YOLOV5/YOLOV7/YOLOV8改进：用于低分辨率图像和小物体的新 CNN 模块SPD-Conv

1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。
2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。

3.涨点效果：SPD-Conv提升小目标识别,实现有效涨点！

卷积神经网络(cnn)在图像分类等许多计算机视觉任务中取得了巨大的成功以及目标检测。然而，它们的性能迅速下降当图像分辨率低或物体很小时，更困难的任务。在在本文中，我们指出这源于现有CNN架构中有缺陷但常见的设计，即使用跨行卷积和/或池化层，这会导致细粒度信息的丢失学习不太有效的特征表示。为此，我们提出了一个新的CNN构建块，称为SPD-Conv来代替每个跨步卷积层和每个池化层(因此完全消除了它们)。SPD- conv由空间到深度(SPD)层组成通过非跨行卷积(Conv)层，可以应用于大多数情况不是所有的CNN架构。我们从两个方面来解释这个新设计代表性的计算机视觉任务:目标检测和图像分类。然后，我们通过应用SPD-Conv创建新的CNN架构YOLOv5和ResNet，经验表明我们的方法明显优于最先进的深度学习模型，特别是在低分辨率图像和小物体的复杂任务中。

SPD-Conv有下采样的作用，因此可以用它替换网络中的下采样操作

YOLOV5改进步骤：

1.步骤一

在models/common.py文件中加入以下代码ÿ