YOLOv8改进 | 自定义数据集训练 |利用ModulatedDeformConv优化YOLO下采样(降低参数 + 网络层数 + 计算量)（附完整代码 +部署教程）

一、本文介绍

本文介绍了一种改进机制，即使用ModulatedDeformConv来替代模型中的下采样操作。ModulatedDeformConv的主要思想是通过引入可学习的空间偏移量来动态调整感受野，以增强卷积神经网络对图像中几何变换的适应能力。与传统的Conv方法不同，可变形Conv通过学习下采样位置来提高检测精度。而这种方法可以减少计算量、网络层数和网络参数，因此在自己的数据集上尝试一下是值得推荐的。此外还对对自定义数据集的训练以及半自动化标注的方法进行简单介绍，帮助力读者快速在自己的数据集上进行实验与应用。并在文末提供全部代码与数据集的百度云盘链接，可一键部署运行

二、原理介绍

     

摘要:卷积神经网络(CNNs)在建模几何变换方面有固有的局限性，因为它们的构建模块中有固定的几何结构。在这项工作中，我们引入了两个新模块来增强CNNs的变换建模能力，分别是可变形卷积和可变形RoI池化。这两个模块都是基于在模块中增加额外偏移量的空间采样位