专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。

本专栏提供详细的 YOLO11 教程，包括基础知识、源码解析、入门实践、算法改进和项目实战，适合发表YOLO11 学习者订阅。内容包含 100+多篇独家改进机制，适合发表论文，评分高达 96 分。订阅者将获得一键运行的改进文件及答疑交流群支持。 使用服务器的同学还可以私聊获取搭建好的运行环境。

【YOLOv11改进- 原理解析】 YOLO11 架构解析 以及代码库关键代码逐行解析

【YOLO11改进 - 卷积Conv】PConv(Pinwheel-shaped Conv): 风车状卷积用于红外小目标检测

由于低分辨率和背景混合，检测无人机图像中的小物体具有挑战性，导致特征信息有限。多尺度特征融合可以通过获取不同尺度上的信息来增强检测能力，但传统的方法存在不足。简单的连接或加法运算不能充分利用多尺度融合的优点，导致特征之间的相关性不足。这一不足阻碍了对小物体的检测，特别是在复杂背景和人口稠密地区。为了解决这一问题并有效地利用有限的计算资源，提出了一种基于增强层间特征相关性（EFC）的轻量级融合策略，以取代传统的特征金字塔网络（FPN）中的特征融合策略。特征金字塔中不同图层的语义表达不一致。

摘要 —— 我们提出了 Hyper-YOLO，这是一种新的目标检测方法，它集成了超图计算，以捕捉视觉特征之间复杂的高阶相关性。传统的 YOLO 模型虽然强大，但在颈部设计上存在局限性，限制了跨层特征的整合以及高阶特征相互关系的挖掘。为应对这些挑战，我们提出了超图计算赋能语义收集与散射（HGCSCS）框架，该框架将视觉特征图转换到语义空间，并构建超图用于高阶消息传播。这使模型能够获取语义和结构信息，超越了传统的以特征为中心的学习方式。

【YOLO11改进 - 损失函数】Shape-IoU：考虑边框形状与尺度的指标

【YOLO11改进 - 卷积Conv】LAE: 轻量级自适应提取卷积，从多尺度特征图中获得更多的上下文信息和高分辨率细节

【YOLO11改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互

【YOLO11改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用

【YOLO11改进 - 特征融合】利用Hyper-YOLO 的混合聚合网络（MANet）改进yolo11，提升基础网络的特征提取能力

【YOLO11改进 - 注意力机制】SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。

【YOLO11改进 - C3k2融合】C3k2融合EFA(Efficient Fusion Attention) 高效融合提高图像分割的特征提取能力。Y医学图像分割在定量分析、临床诊断和医学干预中起着至关重要的作用。然而，由于存在不同的目标类型和尺度、复杂的背景以及组织间的相似性，从医学图像中提取有价值的信息极具挑战性。为了解决这些问题，本文提出了一种轻量化注意力网络（LANet），其融合了高效融合注意力（EFA）模块和自适应特征融合（AFF）解码模块。EFA模块通过捕捉与任务相关的信息，

【YOLO11改进 - C3k2融合】C3k2融合FMB：通过多层次的特征调制来生成深层次的代表性特征

【YOLO11改进 - 即插即用】SMFA（Self-Modulation Feature Aggregation）：自调制特征聚合模块

【YOLO11改进 - C3k2融合】C3k2融合WTConv：，基于小波变换的新型卷积 ，小参数大感受野

【YOLO11改进 - C3k2融合】参考DFLM-YOLO中的FasterBlock-CGLU-C2实现C3K2_FasterBlock_CGLU,来优化骨干网络结构，从而减少了模型的参数和推理时间。

【YOLO11改进 - 特征融合】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数

【YOLO11改进 - 特征融合】利用YOLOv9中的RepNCSPELAN4模块替代C3k2

【YOLO11改进 - SPPF】利用YOLOv9中的SPPELAN模块替代SPPF

【YOLO11改进 - C3k2融合】参考BFA-YOLO用 RetBlock 替换了 C3k2 模块中的 Bottleneck 层，,提高模型处理局部细节的能力和整体性能

【YOLO11改进 - Backbone主干】RepViT（Revisiting Mobile CNN From ViT Perspective）：新型的轻量级卷积神经网络（CNN）

【YOLO11改进 - C3k2融合】C3k2融合RepViT的核心RepViTBlock,提高特征提取和全局信息处理能力

【YOLO11改进 - block】RepViTBlock提高特征提取和全局信息处理能力

【YOLO11改进 - 采样】WaveletPool小波池化改进YOLO11的采样,解决小目标的混叠问题，提高检测精度

在文章中，我们介绍了一种快速且准确的目标检测方法，称为DAMO-YOLO，其性能优于最先进的YOLO系列。DAMO-YOLO在YOLO的基础上扩展了几项新技术，包括神经架构搜索（Neural Architecture Search，NAS）、高效的重参数化通用FPN（RepGFPN）、带有AlignedOTA标签分配的轻量化检测头和蒸馏增强。

【YOLO11改进 - 特征融合】 使用华为GOLD-YOLO中的Gatherand-Distribute改进YOLO11的特征融合模块

【YOLO11改进 - 采样】DRFD&SRFD： 深层/浅层下采样，适应特征捕获的不同阶段并提高特征稳健性

【YOLO11改进 - C3k2融合】C3k2融合DynamicConv(动态卷积)二次创新，有效提升网络模型的表征能力且不增加模型深度和宽度

【YOLO11改进 - C3k2融合】C3k2融合AKConv(可改变核卷积)二次创新：任意数量的参数和任意采样形状的即插即用的卷积

【YOLO11改进 - C3k2融合】C3k2融合MLCA二次创新：Mixed local channel attention，混合局部通道注意力

【YOLO11改进 - Backbone主干】LSKNet：旋转目标检测新网络,通过DW卷积核和空间选择机制来动态调整目标的感受野

我们提出了一种新的神经网络设计范式——可逆列网络（Reversible Column Network，简称RevCol）。RevCol的主体由多个子网络的副本组成，分别称为列（columns），列之间采用多层级的可逆连接。这种架构使RevCol的行为与传统网络截然不同：在前向传播过程中，RevCol中的特征在通过每一列时逐渐被解耦，而整体信息得以保留，而不是像其他网络那样被压缩或丢弃。

【YOLO11改进 - 特征融合】 AFPN ：渐进特征金字塔网络，YOLO的最佳搭档

【YOLO11改进 - Backbone主干】 ConvNeXtV2：全卷积掩码自编码器网络，性能不输Transformer

【YOLO11改进 - 特征融合】C3k2融合OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化

【YOLO11改进- 环境搭建】手把手教你搭建Windows+YOLO11+CUDA环境，训练自定义数据集，以EMA注意演示如何改进YOLO11。小白也能看得懂的！

【YOLO11改进 - 注意力机制】添加YOLO-Face提出的SEAM注意力,提高遮挡情况下的特征学习能力

【YOLO11改进 - 检测头】Detect-Dyhead检测头:带有注意力机制检测头，较低参数数量的同时显着增强特征表示能力

【YOLO11改进 - 检测头】Detect_LSCD检测头:量化的检测头，进一步提升模型的检测效率和精度

【YOLO11改进 - 注意力机制】SOCA：可训练的二阶通道注意力，自适应地重新缩放通道特征，以获得更具辨别性的表示