C2f融合】C2f融合DWRSeg二次创新C2f_DWR：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测
【YOLOv8改进 - C2f融合】C2f融合DWRSeg二次创新C2f_DWR：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测为了降低获取多尺度上下文信息的难度，我们提出了一种高效的多尺度特征提取方法，将原来的单步方法分解为两个步骤：区域残差化-语义残差化。在这种方法中，多速率深度扩张卷积在特征提取中扮演了一个简单的角色：在第二步中基于第一步提供的每个简明区域形式的特征图，执行具有一个期望感受野的简单基于语义的形态滤波，以提高其效率。
2025-03-15 22:28:51
86
原创 【YOLOv8改进 - 卷积Conv】LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节
【YOLOv8改进 - 卷积Conv】LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节尽管基本的YOLO框架由于其快速速度确保了实时检测，但它在同时保持精度方面仍然面临挑战。为了缓解上述问题，我们提出了一种名为轻量级旁路匹配Lightweight Shunt Matching-YOLO（LSM-YOLO）的新型模型，该模型包含轻量级自适应提取（LAE）和多路径旁路特征匹配（MSFM）。
2025-03-15 22:04:28
61
原创 【YOLOv8改进 - 卷积Conv】融合MogaNet中的CA block（多通道聚合模块）
【YOLOv8改进 - 卷积Conv】融合MogaNet中的CA block（多通道聚合模块）我们提出了一种新的现代卷积网络系列，称为 MogaNet，用于在纯基于卷积网络的模型中进行判别性视觉表示学习，具有良好的复杂性-性能权衡。MogaNet 将概念上简单但有效的卷积和门控聚合封装到一个紧凑的模块中，其中判别性特征被有效地收集并自适应地语境化。
2025-03-15 11:23:07
50
原创 【YOLOv8改进 - C2f融合】C2f融合CoTAttention_上下文转换器注意力，增强视觉表示并提高计算机视觉任务的性能
【YOLOv8改进 - C2f融合】C2f融合CoTAttention_上下文转换器注意力，增强视觉表示并提高计算机视觉任务的性能
2025-03-14 07:30:00
41
原创 【YOLOv8改进 - 卷积Conv】融合MogaNet中的Multi-Order Gated Aggregation（多阶门控聚合模块）
【YOLOv8改进 - 卷积Conv】融合MogaNet中的Multi-Order Gated Aggregation（多阶门控聚合模块）为了应对这一挑战，我们提出了一种新的现代卷积网络系列，称为 MogaNet，用于在纯基于卷积网络的模型中进行判别性视觉表示学习，具有良好的复杂性-性能权衡。MogaNet 将概念上简单但有效的卷积和门控聚合封装到一个紧凑的模块中，其中判别性特征被有效地收集并自适应地语境化。
2025-03-13 21:38:44
32
原创 【YOLOv8改进-注意力机制】D-LKA Attention：可变形大核注意力
【YOLOv8改进-注意力机制】D-LKA Attention：可变形大核注意力然而，这些模型的计算需求随着token数量的平方增加，限制了其深度和分辨率能力。大多数现有方法以逐片处理三维体积图像数据（称为伪3D），这忽略了重要的片间信息，从而降低了模型的整体性能。为了解决这些挑战，我们引入了可变形大核注意力（D-LKA Attention）的概念，这是一种简化的注意力机制，采用大卷积核以充分利用体积上下文信息。该机制在类似于自注意力的感受野内运行，同时避免了计算开销。
2025-03-13 21:03:46
59
原创 【YOLOv8改进 - 卷积Conv】 LDConv(Linear deformable convoluton)：线性可变形卷积
【YOLOv8改进 - 卷积Conv】 LDConv(Linear deformable convoluton)：线性可变形卷积：任意数量的参数和任意采样形状的即插即用的卷积基于卷积操作的神经网络在深度学习领域取得了显著的成果，但标准卷积操作存在两个固有的缺陷。一方面，卷积操作仅限于局部窗口，因此无法捕捉其他位置的信息，并且其采样形状是固定的。另一方面，卷积核的大小固定为k×kk \times kk×k，这是一个固定的正方形形状，且参数的数量通常会随着大小的增加呈平方增长。
2025-03-08 22:28:09
76
原创 【YOLOv8改进 - C2f融合】C2f融合iRMB： 倒置残差移动块，即插即用的轻量注意力
【YOLOv8改进 - C2f融合】C2f融合iRMB： 倒置残差移动块，即插即用的轻量注意力我们将基于CNN的IRB扩展到基于注意力的模型，并提出了一种单残差元移动块（MMB）用于轻量级模型设计。
2025-03-08 21:40:05
77
原创 【YOLOv8改进 - C2f融合】C2f融合MLCA(Mixed local channel attention):混合局部通道注意力
【YOLOv8改进 - C2f融合】C2f融合MLCA(Mixed local channel attention):混合局部通道注意力.本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。
2025-03-08 14:20:45
72
原创 【YOLOv8改进 - 卷积Conv】Diverse Branch Block（DBB）：多样分支模块
【YOLOv8改进 - 卷积Conv】Diverse Branch Block（DBB）：多样分支模块这个模块名为多样分支模块（Diverse Branch Block，DBB），它通过组合不同尺度和复杂度的多样化分支来丰富特征空间，从而增强单一卷积的表示能力，这些分支包括卷积序列、多尺度卷积以及平均池化等。在训练完成后，DBB可以等效转换为单层卷积用于部署。与新型ConvNet架构的创新不同，DBB复杂化了训练时的微结构，但保持了宏观架构不变，因此可以直接替换任何架构中的常规卷积层。
2025-03-07 07:00:00
49
原创 YOLOv12：通过以注意力为中心的架构彻底改变对象检测
自 2016 年诞生以来，YOLO 系列从一个简单而有效的目标检测框架，逐步演变为一个在速度与精度之间实现高度平衡的复杂模型。多年来，每一代版本都在特征提取、主干网络架构、注意力机制以及优化技术方面引入了显著的改进。
2025-03-05 22:19:50
943
原创 【YOLOv8改进 - 注意力机制】ELA(Efficient Local Attention)：深度卷积神经网络的高效局部注意力机制
【YOLOv8改进 - 注意力机制】ELA(Efficient Local Attention)：深度卷积神经网络的高效局部注意力机制.然而，现有方法往往难以有效利用空间信息，或者即使能够利用空间信息，也通常以减少通道维度或增加神经网络复杂性为代价。为了解决这些局限性，本文提出了一种高效的局部注意力（Efficient Local Attention，ELA）方法，该方法通过简单的结构实现了显著的性能提升。
2025-03-05 07:00:00
68
原创 【YOLOv8改进 - 注意力机制】 ParNet :并行子网络结构实现低深度但高性能的神经网络架构
【YOLOv8改进 - 注意力机制】 ParNet :并行子网络结构实现低深度但高性能的神经网络架构我们证明了这是可行的。为此，我们使用并行子网络，而不是将一层层堆叠起来。这样可以在保持高性能的同时有效减少网络的深度。通过利用并行子结构，我们首次展示了一个深度仅为12的网络可以在ImageNet上实现超过80%的Top-1准确率，在CIFAR10上达到96%，在CIFAR100上达到81%。我们还展示了一个深度为12的骨干网络在MS-COCO上可以实现48%的AP。
2025-03-04 21:13:35
69
原创 【YOLOv8改进 - 注意力机制】TripletAttention：轻量有效的三元注意力
【YOLOv8改进 - 注意力机制】TripletAttention：轻量有效的三元注意力在本文中，我们研究了轻量但有效的注意力机制，并提出了三重注意力，这是一种通过使用三分支结构捕获跨维度交互来计算注意力权重的新方法。对于输入张量，三重注意力通过旋转操作及后续的残差变换构建维度间依赖关系，并以可忽略的计算开销编码通道间和空间信息。我们的方法简单且高效，可以作为附加模块轻松插入经典骨干网络中。
2025-03-04 21:04:59
35
原创 【YOLOv8改进 - 注意力机制】GCT(Gaussian Context Transformer)：高斯上下文变换器
【YOLOv8改进 - 注意力机制】GCT(Gaussian Context Transformer)：高斯上下文变换这些方法通常通过全连接层或线性变换来学习全局上下文与注意力激活之间的关系。然而，我们的实验证明，尽管引入了许多参数，这些注意力模块可能无法很好地学习这种关系。在本文中，我们假设这种关系是预先确定的。基于这一假设，我们提出了一种简单而高效的通道注意力模块，称为高斯上下文变换器（Gaussian Context Transformer，GCT），它使用满足预设关系的高斯函数实现上下文特征的激发。
2025-03-04 07:00:00
45
原创 【YOLOv8改进 - 注意力机制】CGAFusion(Content-Guided Attention)： 内容引导注意力特征融合
【YOLOv8改进 - 注意力机制】CGAFusion(Content-Guided Attention)： 内容引导注意力特征融合.单幅图像去雾是一个具有挑战性的病态问题，其目的是从观察到的雾霾图像中估计出无雾图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型的性能。然而，卷积神经网络（CNN）结构的学习能力仍未得到充分探索。本文提出了一种细节增强注意力模块（DEAB），该模块由细节增强卷积（DEConv）和内容引导注意力（CGA）组成，
2025-03-03 21:25:12
99
原创 【YOLOv8改进 - 注意力机制】SOCA：可训练的二阶通道注意力，自适应地重新缩放通道特征，以获得更具辨别性的表示
【YOLOv8改进 - 注意力机制】SOCA：可训练的二阶通道注意力，自适应地重新缩放通道特征，以获得更具辨别性的表示。本文提出了一种二阶注意力网络（SAN），以增强特征表达和特征相关性学习的能力。具体而言，我们开发了一种新颖的可训练二阶通道注意力（SOCA）模块，通过利用二阶特征统计来自适应地重新调整通道特征，以实现更具辨别性的表示。
2025-02-27 21:20:19
40
原创 【YOLOv8改进 - 注意力机制】 SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。
【YOLOv8改进 - 注意力机制】 SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。本研究旨在揭示空间注意力和通道注意力在多语义层面上的协同关系，提出了一种新颖的空间与通道协同注意力模块（SCSA）
2025-02-25 22:09:50
84
原创 【YOLOv8改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用
【YOLOv8改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用我们提出了，这是一种基于自注意力机制的自回归模型，适用于图像和其他高维张量形式的数据。现有的自回归模型在处理高维数据时，通常面临以下问题：要么需要过大的计算资源，要么在降低资源需求的同时不得不在分布表达能力或实现简便性上做出妥协。相比之下，我们的架构既保持了对数据联合分布的完整表达能力，也能轻松使用标准深度学习框架进行实现，同时在内存和计算需求上保持合理性，并在标准生成建模基准测试中取得了最先进的结果。
2025-02-24 21:46:54
61
原创 【YOLOv8改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互
【YOLOv8改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互。自注意力机制因其与参数无关的感受野扩展能力以及基于内容的交互方式，被认为有潜力提升计算机视觉系统的性能，这与卷积的参数依赖型感受野扩展和与内容无关的交互方式形成了鲜明对比。最近的研究表明，与基线卷积模型（如 ResNet-50）相比，自注意力模型在精度-参数权衡方面取得了令人鼓舞的改进。在这项工作中，我们旨在开发不仅能超越经典基线模型，
2025-02-22 21:49:52
60
原创 【YOLO11改进 - NECK】当Yolo11视觉对象检测遇上Hyper超图计算
摘要 —— 我们提出了 Hyper-YOLO，这是一种新的目标检测方法，它集成了超图计算，以捕捉视觉特征之间复杂的高阶相关性。传统的 YOLO 模型虽然强大，但在颈部设计上存在局限性，限制了跨层特征的整合以及高阶特征相互关系的挖掘。为应对这些挑战，我们提出了超图计算赋能语义收集与散射（HGCSCS）框架，该框架将视觉特征图转换到语义空间，并构建超图用于高阶消息传播。这使模型能够获取语义和结构信息，超越了传统的以特征为中心的学习方式。
2025-02-19 21:39:12
105
原创 计算机视觉：技术原理、模型架构与2025热门方向展望
计算机视觉（Computer Vision，CV）作为人工智能（AI）的重要分支，其核心目标是让计算机学会理解和解析图像、视频以及各类视觉数据，从而模拟并延伸人类的视觉感知能力。如今，计算机视觉技术已广泛渗透到各个领域。从自动驾驶的智能决策，到医疗影像分析的精准诊断；从安防监控的实时预警，到智能零售的个性化服务；从虚拟现实（VR）与增强现实（AR）的沉浸式体验，都离不开计算机视觉技术的强力支撑。
2025-01-24 12:39:36
2923
原创 【YOLOv8改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用
【YOLOv8改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用
2025-01-23 09:15:15
108
原创 【YOLO11改进 - 损失函数】Shape-IoU：考虑边框形状与尺度的指标
【YOLO11改进 - 损失函数】Shape-IoU：考虑边框形状与尺度的指标
2025-01-20 22:57:12
268
原创 【YOLO11改进 - 卷积Conv】LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节
【YOLO11改进 - 卷积Conv】LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节
2025-01-05 22:37:25
361
原创 【YOLO11改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互
【YOLO11改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互
2025-01-05 22:25:14
240
原创 【YOLO11改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用
【YOLO11改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用
2025-01-04 15:00:34
142
原创 【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络（MANet）改进yolo11，提升基础网络的特征提取能力
【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络（MANet）改进yolo11，提升基础网络的特征提取能力
2025-01-04 14:37:21
297
原创 【YOLO11改进 - 注意力机制】SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。
【YOLO11改进 - 注意力机制】SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。
2025-01-02 22:43:52
133
原创 【YOLO11改进 - C3k2融合】C3k2融合EFA(Efficient Fusion Attention) 高效融合提高图像分割的特征提取能力
【YOLO11改进 - C3k2融合】C3k2融合EFA(Efficient Fusion Attention) 高效融合提高图像分割的特征提取能力。Y医学图像分割在定量分析、临床诊断和医学干预中起着至关重要的作用。然而，由于存在不同的目标类型和尺度、复杂的背景以及组织间的相似性，从医学图像中提取有价值的信息极具挑战性。为了解决这些问题，本文提出了一种轻量化注意力网络（LANet），其融合了高效融合注意力（EFA）模块和自适应特征融合（AFF）解码模块。EFA模块通过捕捉与任务相关的信息，
2025-01-02 22:26:40
203
原创 【YOLO11改进 - C3k2融合】C3k2融合SMFANet的FMB：通过多层次的特征调制来生成深层次的代表性特征
【YOLO11改进 - C3k2融合】C3k2融合FMB：通过多层次的特征调制来生成深层次的代表性特征
2024-11-29 09:14:39
324
原创 【YOLO11改进 - 即插即用】SMFA（Self-Modulation Feature Aggregation）：自调制特征聚合模块
【YOLO11改进 - 即插即用】SMFA（Self-Modulation Feature Aggregation）：自调制特征聚合模块
2024-11-27 22:39:42
309
原创 【YOLO11改进 - C3k2融合】C3k2融合WTConv：，基于小波变换的新型卷积 ，小参数大感受野
【YOLO11改进 - C3k2融合】C3k2融合WTConv：，基于小波变换的新型卷积 ，小参数大感受野
2024-11-27 22:16:41
386
原创 【YOLO11改进 - C3k2融合】参考DFLM-YOLO中的FasterBlock-CGLU-C2实现C3K2_FasterBlock_CGLU,来优化骨干网络结构，从而减少了模型的参数和推理时间
【YOLO11改进 - C3k2融合】参考DFLM-YOLO中的FasterBlock-CGLU-C2实现C3K2_FasterBlock_CGLU,来优化骨干网络结构，从而减少了模型的参数和推理时间。
2024-11-26 22:33:03
288
原创 【YOLO11改进 - 特征融合】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数
【YOLO11改进 - 特征融合】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数
2024-11-25 22:42:35
306
MCA: Multidimensional collaborative attention in deep convolutio
2024-02-21
泰坦尼克号幸存者数据集
2023-12-17
K最近邻（K-Nearest Neighbors，KNN） 最佳指南以及代码实战数据集- 糖尿病
2023-09-17
《混淆矩阵 最佳指南以及代码实战》 心脏数据集
2023-09-06
文章《【零基础学机器学习 10】随机森林算法最佳指南以及代码实战》 - 数据集
2023-07-24
asp.net通讯录管理系统课程设计
2023-02-26
企业网站模板、html模板网站
2022-11-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人