【YOLO改进芒果书系列】独家原创｜YOLO改进｜全系列目录一览 | 人工智能专家老师联袂推荐

已于 2024-11-16 14:47:14 修改
阅读量2.2w 收藏 228
点赞数 23
文章标签： 人工智能 深度学习 目标检测
于 2022-11-12 10:33:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38668236/article/details/127817384
版权

🔥 《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均适用于YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX 、YOLOv5 、 YOLOv7 、 YOLOv8、YOLO11 改进（重点）！！！

🔥 专栏创新点教程 均有不少同学反应和我说已经在自己的数据集上有效涨点啦！！ 包括COCO数据集也能涨点 ，所有文章博客均包含改进源代码

专栏汇总

《深度改进》系列YOLO改进

改哪个模型订阅哪个专栏即可：比如 改 YOLOv8 就订阅 YOLOv8 的

YOLO11改进专栏完整目录链接： 👉《芒果YOLO11原创改进专栏》🌟🌟🌟

专栏地址：👉 独家全网首发专栏《芒果YOLOv8深度改进教程》🍊

专栏地址：👉 独家全网首发专栏《芒果YOLOv7深度改进教程》🥝

专栏地址：👉 独家全网首发专栏《芒果YOLOv5深度改进教程》🍉

剑指系列YOLO改进

改哪个模型订阅哪个专栏即可：比如 改 YOLOv8 就订阅 YOLOv8 的

专栏地址：👉 独家全网首发专栏《剑指YOLOv8原创改进》🍊

专栏地址：👉 独家全网首发专栏《剑指RT-DETR算法改进》🍉

专栏地址：👉 独家全网首发专栏《剑指YOLOv7原创改进》🥝

专栏地址：👉 独家全网首发专栏《剑指YOLOv5原创改进》🍉

专栏地址：👉 独家全网首发专栏《目标检测YOLO改进指南》🎈

专栏地址：👉 独家全网首发专栏《芒果YOLO轻量化网络改进》🍇

以下两个专栏 部分篇章和 《深度改进系列》 一致，适合 同时改进YOLOv5 YOLOv7 YOLOv8 的 订阅

专栏地址：👉 独家全网首发专栏《芒果改进YOLO高阶指南》💡

专栏地址：👉 独家全网首发专栏《芒果改进YOLO进阶指南》🥭

文章目录

原创YOLO改进全系列【芒果书】
一、芒果YOLOv8深度改进教程（推荐🌟🌟🌟🌟🌟）

点击即可查看完整改进目录

专栏地址：👉 独家全网首发专栏《芒果YOLOv8深度改进教程》🍊

二、芒果YOLOv7深度改进教程（推荐🌟🌟🌟🌟🌟）

点击即可查看完整改进目录

专栏地址：👉 独家全网首发专栏《芒果YOLOv7深度改进教程》🥝

三、芒果YOLOv5深度改进教程（推荐🌟🌟🌟🌟🌟）

点击即可查看完整改进目录

专栏地址：👉 独家全网首发专栏《芒果YOLOv5深度改进教程》🍉

四、芒果YOLO轻量化网络改进（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《芒果YOLO轻量化网络改进》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLO系列👉独家全网首发专栏《芒果YOLO轻量化网络改进》专栏目录🥭📖
YOLOv7、v7Tiny👉MobileNetV3结构改进主干网络
YOLOv7、v7Tiny👉ShuffleNet V2主干改进主干网络
YOLOv7、v7Tiny👉GhostNet主干改进主干网络
YOLOv7-Tiny👉轻量级PP-LCNet主干改进主干网络
YOLOv7、v7Tiny👉PicoDet 主干改进主干网络
YOLOv7👉测试改进主干网络
YOLOv5👉改进PicoDet主干系列改进主干网络
YOLOv5👉MobileNetV3结构改进主干网络
YOLOv5👉测试改进
YOLOv8👉MobileNetV3主干改进主干网络
YOLOv8👉改进ShuffleNet V2主干系列改进主干网络
YOLOv8👉轻量级PP-LCNet主干改进主干网络
YOLOv8👉改进 PicoDet 主干系列改进主干网络
YOLOv5、YOLOv7👉原创改进Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS,Soft-DIoUNMS,Soft-EIoUNMS,Soft-GIoUNMS改进NMS
YOLOv5、YOLOv7👉原创改进创新点 DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS改进NMS
改进👉更新中改进
五、剑指YOLOv8原创改进（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《剑指YOLOv8原创改进》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLO系列👉独家全网首发专栏《剑指YOLOv8原创改进》专栏目录🥭📖
YOLOv8👉改进FocalLoss损失函数损失函数
YOLOv8👉改进QualityFocal损失函数损失函数
YOLOv8👉改进VariFocalNet损失函数损失函数
YOLOv8👉改进PolyLoss损失函数损失函数
YOLOv8👉即插即用｜原创改进ShareSepHead新颖检测头升级版检测头
YOLOv8👉NanoDet动态标签分配策略标签分配策略
YOLOv8👉改进最新MPDIoU损失函数损失函数
YOLOv8👉改进ATSS标签分配策略标签分配策略
YOLOv8👉改进主干EfficientNet模型主干网络
YOLOv8👉改进主干EfficientNetV2升级版改进主干网络
YOLOv8👉改进最新EMO结构改进主干网络
YOLOv8👉最新ICCV2023顶会LSKNet改进主干网络
YOLOv8👉更新中
六、剑指YOLOv7原创改进（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《剑指YOLOv7原创改进》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLO系列👉独家全网首发专栏《剑指YOLOv7原创改进》专栏目录🥭📖
YOLOv7👉改进主干EfficientNet模型主干网络
YOLOv7👉改进主干EfficientNetV2升级版主干网络
YOLOv7👉使用NanoDet动态标签分配策略标签分配策略
YOLOv7👉原创改进EMO主干网络
YOLOv7👉最新ICCV2023顶会LSKNet主干网络
YOLOv7👉改进最新MPDIoU损失函数损失函数
YOLOv7👉改进ATSS标签分配策略v1标签分配策略
YOLOv7👉更新中
七、剑指YOLOv5原创改进（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《剑指YOLOv5原创改进》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLO系列👉独家全网首发专栏《剑指YOLOv5原创改进》专栏目录🥭📖
YOLOv5👉改进主干EfficientNet模型主干网络
YOLOv5👉改进主干EfficientNetV2升级版主干网络
YOLOv5👉原创改进EMO主干网络
YOLOv5👉最新ICCV2023顶会LSKNet主干网络
YOLOv5👉改进最新MPDIoU损失函数损失函数
YOLOv5👉改进ATSS标签分配策略v1标签分配策略
YOLOv5👉更新中
八、剑指RT-DETR原创改进（推荐🌟🌟🌟🌟🌟）
九、芒果改进YOLO高阶指南（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《芒果改进YOLO高阶指南》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLOv8👉改进YOLOv8系列：原创改进创新点 SIoU-NMS,EIoU-NMS,DIoU-NMS,CIoU-NMS,GIoU-NMS改进NMS改进
YOLOv8👉改进用于目标检测的渐近特征金字塔网络AsymptoticFPNFPN特征融合
YOLOv8👉最新原创XIoU_NMS改进点, 改进有效可以直接当做自己的原创改进点来写主干网络、Neck
YOLOv8👉全网独家改进遮挡损失函数Repulsion Loss损失函数
YOLOv8👉即插即用｜新颖轻量化非对称多级压缩LADH检测头，原创改进适配YOLOv8高效检测头检测头
YOLOv8👉新颖的GhostSlimFPN范式网络结构FPN结构
YOLOv8👉高效 GhostNet 网络主干网络
YOLOv8👉CFNet：即插即用｜原创改进结构显著提升检测性能，小目标检测涨点必备改进 原创
YOLOv8👉独家原创改进最新PWConv核心结构｜CVPR2023改进 原创
YOLOv8👉独家首发最新原创 EfficiCLNMS 改进点改进 NMS
YOLOv8👉首发独家原创结构FasterNeXt｜CVPR2023原创 结构
YOLOv8👉原创改进最新结构CBiF、BiFB 小目标检测涨点原创 网络
YOLOv8👉主干系列BiFormer主干网络
YOLOv8👉特征融合网络 BiFPN 结构FPN 网络
YOLOv8👉增加小检测头、Transformer检测头检测头
YOLOv8👉首发全新改进RepFPN结构FPN 结构
YOLOv8👉首发原创全新 XIoU 损失函数损失函数
YOLOv8👉全新 EfficiCLoss 损失函数损失函数
YOLOv8👉最新结构 InceptionNeXt主干网络
YOLOv8👉芒果YOLO改进｜YOLOv8改进代码原创大全集，全方位角度对YOLOv8模型进行改进，推荐🌟全新版本
YOLOv8👉SCI期刊写作必备-生成YOLOv8等主流模型同款图表图表
🏆模型🚀改进内容🎈创新点改进类型
YOLOv5 / YOLOv7👉YOLO改进超过50种注意力机制，全篇共计30万字注意力机制
YOLOv5 / YOLOv7👉最新结构 InceptionNeXt主干网络
YOLOv5 / YOLOv7👉首发最新PWConv核心结构原创核心结构
YOLOv5👉改进AFPN渐近特征金字塔网络主干网络
YOLOv5👉独家首发最新原创XIoU_NMS改进改进 NMS
YOLOv5👉原创改进损失函数 Repulsion损失函数
YOLOv5 / YOLOv7👉即插即用｜新颖原创｜轻量化非对称多级压缩LADH检测头检测头
YOLOv5 / YOLOv7👉CFNet：即插即用｜原创改进结构显著提升检测性能，小目标检测涨点必备原创
YOLOv5 / YOLOv7👉独家首发最新EfficiCLNMS改进点改进 NMS
YOLOv5 / YOLOv7👉原创全新 XIoU 损失函数损失函数
YOLOv5 / YOLOv7👉改进最新结构CBiF、BiFB原创核心结构
YOLOv5 / YOLOv7👉最新主干系列BiFormer主干网络
YOLOv5 / YOLOv7👉即插即用｜最新检测头改进集合｜首发最新更新超多种高精度&轻量化解耦检测头主干网络
YOLOv7👉AFPN目标检测的渐近特征金字塔网络FPN结构
YOLOv7👉原创改进损失函数 Repulsion损失函数
YOLOv7👉最新主干FasterNet系列主干网络
YOLOv7👉原创独家改进｜损失函数EfficiCIoU-Loss损失函数
YOLOv5 / YOLOv7👉新颖特定任务检测头TSCODE检测头
YOLOv5👉最新主干FasterNet系列主干网络
🏆模型🚀改进内容🎈创新点改进类型
YOLO系列👉数据集可视化｜改进模型的实验数据更丰富优化 写作内容
YOLOv5 / YOLOv7👉改进之实验结果新增mAP75的值(一)：新增打印mAP75的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据优化 写作内容
YOLOv5 / YOLOv7👉改进之实验结果打印F1 Score的值(二)：新增打印F1 Score的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据优化 写作内容
YOLOv5 / YOLOv7👉训练结果完善results.png、results.csv打印的数据(三)｜全网首发原创制作，新增打印mAP75和F1的值，修改原始风格，丰富实验数据优化 写作内容
YOLOv5 / YOLOv7👉打印热力图可视化：适用于自定义模型，丰富实验数据优化 写作内容
YOLOv5 / YOLOv7👉输出COCO指标：输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集，精度基本对齐，丰富实验数据，便于对比优化 写作内容
YOLOv5 / YOLOv7👉全网独家首发｜YOLOv7改进方式提升(代码二)，使得改进难度下降，将网络配置层数从104层极致压缩到24层，更清晰更方便更快的改进YOLOv7，完全对齐官方YOLOv7网络模型数据改进
YOLOv5 / YOLOv7👉SCI期刊写作必备｜手把手绘制目标检测领域YOLO论文常见的性能对比折线图，一键生成YOLOv7等主流论文同款图表，包含多种不同功能风格对比图表优化 写作内容
YOLOv5 / YOLOv7👉原创最新｜SCI写作必备（一）绘制YOLOv7论文同款性能对比图-Python：包含多种不同功能风格图表｜包括mAP、Params、FPS等对比图表（YOLOv6/YOLOv7同款）优化 写作内容
改进👉更新中改进
十、芒果改进YOLO进阶指南（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《芒果改进YOLO进阶指南》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLOv8👉WDLA标签分配策略标签分配策略
YOLOv7👉WDLA标签分配策略标签分配策略
YOLOv5👉WDLA标签分配策略标签分配策略
YOLOv8👉设计 EffQAFPN 结构原创FPN结构
YOLOv8👉改进EfficientRep结构原创主干结构
YOLOv8👉改进CReToNeXt 结构改进结构
YOLOv8👉全网首发最新 MobileViTv3 系列最强改进版本改进核心结构
YOLOv8👉全网首发最新苹果续作加强版 MobileViTv2结构改进核心结构
YOLOv8👉最新原创 ConvNeXtv2 升级版改进核心结构
YOLOv8👉原创结合Conv2Formers改进结构改进核心结构
YOLOv8👉FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU、GIoU等损失函数
YOLOv8👉改进损失函数Wise-IoU损失函数
YOLOv8👉最新原创提出改进 QARepNeXt 结构原创核心结构
YOLOv8👉首发结合 RepLKNet 构建 最新 RepLKDeXt 结构原创核心结构
YOLOv8👉芒果YOLO专栏的YOLOv8的Baseline改进：打造更方便版本NEW YOLOv8Baseline改进
YOLOv8👉改进损失函数WDLoss损失函数
YOLOv5 / YOLOv7👉全网首发Dense设计核心最新提出DenseOne密集网络原创 核心 结构
YOLOv5 / YOLOv7👉手把手最新结合多种类Loss，包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等原创 核心 改进
YOLOv5 / YOLOv7👉手把手最新结合多种类Loss，包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等原创 核心 改进
YOLOv5 / YOLOv7👉首发最新改进一种强大性能的全新架构(顶会2022), 该架构精度超越TPH-YOLOv5原创核心结构
YOLOv7👉首发改进结合BiFPN结构的特征融合网络改进FPN网络
YOLOv7👉SIoU等结合FocalLoss应用：组成Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU、DIoU等改进点损失函数
YOLOv7👉改进用于小目标检测的归一化高斯 Wasserstein Distance Loss损失函数
YOLOv7👉原创高效 RepFPN 结构原创 核心网络结构
YOLOv7👉原创结合 Conv2Former 改进结构改进主干网络
YOLOv7👉全网首发最新基于TOOD标签分配策略改进标签分配改进
YOLOv7👉最新Wise-IoU损失函数损失函数
YOLOv7👉最新提出改进 CReToNeXt 结构原创核心结构
YOLOv7👉最新原创RepGhostNeXt结构改进主干网络
YOLOv7👉首发最新原创 ConXBv2 升级版结构改进主干网络
YOLOv7👉首发结合最新 QARepVGG 升级Rep结构原创核心结构
YOLOv7👉GhostNetV2 架构改进主干网络
YOLOv7👉首发改进特征融合网络BiFPN结构改进FPN网络
YOLOv5👉FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU、DIoU等损失函数
YOLOv5👉用于微小目标检测的Normalized Gaussian Wasserstein Distance，小目标高效涨点损失函数
YOLOv5👉原创改进 EfficientRep 结构核心网络结构
YOLOv5👉最新Wise-IoU损失函数损失函数
YOLOv5👉首发最新改进广义焦点损失Generalized Focal Loss改进
YOLOv5👉最新原创改进提出 v5-CReToNeXt 结构核心网络结构
YOLOv5👉原创结合 Conv2Formers 改进结构改进主干网络
YOLOv5👉首发最新基于GFL损失函数损失函数
YOLOv5👉最新原创提出改进 QARepNeXt 结构原创核心结构
YOLOv5👉全网最新原创 ConXBv2 升级版模型改进
YOLOv5👉GhostNetV2 架构改进主干网络
YOLOv5👉最新原创打造RepGhostNeXt结构原创核心结构
YOLOv5👉全网首发最新 MobileViTv3 系列最强版本（三）原创核心网络
YOLOv5👉全网首发最新苹果续作加强版 MobileViTv2 结构原创核心网络
YOLOv5👉最新结合 ICLR2022 顶会 轻量通用的 MobileViT原创核心网络
YOLOv7👉全网首发最新 MobileViTv3 系列最强版本原创核心结构
YOLOv7👉全网首发最新苹果续作加强版 MobileViTv2 结构原创核心结构
YOLOv7👉首发最新结合 ICLR2022 顶会轻量通用的 MobileViT 结构原创核心结构
YOLOv7👉首发最新改进一种强大性能的全新架构(顶会2022)原创核心结构
改进👉更新中改进
十一、目标检测YOLO改进指南（推荐🌟🌟🌟🌟🌟）

专栏地址：独家全网首发专栏《目标检测YOLO改进指南》

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLOv7👉CSDN独家全网首发专栏《目标检测YOLO改进指南》专栏目录🥭📖
YOLOv7👉最新结合即插即用CA(Coordinate attention) 注意力机制注意力机制(试读)
YOLOv7👉首发最新结合Global Context Modeling结构改进核心结构
YOLOv7👉首发最新结合多种X-Transformer结构新增小目标检测层检测头
YOLOv7👉结合Adaptively Spatial Feature Fusion自适应空间特征融合结构改进FPN结构
YOLOv7👉首发结合最新CSPNeXt主干结构改进原创结构
YOLOv7👉最新结合DO-DConv卷积、Slim范式提高性能涨点改进基础结构
YOLOv7👉最新即插即用的动态卷积ODConv改进基础结构
YOLOv7👉首发结合最新Centralized Feature Pyramid集中特征金字塔改进核心结构
YOLOv7👉首发结合 RepLKNet 构建 最新 RepLKDeXt 结构改进原创结构
YOLOv7👉最新HorNet结合YOLOv7应用！新增 HorBc结构改进原创结构
YOLOv7👉ConvNeXt结合YOLOv7基于ConvNeXt结构 构建 CNeB 模块原创核心网络
YOLOv5👉首发结合最新Extended efficient Layer Aggregation Networks结构改进核心结构
YOLOv5👉最新MobileOne结构改进核心结构
YOLOv5👉ACmix结构,自注意力和卷积集成改进核心结构
YOLOv5👉最新HorNet结合YOLO应用首发改进 核心结构
改进👉最新结合用于小目标的新CNN卷积构建块改进 核心结构
改进👉增加Swin-Transformer小目标检测头检测头
改进👉最新HorNet结合YOLOv7应用改进 核心结构
改进👉更新中改进
十二、其他免费专栏改进系列（CSDN芒果汁没有芒果 首发）

（内容均为CSDN芒果汁没有芒果首发）

专栏内容目录一览

🏆模型🚀改进内容🎈创新点改进类型
YOLO👉1.YOLO超全注意力机制汇总S2A, SE,SimAM, SKA,ShA, SOCA, CA, CBAM, CrissCrossA, NAM, GAM等注意力机制
YOLOv7👉最新结合BoTNet Transformer结构主干网络
YOLOv7👉首发结合CotNet Transformer结构主干网络
YOLOv7👉结合 Swin Transformer V2结构主干网络
YOLOv7👉添加CBAM注意力机制注意力机制
YOLOv7👉ShuffleAttention注意力机制注意力机制
YOLOv5👉改进主干网络
YOLOv5👉改进主干网络
YOLOv7👉RepVGG模型结构主干网络
YOLOv5👉简又强大的RepVGG 重参数化模型结构主干网络
YOLOv5👉结合 Swin Transformer V2结构主干网络
YOLOv5👉改进主干网络
YOLOv5👉添加GAMAttention注意力机制注意力机制
YOLOv5👉SimAM注意力机制注意力机制
YOLOv5👉BoTNet Transformer结构核心结构
YOLOv5👉CotNet Transformer结构核心结构
YOLOv5👉Swin Transformer结构核心结构
YOLOv5👉多种注意力机制修改注意力机制
YOLOv5👉ShuffleAttention注意力机制注意力机制
YOLOv5👉CrissCrossAttention注意力机制注意力机制
YOLOv5👉S2-MLPv2注意力机制注意力机制
YOLOv5👉SimAM注意力机制注意力机制
YOLOv5👉SKAttention注意力机制注意力机制
YOLOv5👉NAMAttention注意力机制注意力机制
YOLOv5👉SOCA注意力机制注意力机制
YOLOv5👉CBAM注意力机制注意力机制
YOLOv5👉SEAttention注意力机制注意力机制
YOLOv5👉更新中注意力机制

⚠️ 未经允许，禁止 复制/洗稿/转载 等形式使用以下博客代码内容原创部分在一些平台进行发文，违者必究.
⚠️ 未经允许，禁止 复制/洗稿/转载 等形式使用以下博客代码内容原创部分在一些平台发文，违者必究.

开源｜🚀开源库 YOLOAir 🌟

作者：CSDN芒果汁没有芒果
地址：https://github.com/iscyy/yoloair

如果帮到您可以给个 star 🌟🌟🌟，您的 star🌟 是我最大的鼓励！

如果您觉得我的项目不错，可以将我的 Github 链接：https://github.com/iscyy/yoloair 随便转发；

但如果您想基于 YOLOAir 的部分内容发文章或者博客，请先私信我，沟通后再将我的 Github 链接放到文章开头的位置并引用！开源不易，请尊重每个人的汗水！

注意事项

有些很基础的模块（比如C3、C3HB、C3TR、C3STR等等等），如果没找到，那就是默认比较基础的东西，去yoloair算法库中去找就可以了https://github.com/iscyy/yoloair

改进也需要一些基础，不是完全不懂就能改的

芒果YOLOv8改进72：动态标签分配策略篇之ATSS：自适应训练样本选择Adaptive Training Sample Selection策略
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-01 2351
YOLOv8代码实践｜ATSS标签分配策略改进🥭
YOLO学习笔记 ｜ YOLOv8的改进方向与应用领域
最新发布
尘世冰封的专栏
04-18 155
YOLOv8通过架构轻量化、注意力机制融合及多任务扩展，在医疗、农业、工业等领域展现了强大的适应性。其改进方向集中于提升精度与效率的平衡，而应用场景则覆盖从像素级分割到实时军事侦察的多样化需求。未来，结合可解释AI与边缘计算技术，YOLOv8将进一步推动智能检测技术的实用化进程。
《深度学习与目标检测 YOLOv5》
二分掌柜的
11-16 4515
flyfish
学YOLO算法看什么书？
gu1857035894的博客
07-27 2758
我这里也免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLQ、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。关于YOLO算法的书籍市面上比较多，也很杂，而且YOLO更新迭代很快，现在已经出到v7了。学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。...
【兔子王赠书第14期】《YOLO目标检测》涵盖众多目标检测框架，附赠源代码和全书彩图！
Python、C++、HTML、Java
01-01 2万+
小伙伴们好久不见吖，本期博主给大家推荐一本关于YOLO目标检测的图书，该书侧重目标检测的基础知识，包含丰富的实践内容，是目标检测领域的入门书，一起来看看吧~
《YOLOv5：从入门到实战》专栏介绍 & 专栏目录
突然好想你
09-02 7973
本专栏涵盖了丰富的YOLOv5算法从入门到实战系列教程，专为学习YOLOv5的同学而设计，堪称全网最详细的教程！🌈🌈🌈
CSDN独家原创《芒果YOLO改进高阶指南》适用YOLOv5、YOLOv7、YOLOv8等改进专栏，来自人工智能专家老师联袂推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-26 9727
YOLO改进高阶指南｜适用于YOLOv5、YOLOv7、YOLOv8等YOLO系列模型改进
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 15万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
黎国溥
10-08 3万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
[改进]YOLO系列目录 | 改进包括Backbone、Neck、Head、注意力、Conv、损失函数和具体的场景应用等 | 手撕结构图 | 详细修改方式
静谧、淡雅
05-28 2255
YOLO系列 基础以及改进的方法 - 总目录
YOLOV5手把手入门教程推荐 : You Only Look This（理论学习+数据标注+项目配置+检测识别）
陈嘿萌的博客
10-16 805
1.理论学习：引经据典、精读论文就看@同济子豪熊 【精读AI论文】YOLO V1目标检测，看我就够了 【精读AI论文】YOLO V3目标检测（附YOLOV3代码复现） 2.项目配置：保姆级教学入门教程：请关注@我是土堆 目标检测 YOLOv5 开源代码项目调试与讲解实战【土堆 x 布尔艺数】 从零开始运行YOLOV5：看“我是土堆”就足够了包含【数据标注+项目配置+检测识别】 YOLOv5官方项目地址：https://github.com/ultralytics/yolov5 标注数据集地址.
YOLOV5算法改进及其现实应用
05-01
YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实应用 YOLOV5算法改进及其现实
YOLOv5改进（CONTEXT AUGMENTATION MODULE，CAM）
eagleflying_cau的博客
06-10 1924
方法（a）是加权融合，方法（b）是自适应融合 ，即假设输入的大小可以表示为（bs，C，H，W），可以通过执行卷积运算来获得（bs，3，H，W）的空间自适应权重连接和Softmax。三个通道与三个输入一一对应，通过计算加权和，可以将上下文信息聚合到输出，方法（c）是做concatenation，例：a = np.array([[1,2],[3,4]]),b =np.arrat([[5,6]]),c=np.concatenate((a,b)),c=array([1,2],[3,4],[5,6]).
YOLOv5改进（CoordConv）
eagleflying_cau的博客
06-11 1231
2.将CoordConv加到models/yolo.py的parse_model中。（1）将下面代码放到models/commen.py中。2.改进策略，在原有卷积上增加了i、j坐标。3.构建yaml文件。
YOLOV5改进（DCN）
eagleflying_cau的博客
06-07 1199
（False,True,True,True）可以看出其对DCN的使用和PP-YOLO类似就是后面三个卷积替换成DCN。（3）更换.yaml中backbone的C3。（四个block替换后三个block）（2）在models/yolo.py中的解析模型中增加C3_DCN。（1）将下方代码复制到models/commen.py中。（2）Cascade-RCNN中对DCN的使用。（1）PP-YOLO使用DCN的方法。可以看出只是将最后一层卷积换成DCN。（3）为什么要使用可变形卷积。
YOLO系列模型改进指南
qq_37706472的博客
03-05 7万+
YOLO主流模型改进大杂烩！！！ 目前包含yolov5，yolov7，yolov8模型的众多改进方案，效果因数据集和参数而定，仅供参考。
关于YOLOV5改进
qq_51810827的博客
03-25 456
由于第一次训练的数据大部分由电脑虚拟SD生成，如下图所示： 现在多往训练数据中添加一些马路上落石的真实数据。 修改后训练的效果如下图： 灰色是训练前。 蓝色是训练后。 发现二者精确率，召回率，map的值不相上下，但我们放在实际真实场景去推理的时候发现，有些石头无法被检测出来，或置信度非常低。 yolov5的网络架构图解打开model文件夹下的common.py 在yolo.py文件中添加CBAMC3模块 在yaml文件中增加CBAM 以上文件修改以后都别忘记保存，接下来直接运行。同理先修改common
yolov5改进（自用）
m0_67006148的博客
09-26 2132
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
改进的yolov5
小嘤熊的博客
11-06 1808
为证明BottleNeckCSP 的局限性，通过修改信息路径，引入了一种新的称为 N-CSP 的功能块，减少主干中N-CSP块的数量，调整网络参数，提高计算速度。该模块结合局部和全局特征来最大化特征图的表达能力，扩展了骨干网络的感受野，并将最重要的上下文特征分离为大小目标检测。，导致特征信息丢失。因此，该模块提高了网络准确定位目标的学习能力，特别是小对象，同时以最小的计算成本增加保持快速检测速度。，一个在FPN的自顶向下路径中，另一个在PANet的自底向上路径中，用于集成不相邻和多层次特征。
yolov11改进免费
03-01
### YOLOv11 的改进点 YOLOv11引入了多种创新性的改进措施来提升模型性能。特别是在Neck部分，采用了SDI结合BiFPN的全新特征融合网络结构[^2]。这种设计能够更好地处理多尺度目标检测中的特征提取问题。 具体来说： - **增强的特征金字塔网络（Feature Pyramid Network, FPN）**：通过引入双向跨层连接的方式构建更加鲁棒的特征表示。 - **可变形卷积核（Deformable Convolution Kernel）**：允许自适应调整感受野大小和形状，从而提高对不同姿态物体的捕捉能力。 - **空间注意力机制（Spatial Attention Mechanism）**：有助于突出图像中有意义的信息区域，抑制背景噪声干扰。 这些技术共同作用使得YOLOv11在保持实时性的同时实现了更高的精度。 ### 获取免费资源或教程 对于希望深入了解YOLOv11及其改进版本的学习者而言，存在多个途径可以获取高质量的教学材料和技术文档： - 推荐访问特定专栏页面，该专栏专注于YOLOv11的各种优化方案探讨，并提供大量实用案例分析以及源码解析。尽管提到此专栏可能变为付费模式，但当前阶段仍处于完全开放状态供读者学习交流之用。 此外，在线平台如GitHub上也有很多开源项目提供了详细的实现细节说明与实验数据分享；而像B站这样的视频网站也不乏专业人士录制的相关课程可供观看学习。 ```python from ultralytics import YOLO # 加载预训练的YOLOv11n模型 model = YOLO('yolo11n.pt') source = 'cat.jpg' # 更改为自己的图片路径 model.predict(source, save=True) # 运行推理并保存结果 ``` 上述代码片段展示了如何利用PyCharm环境快速搭建YOLOv11预测流程的一个简单实例[^1]。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

芒果学AI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值