yolov2改进（CSDN独家原创｜YOLOv5改进、YOLOv7改进、YOLOv8改进、YOLOX改进目录一览｜YOLO改进模型全系列目录（芒果书系列） | 人工智能专家老师联袂推荐）

一    
    
    
    
、芒果改进系列必读

🔥 《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 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

🔥 对应专栏订阅的越早




 




 




 




 ，就可以越早使用原创创新点去改进模型
   

   

   

   

，抢先一步

以下《芒果书》改进YOLO专栏内容 适用于以下主流模型的改进

YOLOv3      
     
     
     
、YOLOv4   




   




   




   




  、 YOLOR 


 



 



 



 

、 YOLOX

YOLOv5                     、 YOLOv7    




    




    




    




  、 YOLOv8

… 以上模型改进均适用《芒果书》🥭专栏系列

点击以下链接 查看文章目录详情🔗

💡🎈☁️：一




















、CSDN原创《芒果改进YOLO高阶指南》强烈改进涨点推荐！📚推荐指数：🌟🌟🌟🌟🌟 💡🎈☁️：二                    、CSDN原创YOLO进阶 | 《芒果改进YOLO进阶指南》改进涨点推荐！📚推荐指数：🌟🌟🌟🌟🌟 💡🎈☁️：三    



     



     



     



  、CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！推荐指数：🌟🌟🌟🌟🌟

点击下图查看 详情🔎 芒果改进YOLO高阶专栏🌟🌟🌟

💡🎈☁️：CSDN原创《芒果改进YOLO高阶指南》推荐！🌟🌟🌟🌟🌟

点击下图查看 详情🔎 芒果改进YOLO进阶专栏🌟🌟

💡🎈☁️：CSDN原创YOLO进阶目录 | 《芒果改进YOLO进阶指南》推荐！🌟🌟🌟🌟🌟

点击下图查看 详情🔎 目标检测改进YOLO指南🌟

💡🎈☁️：CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！🌟🌟🌟🌟🌟

其中均适用于基于 YOLOv5 




















、 YOLOv7 和 YOLOv7-tiny    
    
    
    
、YOLOv8 主流模型改进

标题为改进YOLOv5系列的 也适用于 YOLOv7      


     


     


     


 、YOLOv8 标题为改进YOLOv7系列 的 也适用于 YOLOv5 




 




 




 




 、YOLOv8

所有原创内容     

     

     

     

，未经允许 




  




  




  




  ，不能用来作为课件录制视频.

以下内容改进

  


  


  


  

，均原创来自 🌟CSDN芒果汁没有芒果

二
   

   

   

   

、推荐｜🔥🔥🔥人工智能专家老师联袂推荐改进博客专栏

图中链接：芒果改进目录一览｜改进YOLO模型全系列目录

四     

     

     

     

、解析｜YOLO网络模型源代码训练推理教程解析 手把手调参最新 YOLOv7 模型 推理部分（一）🌟 手把手调参最新 YOLOv7 模型 训练部分（二）🌟 五 




  




  




  




  、总结｜YOLO系列期刊创新点总结

💡🎈☁️：国庆假期浏览了几十篇YOLO改进英文期刊     
     
     
     
，总结改进创新的一些相同点(期刊创新点持续更新)

💡🎈☁️：国庆假期看了一系列图像分割Unet

  


  


  


  

、DeepLabv3+改进期刊论文  




   




   




   




  ，总结了一些改进创新的技巧

六     
     
     
     
、核心改进大全🚀｜最新创新点改进<进阶> （推荐🌟🌟🌟🌟🌟）

核心：

以下内容只在CSDN芒果汁没有芒果博客专栏中（全网首发最新）

专栏持续更新中✅

每篇博客 均为原创内容


 



 



 



 

，内含理论部分 以及 YOLO+多种改进代码                    ，以及给出思考点   




    




    




    




  ，主要是让大家快速进行网络模型改进    
    
    
    
 。✅

本专栏为YOLO改进指南进阶专栏 




















，均为全网独家首发内容                    ，文章质量较高🔥🔥🔥

🏆目录

《芒果改进YOLO高阶指南》推荐

💡🎈☁️：YOLOv5/v7/v8改进最新主干系列BiFormer：顶会CVPR2023即插即用    



     



     



     



  ，小目标检测涨点必备




















，首发原创改进    
    
    
    
，基于动态查询感知的稀疏注意力机制  




   




   




   




  、构建高效金字塔网络架构     


     


     


     


 ，打造高精度检测器 💡🎈☁️：YOLOv7


 



 



 



 

、YOLOv5改进多种检测解耦头系列｜即插即用：首发最新更新超多种高精度&轻量化解耦检测头（最新检测头改进集合）




 




 




 




 ，内含多种检测头/解耦头改进
   

   

   

   

，高效涨点 💡🎈☁️：YOLOv5/v7/v8 改进首发最新PWConv核心结构｜来自最新CVPR2023顶会     

     

     

     

，进一步轻量化！测试数据集mAP有效涨点 




  




  




  




  ，进一步降低参数量

  


  


  


  

，追求更高的 FLOPS 💡🎈☁️：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

💡🎈☁️：YOLO系列全网首发改进最新：新颖特定任务检测头TSCODE｜(适用YOLOv5/v7)创新性Max   




    




    




    




  ，即插即用检测头




















，用于目标检测的特定任务上下文解耦头机制                    ，助力YOLOv7目标检测器高效涨点！

💡🎈☁️：SCI期刊写作必备（二）：代码｜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

💡🎈☁️：YOLOv7首发改进最新主干FasterNet系列：最新CVPR2023顶会录用Backbone    
    
    
    
，为更快的神经网络追求更高的 FLOPS     


     


     


     


 ，参数量计算量下降                    、FPS提高

💡🎈☁️：YOLOv7改进标签分配策略AlignOTA：创新点Max




 




 




 




 ，首发最新改进为全新AlignOTA标签分配策略
   

   

   

   

，思路来自阿里达摩院出品的DAMOYOLO     

     

     

     

，打造高性能YOLOv7检测器

💡🎈☁️：YOLOv5改进   




    




    




    




  、YOLOv7改进｜YOLO改进超过50种注意力机制 




  




  




  




  ，全篇共计30万字（内附改进源代码）

  


  


  


  

，原创改进50种Attention注意力机制和Transformer自注意力机制

💡🎈☁️：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）

💡🎈☁️：YOLOv7改进之损失函数EfficiCIoU-Loss：独家首发最新｜结合EfficiCIoULoss损失函数(适用于YOLOv5)     
     
     
     
，新的增强预测帧调整并加快帧回归率  




   




   




   




  ，加快网络模型收敛

💡🎈☁️：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

💡🎈☁️：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

💡🎈☁️：YOLOv5    
    
    
    
、YOLOv7改进之训练结果完善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

💡🎈☁️：YOLOv7




 




 




 




 、YOLOv5改进之打印热力图可视化：适用于自定义模型    
    
    
    
，丰富实验数据

💡🎈☁️：YOLOv7
   

   

   

   

、YOLOv5改进之输出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

💡🎈☁️：YOLOv5改进首发最新主干FasterNet系列：最新CVPR2023录用｜顶会Backbone 




  




  




  




  ，为更快的神经网络追求更高的 FLOPS

  


  


  


  

，超越其他轻量化模型

持续更新中

《芒果改进YOLO进阶指南》推荐

💡🎈☁️：YOLOv5改进损失函数：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU

  


  


  


  

、DIoU等     
     
     
     
，实测 YOLOv5 模型高效涨点

💡🎈☁️：改进YOLOv7-Tiny系列：首发改进结合BiFPN结构的特征融合网络  




   




   




   




  ，网络融合更多有效特征


 



 



 



 

，高效涨点

💡🎈☁️：芒果改进YOLOv5系列：首发更新｜改进用于微小目标检测的Normalized Gaussian Wasserstein Distance                    ，助力YOLOv5涨点   




    




    




    




  ，小目标检测的一种新的包围框相似度度量

💡🎈☁️：YOLOv7改进损失函数系列：SIoU等结合FocalLoss应用：组成Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU     
     
     
     
、DIoU等改进点

💡🎈☁️：芒果改进YOLOv5系列：2023年最新论文出品｜结合设计硬件感知神经网络设计的高效 Repvgg 式 ConvNet 网络结构 EfficientRep 




















，该网络结构效果SOTA                    ，涨点利器

💡🎈☁️：芒果改进YOLOv7系列：独家首发更新｜改进用于小目标检测的归一化高斯 Wasserstein Distance Loss    



     



     



     



  ，提升小目标检测的一种新的包围框相似度度量




















，助力YOLOv7涨点

💡🎈☁️：芒果改进YOLOv7系列：最新结合｜2023年最新论文设计高效 RepFPN 结构    
    
    
    
，具有硬件感知神经网络设计      


     


     


     


 ，该网络结构表现强势

💡🎈☁️：芒果改进YOLOv5系列：首发使用最新Wise-IoU损失函数




 




 




 




 ，具有动态聚焦机制的边界框回归损失
   

   

   

   

，YOLO涨点神器     

     

     

     

，超越CIoU, SIoU性能 




  




  




  




  ，提出了BBR的基于注意力的损失WIoU函数

💡🎈☁️：芒果改进YOLOv7系列：超越ConvNeXt结构

  


  


  


  

，原创结合Conv2Former改进结构     
     
     
     
，Transformer 风格的卷积网络视觉基线模型  




   




   




   




  ，高效涨点

💡🎈☁️：改进YOLOv5  




   




   




   




  、YOLOv7系列：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, 新范式高效涨点

💡🎈☁️：改进YOLOv5系列：NeurIPS顶会论文


 



 



 



 

，模型无损涨点｜首发最新改进广义焦点损失Generalized Focal Loss                    ，将焦点损失从其离散形式推广到连续形式   




    




    




    




  ，以实现成功优化

💡🎈☁️：芒果改进YOLOv5系列：最新原创改进提出 v5-CReToNeXt 结构




















，基于阿里达摩院出品的DAMOYOLO核心网络模型进行改进                    ，打造高性能检测器（上）

💡🎈☁️：改进YOLOv7系列：全网首发最新基于TOOD标签分配策略改进    



     



     



     



  ，提出变种ODRTA模型(适用YOLOv5改进)




















，任务对齐学习TAL    
    
    
    
，刷新单阶段目标检测新纪录

💡🎈☁️：芒果改进YOLOv5系列：原创结合Conv2Formers改进结构     


     


     


     


 ，Transformer 风格的卷积网络视觉基线模型




 




 




 




 ，超越ConvNeXt结构

💡🎈☁️：改进YOLOv7系列：首发最新基于GFL损失函数
   

   

   

   

，让模型无损涨点     

     

     

     

，NeurIPS 顶会论文

💡🎈☁️：芒果改进YOLOv7系列：结合最新Wise-IoU损失函数 




  




  




  




  ，涨点神器｜超越CIoU, SIoU性能

  


  


  


  

，助力YOLOv7模型涨点1.4%     
     
     
     
，最新目标检测的损失函数

💡🎈☁️：芒果改进YOLOv7系列：首发最新提出改进 CReToNeXt 结构  




   




   




   




  ，打造高性能检测器


 



 



 



 

，基于阿里达摩院出品的DAMOYOLO核心网络模型（上）

💡🎈☁️：芒果改进YOLOv5系列：最新原创提出改进 QARepNeXt 结构                    ，基于最新 QARepVGG 结构   




    




    




    




  ，美团提出的一种量化感知方法：再一次让 RepVGG 变得更好

💡🎈☁️：芒果改进YOLOv7


 



 



 



 

、YOLOv7-Tiny系列：全网首发最新原创RepGhostNeXt结构




















，基于重参数化结构实现硬件高效的模块RepGhost                    ， 打造全新YOLOv7检测器

💡🎈☁️：芒果改进YOLOv7系列：首发最新原创 ConXBv2 升级版结构    



     



     



     



  ，当MAE遇见YOLO卷积 高效涨点




















，最新版本使用 Masked Autoencoders 共同设计和缩放ConvNets

💡🎈☁️：芒果改进YOLOv7系列：首发结合最新 QARepVGG 升级Rep结构    
    
    
    
， 本文对其进行原创改进 QARepNeXt 结构     


     


     


     


 ，基于美团提出一种量化感知方法：再一次让 RepVGG 变得更好

💡🎈☁️：芒果改进YOLOv5系列：当MAE遇见卷积操作




 




 




 




 ，全网最新原创 ConXBv2 升级版模型
   

   

   

   

，高效涨点     

     

     

     

，最新论文版本使用 Masked Autoencoders 共同设计和缩放

💡🎈☁️：芒果改进YOLOv5系列：首发结合最新NIPS2022华为诺亚的GhostNetV2 架构：引入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

  


  


  


  

，打造高效轻量级检测器

💡🎈☁️：改进YOLOv7                    、YOLOv5系列：手把手最新结合多种类Loss     
     
     
     
，包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等

💡🎈☁️：芒果改进YOLOv5系列：全网首发最新原创打造RepGhostNeXt结构  




   




   




   




  ，基于重参数化结构


 



 



 



 

，实现硬件高效的RepGhost模块   




    




    




    




  、打造全新YOLOv5检测器

💡🎈☁️：芒果改进YOLOv7系列：首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构：引入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   




    




    




    




  ，打造高效轻量级检测器

💡🎈☁️：芒果改进YOLOv7系列：首发改进特征融合网络BiFPN结构




















，融合更多有效特征

💡🎈☁️：改进YOLOv7




















、YOLOv5系列：手把手最新结合多种类Loss                    ，包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等

💡🎈☁️：改进YOLOv7系列：全网首发Dense设计核心最新提出DenseOne密集网络(适用YOLOv5)    



     



     



     



  ，从另一个视角改进YOLO目标检测模型




















，打造高性能检测器

MobieViT系列全部改进

💡🎈☁️：芒果改进YOLOv7系列：全网首发最新 MobileViTv3 系列最强版本（三）｜轻量化Transformer视觉转换器    
    
    
    
，简单有效地融合了本地全局和输入特征

💡🎈☁️：芒果改进YOLOv7系列：全网首发最新苹果续作加强版 MobileViTv2 结构(二)     


     


     


     


 ，提出移动视觉 Transformer 的可分离自注意力机制

💡🎈☁️：芒果改进YOLOv7系列：首发最新结合 ICLR2022 顶会|轻量通用的 MobileViT 结构 Transformer




 




 




 




 ，轻量级                    、通用且移动友好的视觉转换器
   

   

   

   

，MobileViT系列一

💡🎈☁️：改进YOLOv7    



     



     



     



  、YOLOv5系列：手把手最新结合多种类Loss     

     

     

     

，包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / FL等

💡🎈☁️：改进YOLOv5




















、YOLOv7系列：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, 新范式高效涨点

💡🎈☁️：芒果改进YOLOv5系列：全网首发最新 MobileViTv3 系列最强版本（三）｜轻量化Transformer视觉转换器 




  




  




  




  ，简单有效地融合了本地全局和输入特征

💡🎈☁️：芒果改进YOLOv5系列：全网首发最新苹果续作加强版 MobileViTv2 结构(二)

  


  


  


  

，提出移动视觉 Transformer 的可分离自注意力机制

💡🎈☁️：芒果改进YOLOv5系列：最新结合 ICLR2022 顶会|轻量通用的 MobileViT 结构 Transformer     
     
     
     
，轻量级    
    
    
    
、通用且移动友好的视觉转换器  




   




   




   




  ，MobileViT系列一

💡🎈☁️：还在更新中

还在持续更新中！！！🚀🚀🚀

最新创新点改进 （推荐🌟🌟🌟🌟）

博主开源的YOLOAir算法库中没有集成的创新点


 



 



 



 

，在下列博客中

《目标检测YOLO改进指南》推荐

💡🎈☁️：CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！ 💡🎈☁️：改进YOLOv7系列：最新结合即插即用CA(Coordinate attention) 注意力机制(适用于YOLOv5)                    ，CVPR 2021 顶会助力分类检测涨点！ 💡🎈☁️：改进YOLOv7系列：首发最新结合Global Context Modeling结构(附YOLOv5改进)   




    




    




    




  ，目标检测高效涨点 💡🎈☁️：改进YOLOv7系列：首发最新结合多种X-Transformer结构新增小目标检测层




















，让YOLO目标检测任务中的小目标无处遁形 💡🎈☁️：改进YOLOv7系列：结合Adaptively Spatial Feature Fusion自适应空间特征融合结构                    ，提高特征尺度不变性 💡🎈☁️：改进YOLOv5系列：首发结合最新Extended efficient Layer Aggregation Networks结构    



     



     



     



  ，高效的聚合网络设计




















，提升性能 💡🎈☁️：改进YOLOv7系列：首发结合最新CSPNeXt主干结构(适用YOLOv7)    
    
    
    
，高性能     


     


     


     


 ，低延时的单阶段目标检测器主干




 




 




 




 ，通过COCO数据集验证高效涨点 💡🎈☁️：改进YOLOv7系列：最新结合DO-DConv卷积     


     


     


     


 、Slim范式提高性能涨点
   

   

   

   

，打造高性能检测器 💡🎈☁️：改进YOLOv7系列：结合最新即插即用的动态卷积ODConv     

     

     

     

，高效涨点 💡🎈☁️：改进YOLOv7系列：首发结合最新Transformer视觉模型MOAT结构：交替移动卷积和注意力带来强大的Transformer视觉模型 




  




  




  




  ，超强的提升 💡🎈☁️：改进YOLOv7系列：首发结合最新Centralized Feature Pyramid集中特征金字塔

  


  


  


  

，通过COCO数据集验证强势涨点 💡🎈☁️：改进YOLOv7系列：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点高效 💡🎈☁️：改进YOLOv5系列：4.YOLOv5_最新MobileOne结构换Backbone修改     
     
     
     
，超轻量型架构  




   




   




   




  ，移动端仅需1ms推理！苹果最新移动端高效主干网络 💡🎈☁️：改进YOLOv7系列：最新HorNet结合YOLOv7应用！ | 新增 HorBc结构


 



 



 



 

，多种搭配                    ，即插即用 | Backbone主干




 




 




 




 、递归门控卷积的高效高阶空间交互 改进YOLO系列：4.YOLOv5_最新MobileOne结构换Backbone修改🌟 改进YOLO系列：8.增加ACmix结构的修改,自注意力和卷积集成🌟 改进YOLOv7系列：26.CVPR2022. ConvNeXt结合YOLOv7 | 基于ConvNeXt结构 构建 CNeB 模块🌟 改进YOLO系列：4.YOLOv5_最新MobileOne结构换Backbone修改   




    




    




    




  ，超轻量型架构




















，移动端仅需1ms推理！苹果最新移动端高效主干网络🌟 改进YOLO系列：10.最新HorNet结合YOLO应用首发！ | 多种搭配                    ，即插即用 | Backbone主干
   

   

   

   

、递归门控卷积的高效高阶空间交互🌟 改进YOLO系列：7.修改DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS🌟 改进YOLO系列：6.修改Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS🌟 改进YOLO系列：2.PicoDet结构的修改🌟 注意力机制系列（CSDN芒果汁没有芒果 首发）

（内容均为CSDN芒果汁没有芒果首发！！在别的地方看到的 都是源于此）

🏆目录 改进YOLOv5, YOLOv7系列：1.YOLO超全注意力机制汇总 | S2A, SE,SimAM, SKA,ShA, SOCA, CA, CBAM, CrissCrossA, NAM, GAM等🌟(注意力机制汇总) 三     

     

     

     

、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！

其他改进点博客教程 🏆目录 💡🎈☁️：改进YOLOv5系列：结合ShuffleNet V2主干网络
   

   

   

   

，高效CNN架构设计的实用指南 💡🎈☁️：改进YOLOv7系列： 最新结合用于小目标的新CNN卷积构建块 💡🎈☁️：改进YOLOv5系列：增加Swin-Transformer小目标检测头 💡🎈☁️：改进YOLOv7系列：最新结合BoTNet Transformer结构     

     

     

     

，一种简单却功能强大的backbone 




  




  




  




  ，自注意力提高模型性能 💡🎈☁️：改进YOLOv7系列：首发结合CotNet Transformer结构

  


  


  


  

，指导动态注意力矩阵的学习     
     
     
     
，增强视觉表示能力


     


     


     


     。 改进YOLOv5系列：29.YOLOv5 结合 极简又强大的RepVGG 重参数化模型结构🌟 改进YOLOv7系列：28.YOLOv7 结合 Swin Transformer V2结构  




   




   




   




  ，Swin Transformer V2：通向视觉大模型之路🌟 改进YOLOv5系列：27.YOLOv5 结合 Swin Transformer V2结构


 



 



 



 

，Swin Transformer V2：通向视觉大模型之路🌟 改进YOLOv7系列：25.YOLOv7 加入RepVGG模型结构                    ，重参数化 极简架构🌟 改进YOLOv7系列：24.添加SimAM注意力机制🌟 改进YOLOv7系列：23.YOLOv7添加CBAM注意力机制🌟 改进YOLOv7系列：22.最新HorNet结合YOLOv7应用🌟 改进YOLOv7系列：21.添加ShuffleAttention注意力机制🌟 改进YOLO系列：9.BoTNet Transformer结构的修改🌟 改进YOLO系列：5.CotNet Transformer结构的修改🌟 改进YOLO系列：3.Swin Transformer结构的修改🌟 改进YOLO系列：1.多种注意力机制修改🌟 改进YOLO系列：12.添加ShuffleAttention注意力机制🌟 改进YOLO系列：13.添加CrissCrossAttention注意力机制🌟 改进YOLO系列：14.添加S2-MLPv2注意力机制🌟 改进YOLO系列：15.添加SimAM注意力机制🌟 改进YOLO系列：16.添加SKAttention注意力机制🌟 改进YOLO系列：17.添加NAMAttention注意力机制🌟 改进YOLO系列：18.添加SOCA注意力机制🌟 改进YOLO系列：18.添加CBAM注意力机制🌟 改进YOLO系列：19.添加SEAttention注意力机制🌟 改进YOLO系列：20.添加GAMAttention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. 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