优化改进YOLOv5算法之添加DCNv3模块，有效提升目标检测效果

目录

前言

1 DCNv3原理

1.1 DCNv2

1.2 DCNv3

1.3 模型架构

2 YOLOv5算法中加入DCNv3模块

2.1 common.py文件配置

2.2 yolo.py配置

2.3 创建添加优化点模块的yolov5x-C3-DCNv3.yaml

---

前言

InternImage: Exploring Large-Scale Vision Foundation Models withDeformable Convolutions

GitHub - OpenGVLab/InternImage: [CVPR 2023 Highlight] InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions

拿到文章之后先看了一眼在ImageNet1k上的结果，确实很高，超越了同等大小下的VAN、RepLKNet、ConvNext等先进的大核注意力CNN模型，同时也超过了Swin、DeiT3、CoAtNet等ViT模型。回顾自从Vision Transformer被提出之后，通过大量数据训练出的ViT大模型刷新了许多视觉任务的记录，这得益于ViT的MHSA机制能够建模长距离依赖，具有相当低的归纳偏置，从而能够在海量数据中学习到强大鲁棒的特征表达。相反的&