YOLOv9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

AI摘要

本文系统梳理YOLOv9在卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck及检测头等模块的前沿改进方案,涵盖CVPR/ICCV/ECCV顶会及2023–2024年顶刊提出的10+类即插即用模块(如SCConv、AKConv、CAA、MPDIoU、WIoU v3等),强调可复现性、论文适配性与跨场景泛化能力,适用于目标检测模型优化与科研创新。

必读内容📖

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏中的每一篇文章所使用的模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。

2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到YOLOv9中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。

3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。

4️⃣ 团队内发表数篇SCI论文,熟悉完整的发表流程,已帮助多名同学成功发表论文。

专栏内容每周更新3-5篇,专栏实时评分96,质量保证。专栏价格会随着文章数量的增加而增加,早订阅早优惠~
前30人限时优惠69.9! 一次订阅,永久使用! 🎫 可开发票用于报销。

提及的方法同样适用于YOLOv9的分类、检测和分割等任务,并且由于YOLOv7的文件结构和YOLOv9基本一致,所有在YOLOv9上的相关改进方法同样适用于YOLOv7。此外,想看哪个模块的复现,也可以直接私信我~

赠送👇:下方专栏内所有整理好的图像及其标签文件,包含YOLO、COCO、VOC等多种格式,可直接用于训练

全领域数据集目录链接:计算机视觉数据集下载目录 | 涉及遥感🛰️、多模态🧩、海洋声呐🌊、SAR📡、异常/缺陷🛠️、医学🧬、农业🌱、日常场景📸等

YOLOv9模型结构🌟

YOLOv9改进目录一览(持续更新中ing🚀)

在这里插入图片描述

项目介绍

在大家购买专栏后,加入学习群便可获得全部的程序文件,下方仅为列出的部分文件截图。在获取到文件后,只需按照将程序放在个人项目中即可运行,训练。群内有我录制的关于如何改进模型的视频,方便大家下载学习。可自行组合成不同的模块,实现针对你数据集的有效涨点。

在这里插入图片描述

专栏购买链接:YOLOv9改进专栏——以发表论文的角度,快速准确的找到有效涨点的创新点!


项目环境版本如下(按照个人硬件配置即可)

  • Python:3.8.10
  • PyTorch:1.8.1
  • CUDA:11.1
  • 编辑器:VS Code

🍀基础试读篇🍀

1、目标检测:YOLOv9训练自己的数据集(从代码下载到实例测试)

2、语义分割:YOLOv9的分割模型训练自己的数据集(从代码下载到实例测试)

3、使用AutoDL训练YOLO等计算机视觉网络模型(AutoDL+Xftp+VS Code),附详细操作步骤

4、YOLOv9目标检测模型性能评价指标详解,涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等,一文打尽所有评价指标

5、YOLOv9模型应用过程中的报错处理及疑问解答,涉及环境搭建、模型训练、模块改进、论文写作

6、YOLOv9改进前必看 - YAML模型配置文件详细解读(再也不用担心通道数不匹配) 附网络结构图

7、YOLOv9训练前的准备,将数据集划分成训练集、测试集验证集(附完整脚本及使用说明)

8、YOLOv9改进入门篇 | 手把手讲解改进模块如何实现高效涨点,以SimAM注意力模块为例


🍀论文必备🍀

1、论文必备 - 绘制YOLOv9模型在训练过程中,精准率,召回率,mAP_0.5,mAP_0.5:0.95,以及各种损失的变化曲线

2、论文必备 - YOLOv9输出模型每一层的耗时和GFLOPs,深入比较每一层模块的改进效果

3、论文必备 - YOLOv9热力图可视化,支持指定模型,指定显示层,设置置信度,以及10种可视化实现方式

4、论文必备 - YOLOv9统计数据集中大、中、小目标数量,附完整代码和详细使用步骤

5、论文必备 - YOLOv9训练前一键扩充数据集,支持9种扩充方法,支持图像和标签同步扩充

6、论文必备 - YOLOv9计算COCO指标和TIDE指标,小目标检测必备,更全面的评估和指导模型性能,包含完整步骤和代码


🍀卷积层🍀

1、YOLOv9改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化RepNCSPELAN4

2、YOLOv9改进策略【卷积层】| CVPR-2023 SCConv:即插即用,减少冗余计算并提升特征学习

3、YOLOv9改进策略【卷积层】| GnConv:一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作

4、YOLOv9改进策略【卷积层】| HWD,引入Haar小波变换到下采样模块中,减少信息丢失

5、YOLOv9改进策略【卷积层】| AKConv: 具有任意采样形状和任意参数数量的卷积核

6、YOLOv9改进策略【卷积层】| 引入Dynamic Snake Convolution动态蛇形卷积,改进RepNCSPELAN4


🍀Conv和Transformer🍀

1、YOLOv9改进策略【Conv和Transformer】| Conv2Former通过卷积调制操作简化自注意力机制,获取全局信息

2、YOLOv9改进策略【Conv和Transformer】| Bottleneck Transformers 简单且高效的自注意力模块

3、YOLOv9改进策略【Conv和Transformer】| AssemFormer 结合卷积与 Transformer 优势,弥补传统方法不足


🍀模型轻量化🍀

1、YOLOv9改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型

2、YOLOv9改进策略【模型轻量化】| GhostNetV2:利用远距离注意力增强廉价操作

3、YOLOv9改进策略【模型轻量化】| 利用PP-LCnet改进RepNCSPELAN4

4、YOLOv9改进策略【模型轻量化】| ShufflenetV2,通过通道划分构建高效网络

5、YOLOv9改进策略【模型轻量化】| 使用 MoblieOne 模块,引入结构重参数化,提高模型检测效率


🍀注意力机制篇🍀

1、YOLOv9改进策略【注意力机制篇】| 引入Shuffle Attention注意力模块,增强特征图的语义表示

2、YOLOv9改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制

3、YOLOv9改进策略【注意力机制篇】| 引入SimAM注意力模块(一个简单的,无参数的卷积神经网络注意模块)

4、YOLOv9改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA,提高模型效率

5、YOLOv9改进策略【注意力机制篇】| PSA极化自我关注: 实现高质量像素回归

6、YOLOv9改进策略【注意力机制篇】| GAM全局注意力机制: 保留信息以增强通道与空间的相互作用

7、YOLOv9改进策略【注意力机制篇】| MCAttention 多尺度交叉轴注意力

8、YOLOv9改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块

9、YOLOv9改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制

10、YOLOv9改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块,增强局部和全局特征信息交互

11、YOLOv9改进策略【注意力机制篇】| EMA 即插即用模块,提高远距离建模依赖

12、YOLOv9改进策略【注意力机制篇】| NAM 即插即用模块,重新优化通道和空间注意力

13、YOLOv9改进策略【注意力机制篇】| 蒙特卡罗注意力(MCAttn)模块,提高小目标的关注度


🍀损失函数篇🍀

1、YOLOv9改进策略【损失函数篇】| 利用MPDIoU,加强边界框回归的准确性

2、YOLOv9改进策略【损失函数篇】| Slide Loss,解决简单样本和困难样本之间的不平衡问题

3、YOLOv9改进策略【损失函数篇】| 替换激活函数为Mish、MetaAconC、FReLU、PReLU、Swish

4、YOLOv9改进策略【损失函数篇】| 引入Soft-NMS,提升密集遮挡场景检测精度,包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS

5、YOLOv9改进策略【损失函数篇】| Inner-IoU损失:通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)

6、YOLOv9改进策略【损失函数篇】| Shape-IoU:考虑边界框形状和尺度的更精确度量

7、YOLOv9改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归

8、YOLOv9改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度

9、YOLOv9改进策略【损失函数篇】| Varifocal Loss,解决密集目标检测器训练中前景和背景类别间极端不平衡的问题

10、YOLOv9改进策略【损失函数篇】| WIoU v3:针对低质量样本的边界框回归损失函数


🍀Neck🍀

1、YOLOv9改进策略【Neck】| 使用CARAFE轻量级通用上采样算子

2、YOLOv9改进策略【Neck】| GSConv+Slim Neck:混合深度可分离卷积和标准卷积的轻量化网络设计

3、YOLOv9改进策略【Neck】| 有效且轻量的动态上采样算子:DySample


🍀SPPF🍀

1、YOLOv9改进策略【SPPF】| SimSPPF,简化设计,提高计算效率

2、YOLOv9改进策略【SPPF】| AIFI : 基于Transformer的尺度内特征交互,在降低计算成本的同时提高模型的性能

YOLOv8架构解析与实战:从Anchor-Free到部署优化的目标检测效率革命 目标检测作为计算机视觉的核心任务,旨在识别并定位图像中的物体。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并预测物体的边界框和类别。这项技术的价值在于为自动驾驶、安防监控、工业质检等场景提供自动化视觉感知能力。近年来,检测框架持续演进,追求更高的精度与效率平衡。YOLOv8正是这一趋势下的代表性工作,它集成了多项前沿优化:采用Anchor-Free范式简化了检测流程,通过C2f模块和SPPF结构增强了特征提取能力,并引入TaskAlignedAssigner等策略提升训练稳定性。本文聚焦于YOLO 阅读详情

相关推荐

YOLOv5改进实践:UNetV2、BiFormer与WIoU融合方案

目标检测作为计算机视觉的核心任务,其性能提升往往依赖于网络架构优化与损失函数改进。通过注意力机制和特征融合技术,可以显著提升模型对小目标和复杂场景的检测能力。UNetV2的SDI模块通过动态权重分配实现细节与语义特征的有效融合,BiFormer的稀疏注意力机制则大幅降低了计算复杂度。这些技术创新在工业质检、医疗影像等实际场景中展现出重要价值。本文详细解析了如何将这些模块与YOLOv5框架深度整合,特别是通过多YAML配置融合解决工程落地中的兼容性问题,最终在COCO数据集上实现mAP提升4.5%的显著效果。

weixin_30781107的博客 401

YOLOv9改进 | 一文带你了解全新的SOTA模型YOLOv9(论文阅读笔记,效果完爆YOLOv8)

YOLOv9发布时间为2024年2月21日是当前的SOTA模型,当今的深度学习方法专注于如何设计最合适的目标函数,以使模型的预测结果尽可能接近真实值。同时,还需要设计一个合适的架构,以便获取足够的信息进行预测。现有方法忽略了一个事实:当输入数据经过逐层的特征提取和空间变换时,会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题,即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息(PGI)的概念,以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息。

Snu77的博客 1万+

YOLOv9改进策略 | 代码逐行解析(一)| 项目目录构造分析

本文给家带来的是YOLOv9系列的代码逐行解析,对于一个新发布的项目来说,我们首先需要做的就是去了解它的项目结构,然后再去了解其代码(例如代码从训练文件开始->yaml文件定义->模型定义->yaml文件解析->模型结构定义->训练->损失计算->反向传播),这一整个流程下来我们如果能够完全了解下来对于我们来说收获是非常大的,同时这对于我们优化模型和魔改模型来说也是一个非常必要的步骤,有的读者问我没有深度学习基础能优化模型么。

Snu77的博客 7132

YOLOv9改进策略:注意力机制 | 用于微小目标检测的上下文增强和特征细化网络ContextAggregation,助力小目标检测,暴力涨点

用于微小目标检测的上下文增强和特征细化网络ContextAggregation,助力小目标检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 3005

YOLOv12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

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YOLOv11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

如今各种网络模型更新迭代越来越快,计算机视觉相关的文章也越来越多,多到一些普通,通用的改进点无法达到发表的要求。本专栏正是解决这个问题!如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 6万+

YOLO26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

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏已更新260多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手

Limiiiing的博客 6595

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

1️⃣本专栏已更新150多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-24。项目介绍在大家购买专栏后,加入学

Limiiiing的博客 1万+

YOLOv10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

如何寻找创新点?为什么要使用这个模块?如何才能提升模型的精度?这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了,这已经省去了大部分时间,但是当我们使用这些新的模块去优化已有的模型,如何才能提升模型的精度,才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块,然后是进行大量的实验去排列组合以实现最终的精度提升,这无可厚非。

Limiiiing的博客 1万+

YOLOv13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

1️⃣ 已更新种不同的改进方案,专栏内的每篇文章皆,均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏,,只为更好的满足论文发表的要求。专栏内容,专栏实时评分,全网最高,质量保证。🎫。。

Limiiiing的博客 9214

YOLOv11改进策略【独家融合改进】| StarNet + 小目标检测头,加强跨尺度的上下文特征融合,提高小目标检测能力

P3/8 - small检测头原始模型中的P3/8特征层对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大,空间分辨率较高。适合检测尺寸大概在8x8到32x32像素左右的目标。P4/16 - medium检测头这个检测头对应的P4/16特征层经过了更多的下采样操作,相比P3/8特征图空间分辨率降低,但通道数增加,特征更抽象且有语义信息。它主要用于检测中等大小的目标,尺寸范围大概在32x32到64x64像素左右。P5/32 - large检测头P5/32。

Limiiiing的博客 1864

YOLOv11改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络,提高小目标检测精度

ASF-YOLO是一种基于YOLO的新颖框架,结合了空间和尺度特征以实现准确和快速的分割。其中,注意力尺度序列融合模块。

Limiiiing的博客 4403

《YOLO11魔术师专栏》专栏介绍 & 专栏目录

【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】 【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1万+

YOLO26改进策略【SPPF】| 将特征金字塔池化修改为:SPPELAN ,多尺度特征提取与高效特征融合

本文记录的是。通过与,提升模型检测精度和鲁棒性。

Limiiiing的博客 324

数字IC后端设计实现 | PR工具中到底应该如何控制density和congestion?(ICC2&Innovus)

数字IC后端设计实现中到底应该如何控制cell density和congestion?(ICC2和Innovus两种解决方案)

weixin_37584728的博客 7119

1. 基于STM32的1.28寸圆形IPS屏(GC9A01)驱动移植实战:软件SPI与硬件SPI双方案详解

本文详细介绍了如何在STM32平台上为1.28寸圆形IPS屏(GC9A01驱动芯片)移植驱动程序,涵盖软件SPI与硬件SPI两种实现方案。内容从引脚定义、工程搭建、GPIO配置到SPI外设初始化逐步详解,并提供了完整的测试代码,帮助开发者根据项目需求(灵活性或性能)选择合适的通信方式,快速点亮屏幕并集成到智能手表等嵌入式项目中。

weixin_42300144的博客 203

Fluent温度超限调试:从能量方程到网格优化的实战指南

本文深入解析Fluent中温度超限问题的诊断与解决方法,从能量方程机制到网格优化策略,提供实战指南。通过分析温度与焓的换算关系,探讨典型场景如能量方程发散、局部网格质量差等,并给出五步调试法及高级命令应用,帮助工程师有效解决温度计算异常问题。

weixin_29045585的博客 532

把入库交货单的 GOS 附件自动带进审批 Work Item:用 SOFM 对象打通 SAP Workflow 附件链路

本文介绍了一种在SAP ECC系统中将入库交货单的GOS附件自动附加到Workflow审批项中的解决方案。通过使用BOR对象引用列表和SOFM业务对象,审批人可直接在Work Item中查看附件,无需返回原单据界面。文章详细阐述了从BUS2015业务对象获取附件连接、转换LOIO_ID为SOFM对象引用,并将附件列表绑定到User Decision步骤的具体实现方法。该方案适用于经典SAP Business Workflow+BOR架构,核心ABAP代码可直接复用,有效解决了审批流程中的附件可见性问题。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 249

【Flutter 问题系列第 85 篇】Xcode 运行 Flutter 提示 The Dart VM Service was not discovered after 60 seconds.

在 Xcode 上运行 Flutter 时提示 `The Dart VM Service was not discovered after 60 seconds. This is taking much longer than expected...`,意思是 `60秒后未发现Dart虚拟机服务。这比预期的要长得多`

“Allen Su”的博客 2243

Dify框架面试内容整理-如何进行Dify的二次开发?

无论是轻量修改界面,还是深度集成自定义模型、Agent、知识库,你都可以很方便地进行二次开发。,你可以基于它的开源架构对功能进行扩展、集成第三方服务、修改界面风格,甚至定制新的AI工作流程。前端:Node.js >= 16,React + TypeScript + Tailwind。接入自己的模型API(如:调用LLaMA、Baichuan、ChatGLM)。修改路径:/api/app/services/providers/可接入你自己的向量数据库(Qdrant、Milvus、FAISS)

不务正业的猿 2016

Transformer实战(5)——Hugging Face环境配置与应用详解

本文详细介绍 Transformer 模型的实践应用全流程。首先讲解基于 Anaconda 的环境配置,包括 transformers 库安装及 hf-mirror 镜像加速方案。然后以 BERT 为例,演示分词器使用、文本编码及 fill-mask 等任务实现,对比 PyTorch/TensorFlow 框架差异。接着展示 Hugging Face 社区模型应用,包括 GPT-2 文本生成和零样本分类。最后扩展至多模态领域,使用 CLIP 模型实现零样本图像分类。

盼小辉丶的博客 1万+

论文翻译:arxiv-2023 Do-Not-Answer: A Dataset for Evaluating Safeguards in LLMs

随着大型语言模型(LLMs)的快速发展,出现了新的、难以预测的有害能力。这要求开发者能够通过评估“危险能力”来识别风险,以便负责任地部署LLMs。在这项工作中,我们收集了第一个开源数据集,用于评估LLMs中的安全保障,并以低成本部署更安全的开源LLMs。我们的数据集经过策划和筛选,只包含负责任的语言模型不应遵循的指令。我们注释并评估了六个流行的LLMs对这些指令的响应。基于我们的注释,我们继续训练了几个类似BERT的分类器,并发现这些小型分类器在自动安全评估上能够取得与GPT-4相当的成果。

CSPhD-winston的博客 1133

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: YOLOv9改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块,增强局部和全局特征信息交互
下一篇: 论文必备 - YOLOv9热力图可视化,支持指定模型,指定显示层,设置置信度,以及10种可视化实现方式
Limiiiing
博客等级 码龄8年 2万+粉丝 1905原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Limiiiing

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址