YOLOv8改进，一文教你改进Neck的SPPF结构为SimSPPF、SPP-CSPC和SPPF-CSPC

---

前言

我们知道YOLO主干网络的作用就是提取图像有用的特征，当然，"有用的特征"这一表述较为宽泛，尚未能够使用精确的数学语言进行定量解释。此外，由于主干网络是从图像分类任务中迁移而来的，大多数情况下其设计很少考虑到目标检测、语义分割等下游任务，因此它所提取的特征可能并不完全适合目标检测任务。因此，在主干网络处理结束后，仍需设计额外的模块来进一步处理这些特征，使其更适应目标检测任务。由于这部分位于主干网络之后、检测头之前，形象地被称为Neck（颈部网络）。因此，一个好的Neck（颈部网络）比较重要，常见的Neck（颈部网络）有比较出名的SPPF（空间金字塔池化模块）、FPN（特征金字塔网络）等。接下来，本文将教你改进Neck的SPPF结构，一文引进SimSPPF、SPP-CSPC 和 SPPF-CSPC网络。

SimSPPF介绍

SimSPPF 是在 YOLOv6 中提出的结构，而在 YOLOv8 网络中，SPPF 通过并行处理 5x5、9x9、13x13 三个不同尺度的最大池化操作来实现特征融合。然而，这种并行的池化方式耗时较多，影响了网络的推理速度。SimSPPF通过将多个 5x5 尺度的最大池化操作串行处理来优化这一过程。具体而言，串行的两个 5x5 最大池化的结果等效于一个 9x9 最大池化的结果，三个 5x5 最大池化的结果则等效于一个 13x13 的最大池化结果。通过这种串行处理，不仅实现了局部和全局特征的融合，还将原本不同尺度的卷积核统一为三个 5x5 卷积核，从而降低了网络复杂度并提升了计算速度。此外，SimSPPF 对激活函数也进行了优化，用 ReLU替代了 SiU 激活函数，加速了网络收敛，提高了运行效率。SimSPPF结构如下：

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

SPP-CSPC介绍

SPP-CSPC 是在 YOLOv7中提出的结构，作者结合了SPP结构和CSP结构，提出了SPPCSPC结构，以增加模型感受野，使得算法能够适应不同分辨率的图像。该结构在速度和表现上优于SPPF。SPPCSPC结构如下：

理论详解可以参考链接：