kay_545-CSDN博客

原创《YOLO11改进有效涨点》专栏目录 | 目前已有100+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck等创新点改进【持续更新】

YOLO11改进专栏目录，YOLO11改进目录

2024-11-04 12:58:41 12255 14

原创《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有120+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进

yolov8改进目录，yolov8创新机制

2024-07-15 21:45:00 4628 3

原创《YOLOv5入门 + 改进涨点》专栏介绍 & 专栏目录 |目前已有80+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进

本专栏是博主精心设计的专门为了提升检测效果，希望改进YOLOv5并发表论文的同学们而设计。专栏的内容紧跟学术届的热点更新最新内容，紧跟YOLOv5的官方项目的实时更新。本专栏的内容是基于YOLOv5-6.1的版本进行改进专栏聚焦前沿方法，本专栏的改进，适用于目标检测任务。且改进后的算法使用于多种场景，包括但不限于。

2024-06-17 15:26:11 8025 3

原创深度学习面试问题目录 | 深度学习目标检测、语义分割、分类上百种面试问答技巧

面试，面经，春招，秋招，算法工程师，python，yolov5，yolo8，yolo

2024-05-15 13:08:40 2704

原创 YOLO26改进 | featurefusion |红外小目标检测的自适应多尺度细节保融模块

本文介绍了将YOLO26的特征融合模块替换为DPCF的方法。主要内容包括：1）详细说明了DPCF模块的代码实现步骤，包括新建DPCF.py文件、修改__init__.py文件；2）提供了yaml配置文件示例，展示如何在YOLO26中集成DPCF模块；3）阐述了在task.py中进行注册的关键步骤；4）给出了训练程序的执行方法。实验结果表明，改进后的模型在保持较低计算量（6.2GFLOPs）的同时提升了检测性能。文章还提供了完整的代码实现

2026-05-13 10:07:28 560

原创 YOLO26改进| downsample |网络深层多分支互补鲁棒下采样模块

本文详细介绍了将YOLO26的下采样模块替换为DRFD（Dynamic Receptive Field Downsampling）的方法。主要内容包括：1）DRFD模块的原理和代码实现；2）具体修改步骤：添加DRFD.py模块文件、修改__init__.py、创建yaml配置文件、在task.py中注册模块；3）提供了完整的可执行代码；4）展示了改进前后的GFLOPs对比；5）建议与其他注意力机制结合进一步提升效果。该改进方法简单易行，适合各类YOLO26变体（n/s/m/l/x），能有效提升模型性能

2026-05-12 10:19:46 602

原创 YOLO26改进| downsample | 完整保留边缘、纹理、边界关键信息

本文详细介绍了将YOLO26的下采样模块替换为HWD（Haar Wavelet Downsampling）的方法。主要内容包括：1）HWD模块的原理及其在特征提取中的优势；2）具体实现步骤：添加HWD代码、修改配置文件、注册模块等；3）提供了完整的代码实现和GFLOPs计算对比；4）展示了改进后的模型结构及训练方法。该改进方法简单有效，能提升目标检测性能，适合各类YOLO26变体模型，并可与注意力机制等其他模块结合进一步优化效果。文章附带完整代码和详细教程，方便读者实践应用。

2026-05-12 10:06:13 485

原创 YOLO26改进| 特征融合 | 由粗到细的分层多尺度融合模块

本文介绍了将YOLO26的特征融合模块替换为PST的方法，以提升目标检测性能。主要内容包括：1）PST模块的原理及代码实现；2）详细步骤：添加PST.py文件、修改init.py、创建yaml配置文件、在task.py中注册模块；3）提供完整可运行代码；4）计算改进前后的GFLOPs对比；5）建议与其他注意力机制结合进一步优化；6）总结改进效果并推荐相关专栏。该方法通过金字塔稀疏注意力机制实现多尺度特征融合，在保持计算效率的同时提升检测精度

2026-05-11 10:04:04 478

原创 YOLO26改进| 特征融合 | 双向指导 + 自适应权重 + 低光降噪增强【CVPR】

本文介绍了将YOLO26的特征融合模块替换为LCA（Local Context Aggregation）的方法。主要内容包括：1）LCA模块的原理和代码实现；2）详细步骤指导如何在YOLO26中添加LCA模块；3）提供完整的yaml配置文件和训练代码；4）改进后的模型GFLOPs计算。该方法通过增强局部上下文特征提取能力，可提升目标检测性能。文章还提供了进阶改进建议，并推荐了包含更多YOLO改进技术的专栏。所有代码均经过测试，适合深度学习初学者实践应用。

2026-05-11 09:38:11 911

原创 YOLO26改进 | 卷积模块 | 空域抓全局 + 频域保细节，小目标检测精度显著提升

本文详细介绍了将YOLO26中的Conv模块替换为FSConv的方法。FSConv通过融合频率和空间特征提升目标检测性能。文章提供了完整的代码实现步骤：1)添加FSConv模块代码；2)修改初始化文件；3)创建配置文件；4)注册模块；5)训练模型。实验结果显示改进后的模型参数量为2.17M，计算量为5.8GFLOPs。该方法可与其他注意力机制结合进一步提升性能，为YOLO系列算法改进提供了新思路。

2026-05-09 09:24:26 447

原创 YOLO26改进 | Upsample | 轻量、无伪影、保细节、快推理【CVPR】

本文详细介绍了将YOLO26的上采样模块替换为EUCB（Efficient Multi-scale Convolutional Attention Decoding）的方法。主要内容包括：1）EUCB模块的代码实现；2）在YOLO26中添加EUCB的具体步骤（创建模块文件、修改配置文件、注册模块等）；3）提供完整的yaml配置文件和训练代码；4）展示改进后的模型性能指标（6.6GFLOPs）。该方法通过改进特征提取方式提升检测效果，适用于目标检测、语义分割和旋转目标检测任务。

2026-05-09 08:50:57 566

原创 YOLO26改进| 特征融合 | 小波变换的多尺度特征融合

本文详细介绍了如何将YOLO26的特征融合模块替换为WFU（Wavelet-based Feature Enhancement Network）。主要内容包括：1）WFU模块的代码实现方法；2）YOLO26模型的修改步骤，包括添加WFU.py文件、更改init.py、添加yaml配置文件等；3）完整的代码分享和GFLOPs计算；4）进阶优化建议。该改进可提升模型特征提取能力，适用于目标检测任务，所有代码均已测试通过，小白也能轻松实践。文章还推荐了相关专栏，包含更多YOLO系列改进方法和前沿技术分享。

2026-05-08 10:17:40 444

原创 YOLO26改进 | 特征融合 | 空间 - 频率 - 语义协同融合模块

本文介绍了如何将YOLO26的特征融合模块替换为SFSFusion（Spatial-Frequency Collaborative Fusion）来提升目标检测性能。主要内容包括：1）详细讲解SFSFusion原理；2）手把手教学代码修改步骤，包括新建SFSFusion.py模块、修改init.py和yaml配置文件；3）提供完整可运行的代码示例；4）展示改进前后的GFLOPs对比；5）建议与其他注意力机制结合进一步优化。文章强调所有代码均通过测试

2026-05-08 09:46:04 523

原创 YOLO26改进| DownSample | 基于离散小波变换（DWT）的下采样模块

通过以上的改进方法，我们成功提升了模型的表现。这只是一个开始，未来还有更多优化和技术深挖的空间。在这里，我想隆重向大家推荐我的专栏——<YOLO26改进-论文涨点——点击跳转看所有内容，关注不迷路！这个专栏专注于前沿的深度学习技术，特别是目标检测领域的最新进展，不仅包含对YOLO26的深入解析和改进策略，还会定期更新来自各大顶会（如CVPR、NeurIPS等）的论文复现和实战分享。为什么订阅我的专栏？——YOLO26改进-论文涨点——点击跳转看所有内容，关注不迷路！前沿技术解读。

2026-05-07 10:56:38 574

原创 YOLO26改进| Neck | 轻量化且有效提升小目标检测效果

本文介绍了如何将Slim-Neck模块集成到YOLO26目标检测模型中，以提高特征提取能力。主要内容包括：1）添加Slim-Neck核心代码；2）修改配置文件；3）训练模型。改进后的模型参数量为2.45M，计算量为5.6GFLOPs，相比原版有所优化。文章提供了完整的代码实现步骤，适合深度学习初学者实践。作者还推荐了相关专栏，分享更多YOLO改进技术和前沿论文复现经验。通过这种方法，读者可以轻松实现模型性能提升，并为后续结合注意力机制等改进奠定基础。

2026-05-07 10:21:41 883

原创 YOLO26改进 | 特征融合 | 浅层细节融合模块

本文介绍了将SDFM特征融合模块集成到YOLO26目标检测模型中的详细教程。主要内容包括：1）SDFM模块的原理与代码实现；2）在YOLO26中添加SDFM的具体步骤，包括模块导入、yaml文件配置和任务注册；3）完整的代码分享和GFLOPs计算说明。通过这种改进，模型性能得到提升，GFLOPs降至9.9。文章还推荐了相关专栏，提供更多深度学习目标检测的前沿技术解析和实践分享。该教程适合希望改进YOLO算法或撰写相关论文的研究者，所有代码均经过测试可运行。

2026-05-06 14:06:59 414

原创 YOLO26改进| 检测头 | 定位质量评估检测头

本文介绍了将YOLO26的Detect模块替换为Detect_LQE的方法，用于改进目标检测特征提取。主要内容包括：详细步骤指导如何添加Detect_LQE模块：新建Detect_LQE.py文件并添加代码修改__init__.py文件进行函数声明创建对应的yaml配置文件在task.py中注册新模块提供了完整的代码实现，包含Partial_Conv、MLP、LQE等核心类，支持目标检测、实例分割、旋转目标检测等多种任务。展示了改进前后的GFLOPs对比，并建议可结合其他注意力机制进一步提升性

2026-05-06 13:46:55 640

原创 YOLO26改进| stem | 浅层鲁棒特征下采样模块

本文介绍了将YOLO26的stem模块替换为SRFD特征提取模块的改进方法。主要内容包括：1）SRFD模块原理及代码实现；2）详细步骤：添加SRFD.py文件、修改init.py、创建yaml配置文件、在task.py中注册；3）提供完整可执行代码；4）对比改进前后模型的GFLOPs；5）建议结合其他模块进一步优化效果。该方法通过替换特征提取模块提升YOLO26性能，适合目标检测研究者和实践者参考。文章附有专栏链接，包含更多YOLO改进技术和论文复现内容。

2026-05-05 11:20:10 441

原创 YOLO26改进| Upsample | 无损、轻量、高效的上采样模块【CVPR2025】

本文介绍了如何将YOLO26的上采样模块替换为DSUB来提升特征提取效果。主要内容包括：1）DSUB模块的代码实现步骤，包括新建模块文件、修改初始化文件、添加配置文件等；2）在YOLO26中集成DSUB的具体方法，包括模型注册和训练配置；3）改进后的模型性能分析，展示了GFLOPs的变化；4）进阶建议，如结合其他注意力机制进一步优化；5）完整代码分享。该教程详细说明了从理论到实践的完整流程，即使是深度学习初学者也能轻松上手实现模型改进。

2026-05-05 10:59:16 832

原创 YOLO26改进 | stem | 融合高斯平滑降噪 + 拉普拉斯边缘增强的轻量化网络入口模块

本文介绍了如何将YOLO26的stem模块替换为LoGStem来提升特征提取能力。主要内容包括：核心原理：通过高斯-拉普拉斯算子(LoG)增强边缘特征提取，改进YOLO26的初始特征提取模块。

2026-05-04 14:29:33 456 2

原创 YOLO26改进| 主干网络 | 提升长距离特征建模与全局上下文理解能力【CVPR】

本教程详细介绍了如何将YOLO26的主干网络替换为RMT特征提取模块。主要内容包括：1) RMT模块的原理介绍；2) 分步骤实现代码修改，包括添加RMT.py文件、修改init.py、创建yaml配置文件、在task.py中注册模块；3) 提供了完整的可执行代码；4) 展示了改进前后的GFLOPs对比；5) 建议进一步结合其他注意力机制或损失函数优化模型。通过该改进方案，读者可以轻松实现YOLO26的性能提升，教程适合各层次开发者实践应用。

2026-05-04 13:20:30 543

原创 YOLO26改进 | 主干网络 | 强化跨层次特征融合【CVPR2025】

本文介绍了将OverLoCK网络作为YOLO26主干网络的改进方法，详细说明了代码实现步骤：1)添加OverLoCK模块代码；2)修改初始化文件；3)创建配置文件；4)在task.py中注册模块；5)执行训练程序。文章提供了完整的代码实现和配置文件模板，并指出该方法可以与其他注意力机制结合进一步提升效果。最后推荐了包含更多YOLO改进技术的专栏，涵盖前沿论文复现和实践分享。所有代码均已测试可运行，适合各类学习者实践应用。

2026-04-09 14:55:14 945

原创 YOLO26改进| 主干网络 | 强化全局上下文与通道互动能力

CAS-ViT，yolo26，yolo26改进

2026-04-09 11:33:52 583

原创 YOLO26改进 | 主干网络 | 促进上下文建模与金字塔融合

本文详细介绍了将iFormer主干网络替换YOLO26的方法，包含完整的代码实现步骤：1）新建iFormer.py文件并添加代码；2）修改init.py文件；3）创建yaml配置文件；4）在task.py中注册模块；5）执行训练程序。文章还提供了进阶优化建议，并推荐了包含更多YOLO改进技术的专栏。所有代码均经过测试可正常运行，适合从基础到进阶的学习者实践应用。

2026-04-08 15:17:15 430

原创 YOLO26改进 | 主干网络 | 提升全局上下文建模效率的GSPN【CVPR2025】

本文介绍了将GSPN模块替换YOLO26主干网络的方法，详细说明了代码修改步骤和配置文件设置。文章提供了完整的GSPN.py实现代码，并指导如何在YOLO26框架中进行模块集成，包括修改init.py、添加yaml配置文件和在task.py中注册等关键步骤。文章还建议可以结合其他注意力机制或损失函数进一步提升检测效果，并推荐了相关的技术专栏，为读者提供更多深度学习目标检测领域的前沿技术分享和实践指导。

2026-04-08 14:48:59 693

原创 YOLO26改进 | 主干网络 | 平衡局部卷积与全局注意力细节

本文详细介绍了将YOLO26主干网络替换为NextViT的方法，通过NextViT提取特征提升模型性能。主要内容包括：1）NextViT原理及代码实现；2）模块添加与修改步骤；3）配置文件创建；4）任务注册方法；5）完整训练流程。改进后的YOLO26_NextViT模型参数量达33.2M，计算量98.7GFLOPs，相比原版性能显著提升。文章提供了完整的代码实现和训练指南，适合深度学习目标检测领域的研究者和实践者参考。

2026-04-07 15:03:45 417

原创 YOLO26改进| 主干网络 | 以条带化卷积减少计算量、强化多尺度特征融合的StripNet

本教程详细介绍了将YOLO26的主干网络替换为StripNet的方法。文章首先阐述了StripNet的原理，然后逐步指导如何添加模块代码、修改配置文件、注册模型，并提供了完整的可执行代码。通过替换主干网络，模型在保持高效性的同时提升了特征提取能力。教程包含详细的步骤说明、代码示例和配置文件修改指南，即使是初学者也能轻松上手实践。最后还介绍了GFLOPs计算方法，并建议结合其他注意力机制进一步优化模型性能。所有代码均已测试可正常运行。

2026-04-07 14:25:46 606

原创 YOLO26改进| 主干网络 |观大局、聚焦微的LSNet【CVPR2025】

本文详细介绍了如何将YOLO26的主干网络替换为LSNet来提升特征提取能力。主要内容包括：在YOLO26中添加LSNet模块的具体实现步骤修改相关配置文件(init.py和yaml文件) 在task.py中注册新模块执行训练程序的验证方法提供了完整的代码实现和GFLOPs计算讨论了进一步优化的可能性该改进方法通过替换主干网络，可以有效提升模型性能，同时保持了YOLO26原有的架构优势。文章提供了详细的代码实现和操作指南，适合各个水平的开发者实践应用。

2026-04-06 17:13:33 550

原创 YOLO26改进 | 卷积模块 | 利用频域特征加强空间细节与纹理表示能力【CVPR2025】

本文介绍了将YOLO26中的Conv层替换为FDConv（Frequency Dynamic Convolution）的方法，以提升目标检测性能。主要内容包括：原理说明：FDConv通过频域动态卷积增强特征提取能力详细实现步骤：添加FDConv模块代码修改初始化文件创建新的yaml配置文件在task.py中注册新模块并提供完整的训练脚本和成功运行示例

2026-04-06 09:39:29 593

原创 YOLO26改进 | 主干网络 | 引入 LWGANet 轻量级群组架构，提升多尺度特征建模效率

本文详细介绍了将YOLO26的主干网络替换为LWGANet的完整教程。通过5个关键步骤实现：1)添加LWGANet模块代码；2)修改初始化文件；3)创建配置文件；4)注册模型；5)执行训练。改进后的模型在保持6.2GFLOPs计算量的同时，提升了特征提取能力。文章还提供了完整的代码实现和GFLOPs对比分析，适合YOLO系列算法改进的实践应用。该教程操作简单，小白也能轻松上手，为深度学习目标检测领域的研究提供了实用的改进方案。

2026-04-05 14:30:06 445 2

原创 YOLO26改进 | 主干网络 | 轻量化设计，提升效率

本文介绍了将YOLO26主干网络替换为LAUDNet的方法，详细说明了代码修改步骤，包括添加模块、修改配置文件等关键操作。主要内容包括：实现原理：通过LAUDNet动态特征提取提升模型性能代码修改步骤：添加LAUDNet.py模块文件修改__init__.py声明函数创建yolo26_LAUDNet.yaml配置文件在task.py中注册新模块执行训练方法及验证成功标准

2026-04-04 15:48:48 483

原创 YOLO26改进 | 主干网络 | 以空间上下文与细节提炼机制提升复杂场景检测性能

本文详细介绍了如何将YOLO26的主干网络替换为FaNet特征提取网络。主要内容包括：1）FaNet原理简介，该网络通过特征放大机制增强语义分割能力；2）具体实现步骤：创建FaNet模块文件、修改初始化文件、添加配置文件、注册网络模块；3）提供了完整的代码实现，包括FaNet核心类定义、工厂函数和测试用例；4）展示了改进前后的GFLOPs对比，证明该方法有效提升了模型性能。文章还提供了进阶优化建议，如结合其他注意力机制进一步改进检测效果。所有代码均经过测试可运行，适合各层次开发者实践应用。

2026-04-03 21:31:03 419

原创 YOLO26改进 | 模块融合 | 使高分辨率下的全局上下文建模更高效并提升精度

本文详细介绍了将YOLO26的C2PSA模块替换为改进版C2PSA_Agent的实现方法。通过AgentAttention机制动态确定特征图的H/W维度，并采用双线性插值处理注意力偏置，提升了特征提取能力。

2026-04-03 08:56:09 562

原创 YOLO26改进 | 卷积模块 | 带有 BN-LN 自适应融合归一化的卷积模块

本文详细介绍了将YOLO26中的Conv模块替换为Conv_BCN的方法。Conv_BCN结合了BatchNorm和LayerNorm的优点，通过可学习参数ρ进行混合，能有效提升特征提取能力。文章提供了完整的代码实现步骤：1) 添加Conv_BCN模块；2) 修改初始化文件；3) 创建新的yaml配置文件；4) 在task.py中注册新模块。以及完整代码

2026-04-02 10:27:04 481

原创 YOLO26改进 | 注意力机制 | 以分解式双层注意力提升语义表达与细节捕捉【完整步骤】

本文介绍了如何为YOLO26目标检测模型添加DeBiFormer注意力机制，提供了详细的代码实现和配置步骤。主要内容包括：论文背景：DeBiFormer是一种结合可变形代理和双层路由注意力的视觉Transformer结构，能有效提升模型性能。

2026-04-01 10:26:58 649

原创 YOLO11改进 | 主干网络 | 添加Hyper-YOLO的MANet混合聚合网络

本文详细介绍了在YOLO11目标检测模型中替换C3k2模块为MANet的具体实现方法。文章首先讲解MANet模块的原理，然后分步骤指导如何在YOLO11中添加该模块，包括代码修改、文件配置和模型注册等关键环节。通过实验对比，改进后的YOLO11_MANet模型在保持8.8GFLOPs计算量的同时，参数数量达到3,820,272，网络层数增加到343层。文章还提供了完整的代码实现和网络结构图，并建议结合其他注意力机制或损失函数进一步提升检测效果。最后推荐了相关的深度学习专栏，包含更多YOLO系列改进方法。

2025-08-04 22:40:41 575

原创 Windows 下通过 SSHFS 使用 SSH 协议挂载远程服务器目录

SSHFS是一种通过SSH协议挂载远程服务器文件系统的方案，适用于仅开放SSH端口的服务器环境。文章推荐使用winfsp+sshfs-win方案（持续维护），并提供了GUI和命令行两种挂载方式。对于SSH默认端口和非默认端口情况，分别给出了具体的挂载路径格式。作为替代方案，也介绍了win-sshfs+Dokan的组合方式，但指出其已停止更新。两种方案都能实现将远程目录映射为本地驱动器，方便文件操作。

2025-07-25 22:58:00 2818

原创 YOLO11改进 | 注意力机制 | 结合膨胀空间注意模块和频域模块的DBlock 【CVPR 2025】

本文详细介绍了如何在YOLOv11目标检测网络中添加DBlock模块以提升特征提取能力。文章首先解析了DBlock的原理，然后逐步演示了代码实现过程：1)创建DBlock.py模块文件；2)修改初始化文件；3)配置YAML模型文件；4)在task.py中注册模块；5)执行训练程序。改进后的网络在保持原有架构基础上，通过多分支空洞卷积和特征调制机制增强了特征表达能力。

2025-06-10 08:07:04 597

原创 YOLO11改进 | 卷积模块 | 频率选择卷积 SFS_Conv 【CVPR2024】

本文详细介绍了如何在YOLOv11中替换Conv模块为SFS_Conv（空间频率选择卷积）来提升目标检测性能。主要内容包括：1) SFS_Conv模块代码实现，包含空间和频率域特征提取组件；2) 完整的模块集成步骤：创建新文件、修改__init__.py、添加配置文件等；3) 网络结构调整后的架构图和性能指标对比（改进后FLOPs为23.3G）。文章提供了完整的代码实现和训练方法，适合希望改进YOLOv11的研究者和开发者。此外还推荐了相关深度学习专栏，包含更多YOLO系列改进技术和最新研究成果。

2025-06-09 07:45:42 699

原创 YOLO11改进 | 注意力机制 | 即插即用的C2BRA注意力机制

本文详细介绍了如何在YOLOv11模型中添加C2BRA注意力机制模块来提升目标检测性能。主要内容包括：1) 实现C2BRA模块的代码编写；2) 修改YAML配置文件；3) 注册新模块；4) 训练改进后的模型。实验结果显示，改进后的模型在保持计算量不变的情况下提升了检测效果，适用于目标检测、语义分割和旋转目标检测等任务。文章还提供了完整的代码实现和网络结构图，便于读者复现。最后推荐了包含更多改进技巧的深度学习专栏。

2025-06-06 14:53:43 625

YOLOv5改进 - Head - 将yolov5的检测头替换为ASFF-Detect

2024-11-12

YOLO11改进 - 激活函数 - 十余种常见的激活函数一键替换

2024-10-31

YOLO11改进 - 注意力机制 - 正确的 Self-Attention 与 CNN 融合范式，性能速度全面提升独家创新

2024-10-20

YOLOv5改进 - 模块缝合 - C3 融合RFCAConv增强感受野空间特征【二次融合小白必备】

2024-09-09

YOLOv5改进 - 模块缝合 - C3 融合RFAConv增强感受野空间特征【完整代码 + 自研创新】

2024-09-07

YOLOv5改进 - 模块缝合 - C3 融合RetBlock提升检测性能【CVPR2024-全网首发】

2024-09-06

集装箱号识别，集装箱号码数据集，数据集太大，内涵网盘链接

集装箱号识别数据集通常是一个包含大量集装箱号码图像和对应编号标签的数据集，用于训练和测试机器学习和计算机视觉算法，以便自动识别和读取集装箱上的编号。 Container Number Recognition Dataset 数据集描述： CNRD是一个专门为集装箱号码识别任务而设计的数据集。它包含了大量的集装箱号码图像，每个图像都包含了集装箱的唯一编号。数据集中的图像涵盖了不同的拍摄角度、光照条件、背景和遮挡情况，以模拟实际应用场景中的多样性。数据集的使用： CNRD数据集可以用于训练和测试机器学习和计算机视觉算法，以实现自动识别和读取集装箱号码。可以通过图像处理和文字识别技术来提取和识别集装箱号码，从而提高物流和运输行业的效率和准确性。这些系统在物流、港口管理和供应链管理等领域有着广泛的应用，因为它们可以自动、快速地识别集装箱号码，从而提高操作效率和减少人为错误。

2024-06-21

yolov7添加CSConv等多种模块

目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。我们引入了一种新的轻量级卷积技术 GSConv，以减轻模型重量但保持准确性。 GSConv 在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范例，细颈，以实现探测器更高的计算成本效益。我们的方法的有效性在二十多组比较实验中得到了强有力的证明。特别是，与原始检测器相比，通过我们的方法改进的检测器获得了最先进的结果（例如，在公开数据集的Tesla T4 GPU 上以100FPS 的速度获得 70.9% mAP0.5）。目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。我们引入了一种新的轻量级卷积技术 GSConv，以减轻模型重量但保持准确性。 GSConv 在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范例，细颈，以实现探测器更高的计算成本效益。

2024-03-16

yolov8结合se注意力机制提升检测效果

卷积神经网络建立在卷积运算的基础上，它通过在局部感受野内将空间和通道信息融合在一起来提取信息特征。为了提高网络的表示能力，最近的几种方法已经显示了增强空间编码的好处。在这项工作中，我们专注于通道关系，并提出了一种新颖的架构单元，我们将其称为“挤压和激励”（SE）块，它通过显式建模通道之间的相互依赖性来自适应地重新校准通道方面的特征响应。我们证明，通过将这些块堆叠在一起，我们可以构建在具有挑战性的数据集上具有极好的泛化能力的 SENet 架构。至关重要的是，我们发现 SE 模块能够以最小的额外计算成本为现有最先进的深度架构带来显着的性能改进。 SENets 构成了我们 ILSVRC 2017 分类提交的基础，该分类提交赢得了第一名，并将 top-5 错误率显着降低至 2.251%，与 2016 年获胜条目相比相对提高了约 25%。

2024-03-01

yolov8结合SwinTransformer注意力机制

Swin Transformer通过引入创新的分层注意力机制（SW-Attention）展现了其架构的独特性，该机制通过将注意力区域划分为块并在这些块内执行操作，从而有效降低了计算复杂性。其主要结构呈现分层形式，每个阶段包括一组基础块，负责捕捉不同层次的特征表示，形成了分层的特征提取过程。采用多尺度的注意力机制使得模型能够同时关注不同大小的特征，从而提高对图像中不同尺度信息的感知。在多个图像分类基准数据集上，Swin Transformer表现出与其他先进模型相媲美甚至更优的性能，且在相对较少的参数和计算成本下取得出色的结果。其模块化设计使得它在目标检测和语义分割等其他计算机视觉任务上也具备良好的通用性。

2024-02-29

垃圾桶溢满检测数据集明厨亮灶

及时清理满溢的垃圾桶有利于营造良好的卫生环境。利用计算机视觉的目标检测技术对垃圾桶状态进行监测，能够有效提升垃圾桶清理效率。简介：此数据集包含3个类别，分别为满溢的垃圾桶，未满溢的垃圾桶和垃圾，一共3349张图片，均已完成标注。可用于检测垃圾桶是否满溢，也可以用于检测垃圾、垃圾箱等任务。针对这个数据集，我们可以进一步发展和应用计算机视觉技术，以提高垃圾桶管理的智能化水平。以下是一些可能的续写：在当前社会的智能城市发展趋势下，通过结合深度学习和物联网技术，我们可以建立一个智能垃圾桶管理系统。该系统不仅可以检测垃圾桶的状态，还能实时监测垃圾量，提供垃圾分类建议，并优化垃圾桶清理路线，从而最大程度地提高清理效率。通过引入实时视频监控和图像识别技术，我们可以建立一个自动报警系统。当垃圾桶达到满溢状态时，系统将发送通知给相关的清理人员，以确保及时清理，维护卫生环境。此外，系统还可以生成垃圾桶使用报告，帮助城市管理者更好地了解垃圾生成的模式，从而进行更有效的城市规划和资源分配。在环保意识日益提高的情况下，这一技术还可以与市民参与互动。通过开发手机应用程序，市民可以实时查看附近垃圾

2024-02-28

gsconv-yolo完整代码分享

2024-02-28

yolov9改进源码资源

PGI的引入显著提升了轻量级及深层模型的准确度。YOLOv9，结合了PGI和GELAN的设计，展现出了卓越的性能。与YOLOv8相比，YOLOv9在参数和计算量上分别减少了49%和43%，同时在MS COCO数据集上的平均精度（AP）提升了0.6%。附录A中提供了YOLOv9的训练细节，包括使用SGD优化器进行500周期的训练，以及特定的数据增强设置。YOLOv9的网络架构基于YOLOv7 AF，采用CSP-ELAN块替换了原有的ELAN块，优化了下采样模块，并在预测层进行了调整。附录B中，作者将YOLOv9与采用不同训练策略的先进实时目标检测模型进行了比较，包括从头开始训练、使用ImageNet预训练、知识蒸馏和更复杂的训练过程等。结果显示，YOLOv9在所有比较中均表现最佳，展示了其在参数效率和计算效率上的优势。综上所述，YOLOv9不仅在不同规模模型中展示了帕累托最优性，而且在处理计算复杂度与准确度权衡时表现出色，强调了PGI和GELAN的创新设计在提高深度学习模型性能方面的重要贡献。

2024-02-24

口罩数据集，yolo格式

yolo格式的口罩数据集在我们的日常生活生产中，一些对安全和卫生有要求的车间，戴口罩是一个不可或缺的要求。为了保证生产车间的安全，确保车间的规则落实到位，我们引入了口罩检测，从而提醒员工派戴口罩

2023-02-04

yolo格式的口罩数据集

这个数据集里包含了大约1000张的图片，有image、labels两个文件夹，也有yolo训练需要的txt文件，包含了自己生成目录的算法，你可以更该自己的路径。来满足自己的实验要求，下载下来即可做实验，方便快捷，如果你有什么不懂的地方，也可以私信问我。希望这个数据集能帮到你。口罩还是日常出行需要佩戴的，很多大型公共场所仍然需要佩戴口罩才能进入。mask，yolov5，dataset，format.

2023-01-11

口罩数据集yolov5数据集

口罩数据集，可以用来训练yolo系列的模型，这里面有label文件，直接编写数据集路径就能进行训练了。就可以完成了。数据集不大也不小，cl为两类，一类是mask，一类是unmask。很简单。最重要的是还包括了未正确佩戴口罩的图片（也就是那些戴口罩漏鼻子的）！把这部分也作为未佩戴口罩的数据集，在极高的实际意义。所有图片均是由人脸识别模块切割出，只包含人脸这一小部分图像，对训练的准确性有极大的提高，还进行了旋转操作实现数据增强。可以是yolo格式的，也可以是voc格式的。

2023-01-08

网络图片爬取crawwormpicture

图片爬取工具(CrawlWorm Picture)是一款专为使用Windows系统的用户打造的一个专业网络图片爬取工具，只需要输入自己需要抓取的网站地址，然后设置搜索参数，软件就会开始分析网页源码获取网站的图片资源，可同时执行5个任务，允许用户自定义搜索设置和管理关键词，软件会按照用户配置的参数采集图片；CrawlWorm Picture会将同时采集图片的数量控制在5个，这样做的原因是避免在采集过程中占用太多资源而导致计算机出现卡顿的情况；这款工具对设计师以及从事媒体工作的用户是很有用的，需要的朋友欢迎下载。在获取图片时，需要用户自己输入要抓取的根网址，这里的根网址需要保证其真实存在，如果不存在则会提示网页源代码获取失败，从而导致任务启动失败。在搜索参数设置的时候，需要慎重考虑其各个参数之间的制约关系，有以下几种情况需要说明。如果搜索深度设置过大，那么就需要将抓取数据容量设置的大一些，否则任务会因为抓取容量不足而被迫停止抓取工作。如果能够保证自己的网络连接正常，则选择不使用代理服务器。因为使用代理服务器，在任务执行过程中，如果代理服务器失效或者停止活动，则需要重新选择代理服务器

2023-01-07

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人