ShuffleNetV1是由FacebookAIResearch团队提出的轻量级神经网络。其核心思想是通过分组卷积（GroupConvolution）和通道重排（ChannelShuffle）技术来减少模型参数和计算量，同时保持...
SENetV1（Squeeze-and-ExcitationNetworks）由JieHu等人在2017年提出。其核心思想是通过引入SE模块来自适应地重标定通道特征的重要性，从而提升网络的表示能力和性能。...
LSKNet是一种结合了大核卷积和小核卷积的网络结构，通过融合不同感受野的特征，有效提升了对目标的识别能力。大核卷积有助于捕捉全局特征，而小核卷积则在保留局部细节方面表现出色。LSKNet特别适合处理具有复杂背景和多尺度目标的遥感图像。...
在目标检测领域，YOLO系列模型一直以其快速、高效的特性广受欢迎。YOLOv8作为这一系列的最新版本，具备较高的检测速度和较强的识别能力。然而，随着对复杂场景和小目标检测需求的增加，进一步优化模型的特征提取和识别效率...
在本文中，我们详细探讨了如何在YOLOv8中引入轻量级跨尺度特征融合模块（CCFM），旨在提升目标检测模型的性能。CCFM模块通过利用深度可分离卷积和自适应通道注意力机制，有效融合不同尺度的特征。CCConv：一个轻量级的深度可分离卷积...
这篇文章延续上次对跑通Baseline的分享与讲解，对模型进行深入解读，并初步探讨进阶方案。本篇文章是对task2任务的详细讲解，进行了进阶学习、思路拓展和初步模型优化，后续会继续深化学习，尝试更多模型优化方案，...
在本文中，我们详细探讨了如何通过集成双向特征金字塔网络（BiFPN）来提升YOLOv8模型的性能。BiFPN的多尺度特征融合能力使其在各类场景中表现出色，无论是自动驾驶、安防监控还是无人机图像识别，都显著提高了目标检测的精度和鲁棒...
为了对改进后的YOLOv8模型进行训练，我们可以使用PyTorch的标准训练流程，并且结合前面提到的动态学习率调整和混合损失函数策略。#定义模型和损失函数#自定义数据增强])#训练循环。...
本文介绍通过YOLOv5对PCB缺陷进行实时检测。详细介绍（1）环境配置；（2）北大PCB缺陷数据集的处理；（3）使用YOLOv5训练PCB缺陷模型；（4）使用训练的模型检测PCB缺陷。_yolo北大pc...
YOLOv10专栏持续复现网络上各种顶会内容，同时专栏内容可以用于YOLOv8改进~,欢迎大家订阅！！！_yolov10bifpn...