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

AI摘要

本文系统梳理YOLOv8在卷积层、Backbone、Neck、Head、SPPF、注意力机制、损失函数及轻量化等模块的300+前沿改进方法,涵盖CVPR/ICCV/NeurIPS等顶会论文提出的模块(如DCNv4、Mamba-YOLO、LSKA、FreqFusion等),并提供可复现的二次创新配置与训练流程,聚焦目标检测性能提升与论文发表需求。

必读内容📖

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏已更新300+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YOLOv8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97,全网最高,质量保证。
近期会持续更新2026年最新模块改进,专栏价格会随着文章数量的增加而增加,早订阅早优惠~
一次订阅,永久使用! 🎫 可开发票用于报销,可远程调试报错。

5️⃣ 专栏内容会持续更新,最近更新时间:2026-9-5。

所提及的方法同样适用于YOLOv8的分类、检测、姿态、OBB和分割等任务,并且适用n、s、m、l、x各个尺寸的模型。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


YOLOv8模型结构🌟


YOLOv8改进目录一览(持续更新中ing🚀)

项目介绍

在这里插入图片描述

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:YOLOv8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:2.0.0
  • CUDA:11.8
  • 编辑器:VS Code
  • Ultralytics:8.1.2

🎓— 基础篇— 🎓

1、目标检测:YOLOv8训练自己的数据集(从代码下载到实例测试)

2、语义分割:YOLOv8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YOLOv8计算机视觉网络模型(AutoDL+Xftp+VS Code),附详细操作步骤

4、YOLOv8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、YOLOv8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🌟

6、YOLOv8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🌟

7、YOLOv8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、YOLOv8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🌟

9、深入解析 YOLOv8 项目包中的文件结构和各作用🌟

10、YOLOv8在新版本的ultralytics项目包如何配置添加新的模块(base_modules、repeat_modules)🌟


🎓论文写作 — 丰富工作量🎓

1、论文必备 - YOLOv8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🌟

2、论文必备 - 绘制YOLOv8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

3、论文必备 - YOLOv8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🌟

4、论文必备 - YOLOv8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🌟

5、论文必备 - YOLOv8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 - YOLOv8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🌟

7、论文必备 - YOLOv8一键输出FPS、层数、参数量、计算量、模型大小、推理延时🌟


📈卷积层 — 发文常客📈

1、YOLOv8改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积,降低内存占用

2、YOLOv8改进策略【卷积层】| CVPR-2024 PKI Module 获取多尺度纹理特征,适应尺度变化大的目标🌟

3、YOLOv8改进策略【卷积层】| CVPR-2023 SCConv 空间和通道重建卷积:即插即用,减少冗余计算并提升特征学习

4、YOLOv8改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)🌟

5、YOLOv8改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新🌟

6、YOLOv8改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化C2f🌟

7、YOLOv8改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积,改进C2f🌟

8、YOLOv8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

9、YOLOv8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🌟

10、YOLOv8改进策略【卷积层】| SAConv 可切换的空洞卷积 二次创新C2f

11、YOLOv8改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对C2f进行二次创新🌟

12、YOLOv8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

13、YOLOv8改进策略【卷积层】| NeurIPS-2022 ParNet 即插即用模块 二次创新C2f

14、YOLOv8改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合C2f进行二次创新,提高精度🌟

15、YOLOv8改进策略【卷积层】| 2023 引入注意力卷积模块RFAConv,关注感受野空间特征 助力yolov8精度提升🌟

16、YOLOv8改进策略【卷积层】| SPD-Conv 针对小目标和低分辨率图像的检测任务🌟

17、YOLOv8改进策略【卷积层】| 2023 RCS-OSA 通道混洗的重参数化卷积 二次创新C2f🌟

18、YOLOv8改进策略【卷积层】| CVPR-2021 多样分支块DBB,替换传统下采样Conv 含二次创新C2f

19、YOLOv8改进策略【卷积层】| ECCV-2024 小波卷积 WTConv 增大感受野,降低参数量计算量,独家创新助力涨点🌟

20、YOLOv8改进策略【卷积层】| 2024最新轻量级自适应提取模块 LAE 即插即用 保留局部信息和全局信息🌟

21、YOLOv8改进策略【卷积层】| CVPR-2020 Strip Pooling 空间池化模块 处理不规则形状的对象 含二次创新

22、YOLOv8改进策略【卷积层】| RFEM:感受野增强模块, 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题🌟

23、YOLOv8改进策略【卷积层】| AAAI 2025 风车状卷积PConv,实现感受野的高效扩张🌟

24、YOLOv8改进策略【卷积层】| AAAI 2025 FBRT-YOLO 应用YOLOv8 加强跨层特征融合能力与多尺度适应性,并二次改进C2f🌟

25、YOLOv8改进策略【卷积层】| CVPR 2024:LEGM 局部特征嵌入全局特征提取 适用于低质量图像特征提取任务🌟

26、YOLOv8改进策略【卷积层】| CVPR 2025:动态双曲正切(Dynamic Tanh,DyT)模块,维持模型性能与训练稳定性🌟

27、YOLOv8改进策略【卷积层】| CVPR 2024 可变形卷积 v4(DCNv4)无界权重提表达 + 线程合并降冗余,强化模型收敛速度🌟

28、YOLOv8改进策略【卷积层】| YOLO-MS中的MSBlock:分层多分支 + GQL 引导,多尺度特征增强与污染空间信息过滤🌟

29、YOLOv8改进策略【卷积层】| DEConv: 强度信息与梯度特征融合的细节增强 适用于小目标与细节目标检测任务🌟

30、YOLOv8改进策略【卷积层】| DWRSeg :高效获取多尺度上下文信息,二次改进C2f🌟

31、YOLOv8改进策略【卷积层】| CVPR 2025 频率动态卷积 FDConv 频域分权重提多样性 + 双调制降冗余,增强特征表征能力🌟

32、YOLOv8改进策略【卷积层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测🌟

33、YOLOv8改进策略【卷积层】| arXiv 2025 YOLO-Master中的稀疏混合专家ES-MoE 动态路由提适配 + 稀疏激活降延迟,突破精度-效率权衡🌟

34、YOLOv8改进策略【卷积层】| CVPR 2024 空频选择卷积SFS-Conv 双域感知提区分 + 无参融合降冗余,强化SAR目标检测🌟

35、YOLOv8改进策略【卷积层】| ICCV 2025 UniConvNet 感受野聚合器RFA 小核组合扩ERF + AGD保持提表征,兼顾精度与效率🌟

36、YOLOv8改进策略【卷积层】| arXiv 2025 加权卷积Weighted Conv 密度函数提表征 + 零参扩展降负担,提升目标检测精度🌟

37、YOLOv8改进策略【卷积层】| TGRS2024 小波变换特征分解器(WTFD)双频互补提精度 + 轻量分解保空间🌟

38、YOLOv8改进策略【卷积层】| TGRS 2023 SRFD+DRFD 鲁棒特征下采样 三分支融合 + 分阶段保细节,精准守护小目标特征🌟

39、YOLOv8改进策略【卷积层】| TIP 2025 HPDown 混合池化下采样 双分支互补 + 多感受野融合,强效守护弱小目标细节🌟

40、YOLOv8改进策略【卷积层】| TIP 2025 MFA 多阶段特征聚合 大核扩感受 + 多梯度融合,强效增强弱小目标特征🌟

41、YOLOv8改进策略【卷积层】| CVPR2025 GBConv轻量门控瓶颈卷积 低秩瓶颈降参 + 门控聚焦形态,强效捕捉纤细目标🌟

42、YOLOv8改进策略【卷积层】| CVPR2025 ARConv自适应矩形卷积 双维度尺度学习+动态采样,多尺度地物特征精准提取🌟


🍀Backbone/主干网络🍀

1、YOLOv8改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络,加强细节特征的提取和融合🌟

2、YOLOv8改进策略【Backbone/主干网络】| 替换骨干网络为:Swin Transformer,提高多尺度特征提取能力

3、YOLOv8改进策略【Backbone/主干网络】| ICLR-2023 替换骨干网络为:RevCol 一种新型神经网络设计范式🌟

4、YOLOv8改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR LSKNet (附网络详解和完整配置步骤)🌟

5、YOLOv8改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR ConvNeXt V2 (附网络详解和完整配置步骤)🌟

6、YOLOv8改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征,适应尺度变化大的目标🌟

7、YOLOv8改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT,增强空间信息的感知能力🌟

8、YOLOv8改进策略【Backbone/主干网络】| CVPR 2024替换骨干网络为 UniRepLKNet,解决大核 ConvNets 难题🌟

9、YOLOv8改进策略【Backbone/主干网络】| 替换骨干为PoolFormer,基于平均池化的Token混合器,通过聚合局部邻域特征实现信息交互🌟

10、在YOLOv8的项目包中配置并运行TPAMI 2025的Hyper-YOLO模型🌟

11、YOLOv8改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt,将大核深度卷积分解为四个并行分支,平衡速度与精度🌟

12、YOLOv8改进策略【Backbone/主干网络】| CVPR 2025 替换骨干为MambaOut,去除冗余结构,挖掘视觉Mamba潜力🌟

13、YOLOv8改进策略【Backbone/主干网络】|替换HGNetV2骨干,包含RT-DETR中的l、x模型🌟


🔥Conv和Transformer — 发文热点🔥

1、YOLOv8改进策略【Conv和Transformer】| CVPR-2023 BiFormer 稀疏自注意力,减少内存占用🌟

2、YOLOv8改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势,弥补传统方法不足🌟

3、YOLOv8改进策略【Conv和Transformer】| CVPR-2021 Bottleneck Transformers 简单且高效的自注意力模块

4、YOLOv8改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制和大核卷积简化自注意力机制🌟

5、YOLOv8改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力🌟

6、YOLOv8改进策略【Conv和Transformer】| ACmix 卷积和自注意力的结合,充分发挥两者优势

7、YOLOv8改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新C2f)

8、YOLOv8改进策略【Conv和Transformer】| GRSL-2024 最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰🌟

9、YOLOv8改进策略【Conv和Transformer】| 2023 引入CloFormer中的双分支结构,融合高频低频信息(二次创新C2f)🌟

10、YOLOv8改进策略【Conv和Transformer】| CVPR-2022 Deformable Attention Transformer 可变形注意力 动态关注目标区域🌟

11、YOLOv8改进策略【Conv和Transformer】| ICCV-2023 iRMB 倒置残差移动块 轻量化的注意力模块

12、YOLOv8改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大,图像质量低的检测任务🌟

13、YOLOv8改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock🌟

14、YOLOv8改进策略【Conv和Transformer】| 引入PoolFormerBlock模块,基于平均池化的Token混合器,通过聚合局部邻域特征实现信息交互🌟

15、YOLOv8改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力 二次改进C2f🌟

16、YOLOv8改进策略【Conv和Transformer】| CVPR 2023:Super Token Attention 超级令牌注意力机制🌟

17、YOLOv8改进策略【Conv和Transformer】| TGRS 2024:MDAF 多尺度双表示对齐滤波器,结合空间和频域特征🌟

18、YOLOv8改进策略【Conv和Transformer】| ICLR 2025 PolaLinearAttention 极性感知线性注意力 全符号交互 + 可学习降熵,线性复杂度追平Softmax🌟

19、YOLOv8改进策略【Conv和Transformer】| AAAI2025 SSA 稀疏自注意力 分块稀疏编码 + 语义抑制,免手工提篡改特征🌟

20、YOLOv8改进策略【Conv和Transformer】| CVPR 2025 Mona 多认知视觉适配器 多尺度卷积认知 + 缩放归一化稳分布,突破全微调性能上限🌟

21、YOLOv8改进策略【Conv和Transformer】| CVPR2025 CATANet LRSA局部区域自注意力 重叠分块交互 + 共享多头权重,精细复原图像纹理细节🌟


🔥YOLO和Mamba — 最新热点🔥

1、YOLOv8改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv8-T !!! 最新的发文热点🌟

2、YOLOv8改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv8-B !!! 最新的发文热点🌟

3、YOLOv8改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv8-L !!! 最新的发文热点🌟

4、YOLOv8改进策略【YOLO和Mamba】| 2024 VM-UNet,高效的特征提取模块VSS block 二次创新提高精度🌟

5、YOLOv8改进策略【YOLO和Mamba】| MLLA:Mamba-Like Linear Attention,融合Mamba设计优势的注意力机制🌟

6、YOLOv8改进策略【YOLO和Mamba】| CVPR 2025:EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作,提升目标检测效率与精度🌟


🍀模型轻量化 — 加速推理🍀

1、YOLOv8改进策略【模型轻量化】| MoblieNet V4:2024 轻量化网络 移动生态系统的通用模型🌟

2、YOLOv8改进策略【模型轻量化】| MoblieNet V3:基于搜索技术和新颖架构设计的轻量型网络模型🌟

3、YOLOv8改进策略【模型轻量化】| ShuffleNet V1:一个用于移动设备的极其高效的卷积神经网络

4、YOLOv8改进策略【模型轻量化】| Shufflenet V2:通过通道划分构建高效网络,高效的CNN架构设计的实用指南🌟

5、YOLOv8改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络

6、YOLOv8改进策略【模型轻量化】| MobileViT V1:高效的信息编码与融合模块,获取局部和全局信息

7、YOLOv8改进策略【模型轻量化】| GhostNet V1:基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构

8、YOLOv8改进策略【模型轻量化】| GhostNet V2:NeurIPS-2022 Spotlight 利用远距离注意力增强廉价操作🌟

9、YOLOv8改进策略【模型轻量化】| RepViT:CVPR-2024 轻量级的Vision Transformers架构🌟

10、YOLOv8改进策略【模型轻量化】| FasterNet: CVPR-2023 高效快速的部分卷积块🌟

11、YOLOv8改进策略【模型轻量化】| VanillaNet:华为的极简主义骨干网络🌟

12、YOLOv8改进策略【模型轻量化】| EfficientViT:ICCV 2023 用于高分辨率密集预测的多尺度线性关注🌟

13、YOLOv8改进策略【模型轻量化】| StarNet:CVPR-2024 超级精简高效的轻量化模块🌟

14、YOLOv8改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型🌟

15、YOLOv8改进策略【模型轻量化】| EMO:ICCV 2023,结构简洁的轻量化自注意力模型🌟

16、YOLOv8改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2,含模型详解和完整配置步骤🌟

17、YOLOv8改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1,用于移动视觉应用的高效卷积神经网络🌟

18、YOLOv8改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构🌟

19、YOLOv8改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2,加速训练,快速收敛🌟


📈注意力机制篇 — 发文必备📈

1、YOLOv8改进策略【注意力机制篇】| ICML-2021 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)🌟

2、YOLOv8改进策略【注意力机制篇】| 2024 蒙特卡罗注意力(MCAttn)模块,提高小目标的关注度🌟

3、YOLOv8改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块,提高小目标关注度🌟

4、YOLOv8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🌟

5、YOLOv8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🌟

6、YOLOv8改进策略【注意力机制篇】| 2023 MCAttention 多尺度交叉轴注意力 获取多尺度特征和全局上下文信息🌟

7、YOLOv8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(含C2f二次创新)🌟

8、YOLOv8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🌟

9、YOLOv8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(含C2f二次创新)🌟

10、YOLOv8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(含C2f二次创新)🌟

11、YOLOv8改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA,轻量化注意力模块 提高模型效率🌟

12、YOLOv8改进策略【注意力机制篇】| WACV-2024 D-LKA 可变形的大核注意 针对大尺度、不规则的目标图像🌟

13、YOLOv8改进策略【注意力机制篇】| Large Separable Kernel Attention (LSKA) 大核可分离卷积注意力 二次创新C2f🌟

14、YOLOv8改进策略【注意力机制篇】| CVPRW-2024 分层互补注意力混合层 H-RAMi 针对低质量图像的特征提取模块🌟

15、YOLOv8改进策略【注意力机制篇】| SENet V2 优化SE注意力机制,聚合通道和全局信息🌟

16、YOLOv8改进策略【注意力机制篇】| CVPR-2023 FSAS 基于频域的自注意力求解器 结合频域计算和卷积操作 降低噪声影响🌟

17、YOLOv8改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 同时融合通道、空间、局部信息和全局信息的新型注意力🌟

18、YOLOv8改进策略【注意力机制篇】| ICLR2023 高效计算与全局局部信息融合的 Sea_Attention 模块(含C2f二次创新)🌟

19、YOLOv8改进策略【注意力机制篇】| ICCV2023 聚焦线性注意力模块 Focused Linear Attention 聚焦能力与特征多样性双重提升,含二次创新🌟

20、YOLOv8改进策略【注意力机制篇】| WACV-2021 Triplet Attention 三重注意力模块 - 跨维度交互注意力机制优化🌟

21、YOLOv8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

22、YOLOv8改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制🌟

23、YOLOv8改进策略【注意力机制篇】| 利用SegNeXt中的卷积注意力模块MSCA,捕捉多尺度的上下文信息,更加轻量高效(含C2f二次创新)🌟

24、YOLOv8改进策略【注意力机制篇】| CPCA:通道先验卷积注意力模块, 动态分配注意力权重,并利用多尺度深度卷积模块降低计算复杂度🌟

25、YOLOv8改进策略【注意力机制篇】| CVPR2025 MaIR SSA 序列洗牌注意力 多向序列通道加权 + 线性低开销聚合,强化纹理细节复原🌟


🚀SPPF/空间金字塔池化🚀

1、YOLOv8改进策略【SPPF】| SimSPPF,简化设计,提高计算效率

2、YOLOv8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

3、YOLOv8改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF🌟

4、YOLOv8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🌟

5、YOLOv8改进策略【SPPF】| 将特征金字塔池化修改为:SPPCSPC,提升模型的特征提取能力和计算效率。🌟


🚀Neck — 加强特征融合🚀

1、YOLOv8改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 二次创新C3k2 改进颈部网络🌟

2、YOLOv8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、YOLOv8改进策略【Neck】| BiFPN:双向特征金字塔网络-跨尺度连接和加权特征融合🌟

4、YOLOv8改进策略【Neck】| 使用CARAFE轻量级通用上采样算子

5、YOLOv8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🌟

6、YOLOv8改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v8颈部网络🌟

7、YOLOv8改进策略【Neck】| 2023 显式视觉中心EVC 优化特征提取金字塔,对密集预测任务非常有效🌟

8、YOLOv8改进策略【Neck】| 有效且轻量的动态上采样算子:DySample

9、YOLOv8改进策略【Neck】| 替换RT-DETR中的CCFF跨尺度特征融合颈部结构,优化计算瓶颈与冗余问题🌟

10、YOLOv8改进策略【Neck】| HS-FPN:高级筛选特征融合金字塔,加强细微特征的检测🌟

11、YOLOv8改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构,强化小目标检测能力🌟

12、YOLOv8改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题🌟

13、YOLOv8改进策略【Neck】| PRCV 2023,SBA(Selective Boundary Aggregation):特征融合模块,描绘物体轮廓重新校准物体位置,解决边界模糊问题🌟

14、YOLOv8改进策略【Neck】| ArXiv 2023,基于U - Net v2中的的高效特征融合模块:SDI(Semantics and Detail Infusion)🌟

15、YOLOv8改进策略【Neck】| SEAM:分离和增强注意模块,解决复杂场景下的小目标遮挡问题🌟

16、YOLOv8改进策略【Neck】| ACMMM 2024 WFU:小波特征上采样 | 通过小波变换的频率分解与跨尺度融合机制,解决传统上采样过程中的混叠和细节丢失问题🌟

17、YOLOv8改进策略【Neck】| CFC和SFC模块,独特的上下文建模和空间特征校准机制,实现精度与效率的平衡优化🌟

18、YOLOv8改进策略【Neck】| 替换颈部结构为TPAMI 2025的Hyper-YOLO🌟

19、YOLOv8改进策略【Neck】| arXiv 2024 MAFPN:多分支辅助特征金字塔网络 | 通过双向辅助融合与异构卷积机制,解决传统PAFPN多尺度特征融合不充分与小目标检测不足问题🌟

20、YOLOv8改进策略【Neck】| BMVC 2024 MASAG 模块(多尺度自适应空间注意门):动态感受野与空间注意力增强多尺度目标检测精度🌟

21、YOLOv8改进策略【Neck】| CVPR 2024 MFM(Modulation Fusion Module,调制融合模块):动态特征加权融合,突出关键特征抑制冗余🌟

22、YOLOv8改进策略【Neck】| PSFM,深层语义融合模块 引入深层与浅层交叉注意力机制,动态建模不同层级的全局语义依赖关系🌟

23、YOLOv8改进策略【Neck】| SDFM 表层细节融合模块,利用通道-空间注意力机制,实现深层与浅层特征融合,抑制噪声干扰🌟

24、YOLOv8改进策略【Neck】| CGA Fusion:内容引导的注意力融合模块,空间权重引导的多模态特征自适应融合🌟

25、YOLOv8改进策略【Neck】| 利用YOLOv13的超图关联增强结构 优化颈部网络 增强多尺度感知🌟

26、YOLOv8改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块:轻量级上采样 + 深度卷积增强 + 通道匹配🌟

27、YOLOv8改进策略【Neck】| CVPR2024 LGAG:大核分组注意力门模块,3×3分组卷积与注意力协同的特征精准融合🌟

28、YOLOv8改进策略【Neck】| ICCV2025 反向卷积 Converse2D 数学逆运算提重构 + 特征域建模降伪影,提升多尺度目标检测精度🌟

29、YOLOv8改进策略【Neck】| AAAI 2025 相位整合模块PIM 相位融合提结构 + 跨域引导降模糊,强化雾天检测精度🌟

30、YOLOv8改进策略【Neck】| arXiv 2025 分层多头注意力HMHA 子空间拆分提多样 + 通道重排降冗余,强化目标检测精度🌟

31、YOLOv8改进策略【Neck】| AAAI 2025 颜色增强模块CEM 双色引导保真色 + 轻量调制提对比度,强化雾天检测,适配多模态图像信息融合🌟

32、YOLOv8改进策略【Neck】| CVPR2025 LCA轻量交叉注意力 跨层级双向引导 + 分层降噪增强,提升微小目标特征表达🌟

33、YOLOv8改进策略【Neck】| TGRS 2025 HFFE分层特征融合编码器 深浅尺度对齐 + 层级注意力加权,强化单模态小目标分层特征融合🌟


🚀Head/检测头🚀

1、YOLOv8改进策略【Head】| 引入RT-DETR中的RTDETRDecoder,替换检测头🌟

2、YOLOv8改进策略【Head】| 增加针对 大目标 的检测层 (四个检测头)🌟

3、YOLOv8改进策略【Head】| AFPN渐进式自适应特征金字塔,增加针对小目标的检测头(附模块详解和完整配置步骤)🌟

4、YOLOv8改进策略【Head】| ASFF 自适应空间特征融合模块,改进检测头Detect_ASFF🌟

5、YOLOv8改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化模型(独家改进)🌟

6、YOLOv8改进策略【Head】| (独家改进)结合 ICME-2024 中的PPA注意力模块,自研带有注意力机制的小目标检测头🌟

7、YOLOv8改进策略【Head】| (独家改进)轻量化检测头:利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头🌟

8、YOLOv8改进策略【Head】| (独家改进)检测头添加Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制,提高网络性能🌟

9、YOLOv8改进策略【Head】| 添加专用于小目标的检测层 附YOLOv1~YOLOv11的检测头变化详解🌟

10、YOLOv8改进策略【Head】| DyHead:多维度注意力协同统一,强化尺度 - 空间 - 任务感知 提高检测精度🌟


🚀损失函数篇🚀

1、YOLOv8改进策略【损失函数篇】| 利用MPDIoU,加强边界框回归的准确性

2、YOLOv8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、YOLOv8改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU6

4、YOLOv8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)

5、YOLOv8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🌟

6、YOLOv8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🌟

7、YOLOv8改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度🌟

8、YOLOv8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

9、YOLOv8改进策略【损失函数篇】| 将激活函数替换为带有注意力机制的激活函数 ARelu🌟

10、YOLOv8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🌟

11、YOLOv8改进策略【损失函数篇】| 替换Powerful-IoU(PIoU),增强对中等质量锚框的关注力,引导锚框更直接、高效地回归🌟

12、YOLOv8改进策略【损失函数篇】| AAAI 2025 SD Loss,基于目标尺度动态调整尺度损失和位置损失的影响系数,减少 IoU 标签波动🌟

13、YOLOv8改进策略【损失函数篇】| AdaFocal 自适应聚焦损失 动态γ校准 + 逆focal救欠信 + 小目标梯度增强🌟

14、YOLOv8改进策略【损失函数篇】| arXiv2025 TeLU双曲正切指数线性单元 强梯度防消失 + 解析光滑稳训练,极速提升收敛与泛化🌟


🚀特殊场景 — 小目标改进🚀

1、YOLOv8改进策略【小目标改进】| 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🌟

2、YOLOv8改进策略【小目标改进】| NWD损失函数,提高小目标检测精度🌟

3、YOLOv8改进策略【小目标改进】| 2024 蒙特卡罗注意力(MCAttn)模块,提高小目标的关注度🌟

4、YOLOv8改进策略【小目标改进】| 2024 PPA 并行补丁感知注意模块,提高小目标关注度🌟

5、YOLOv8改进策略【小目标改进】| SPD-Conv 针对小目标和低分辨率图像的检测任务🌟

6、YOLOv8改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLOv1~YOLOv11的检测头变化详解🌟

7、YOLOv8改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失(ATFL)提升对小目标的检测能力🌟

8、YOLOv8改进策略【小目标改进】| Shape-NWD:融合改进,结合Shape-IoU和NWD 更好地适应小目标特性🌟

9、YOLOv8改进策略【小目标改进】| NeurIPS 2023 融合GOLD-YOLO颈部结构,强化小目标检测能力🌟

10、YOLOv8改进策略【小目标改进】| SEAM:分离和增强注意模块,解决复杂场景下的小目标遮挡问题🌟

11、YOLOv8改进策略【小目标改进】| RFEM:感受野增强模块, 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题🌟

12、YOLOv8改进策略【小目标改进】| AdaFocal 自适应聚焦损失 动态γ校准 + 逆focal救欠信 + 小目标梯度增强🌟


🎓独家融合改进 — 达到论文发表要求🎓

1、YOLOv8改进策略【独家融合改进】| AssemFormer + HS-FPN 减少目标尺度变化影响,增加多尺度的学习能力🌟

2、YOLOv8改进策略【独家融合改进】| RepVit+ASF-YOLO,轻量提点,适用专栏内所有的骨干替换🌟

3、YOLOv8改进策略【独家融合改进】| MobileNetV4+BiFPN,轻松实现降参涨点,适用专栏内所有的骨干替换🌟

4、YOLOv8改进策略【独家融合改进】| SPD-Conv+PPA 再次提升模型针对小目标的特征提取能力🌟

5、YOLOv8改进策略【独家融合改进】| Mamba-YOLO+SDI 增强长距离依赖,聚焦目标特征🌟

6、YOLOv8改进策略【独家融合改进】| AFPN渐进式自适应特征金字塔 + 注意力机制,适用专栏内所有的注意力模块🌟

7、YOLOv8改进策略【独家融合改进】| 模型轻量化二次改进:StarNet + FreqFusion,极限降参,适用专栏内所有轻量化模型🌟

8、YOLOv8改进策略【独家融合改进】| U-Net V2 + CCFF,加强跨尺度的上下文特征融合,提高模型特征提取能力🌟

9、YOLOv8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🌟

10、YOLOv8改进策略【独家融合改进】| WTConv + SDI + DyHead🌟

11、YOLOv8改进策略【独家融合改进】| SAFM + SBA + SD Loss🌟


🔗模型剪枝🔗

待续~


🔗模型蒸馏🔗

待续~

YOLOv8改进 | 融合篇,YOLOv8改进主干网络为MobileNetV4+CBAM注意机制+Powerful-IoU损失函数(2024 最新IOU),全网首发,实现极限涨点 本文将在 YOLOv8 主干中引入 MobileNetV4 轻量化骨干,同时,在检测头引入 CBAM机制注意力机制,并采用 Powerful-IoU 损失函数作为模型的损失函数,其中,MobileNetV4 通过引入通用反向瓶颈(UIB)搜索块和 Mobie MQA 注意力模块创新设计,实现了模型的轻量级化;同时,MobileNetV4 采用了优化的 NAS 策略,通过粗粒度和细粒度搜索相结合的方法,显著提高了搜索效率并改善了模型质量。 阅读详情

相关推荐

YOLOv11来了,使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)

YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布, 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进,以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用,使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 28万+

YOLOv10通俗易懂!手把手教大家利用yolov10训练自己的数据集(环境搭建,YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)

YOLOv10入门必看系列!弄懂YOLOv10模型,看这一篇文章就够了,通俗易懂! | 手把手教大家利用yolov10训练自己的数据集(环境搭建,YOLOv10网络结构解读 、yolov10.yaml配置文件详细解读与说明、模型训练参数详细解析)

Ai缝合怪、助力小伙伴高效发论文 3万+

YOLOv11通俗易懂!| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列!

YOLOv11是由Ultralytics公司开发的新一代目标检测算法,它在之前YOLO版本的基础上进行了显著的架构和训练方法改进。整合了改进的模型结构设计增强的特征提取技术和优化的训练方法。真正让YOLO11脱颖而出的是它令人印象深刻的速度准确性和效率的结合,使其成为Ultralytics迄今为止创造的最强大的型号之一。通过改进设计,YOLO11提供了更好的特征提取,这是从图像中识别重要模式和细节的过程,即使在具有挑战性的场景中,也可以更准确地捕捉复杂的方面。

Ai缝合怪、助力小伙伴高效发论文 5万+

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

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

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

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 4216

YOLO11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

YOLOv11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

魔改工程师的博客 4590

2026最新YOLO26改进:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

针对YOLO26模型改进痛点,本专栏整理200+实战验证方法,覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程,代码可直接运行,快速提升模型效果,性价比超高。

魔改工程师的博客 1万+

详解YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署

YOLO(You Only Look Once)系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署,从网络结构的讲解从模型的网络结构讲解到模型的部署都有详细介绍,同时在本专栏中还包括YOLOv8模型系列的改进包括个人提出的创新点,传统卷积、注意力机制、损失函数的修改教程,能够帮助你的论文获得创新点。

Snu77的博客 8万+

Verilog实现SPI通信协议驱动设计

线性序列机实现SPI协议

H19981118的博客 6091

Cadence Allegro PCB文件对比实战:3分钟搞定两份设计差异(附颜色标注技巧)

本文详细介绍了如何高效使用Cadence Allegro的Design Compare功能进行PCB文件差异对比。通过实战工作流,可在3分钟内精准定位并理解两份设计在布局、布线、元件等方面的关键差异,并分享了自定义颜色标注技巧,帮助工程师快速聚焦重要修改,提升设计评审与团队协作效率。

weixin_29248653的博客 387

ARM Memory Compiler实战指南:从参数配置到GDSII生成的全流程解析

本文详细解析了ARM Memory Compiler在SRAM设计中的全流程应用,从基础参数配置到GDSII文件生成。涵盖SRAM类型选择、核心参数配置策略、高级优化技巧及TSMC 28nm工艺下的实战案例,帮助IC设计工程师高效实现存储器模块的优化设计。

game4的博客 426

双三相电机控制避坑指南:为什么你的SVPWM谐波大?四矢量调制实战解析

本文深入解析双三相电机控制中SVPWM谐波大的问题,并提供四矢量调制实战方案。通过分析谐波来源、四矢量调制原理及工程实现步骤,显著降低电流THD至3-5%,提升系统效率2.3个百分点。特别适合需要优化电机控制的工程师参考。

weixin_30645617的博客 398

java modbus通讯协议_Modbus通 讯 协 议

电磁流量计Modbus通 讯 协 议(版本号:9000-K V9.1.1)2020年01月01日通讯协议针对KFD电磁流量计工业应用设计,版本:9000-K V9.1.1,该版本主要用于实时数据采集、流量测量、流量累计控制及部分参数的修改。一、主机系统通讯部件要求1.国际标准RS-485通讯接口部件,不小于11Bytes 的通信缓冲区(FIFO),支持1200、2400、4800、96...

weixin_39956612的博客 1012

TLVR紧耦合电压调节器原理与磁路设计解析

TLVR(紧耦合电压调节器)是一种融合磁路控制与开关电源的新型供电架构,其核心在于将电感从被动滤波元件升维为主动能量调度单元。它基于耦合电感T型等效模型,通过精确调控励磁电感Lm与漏感Lk的协同关系,在死区时间内实现跨相能量再分配,从而突破传统多相BUCK在负载瞬态响应(如dI/dt ≥ 50A/ns)下的带宽瓶颈。该技术显著降低输出纹波、抑制共模噪声,并提升高di/dt场景下的供电稳定性,广泛应用于AI芯片、CPU/GPU核心供电等对阶跃响应要求严苛的高性能计算领域。理解TLVR,本质是重新认识电感的磁路

weixin_30342363的博客 157

华为OD机试双机位C卷-开心消消乐(Py/Java/C/C++/Js/Go)

华为OD机试(机考)双机位C卷 【开心消消乐】,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为od机试 - 开心消消乐。

qq_45776114的博客 1517

Python自动化脚本:模拟鼠标键盘保持电脑在线状态

在计算机自动化领域,模拟用户输入是一项基础且实用的技术,其核心原理是通过程序生成鼠标或键盘事件来与操作系统交互。这项技术的价值在于能够自动化重复性操作,提升工作效率,并解决特定场景下的系统交互问题。PyAutoGUI作为Python生态中广泛使用的自动化库,封装了跨平台的底层API调用,为开发者提供了简洁统一的接口来实现输入模拟。在实际工程实践中,这类技术常应用于自动化测试、远程办公辅助、数据抓取等场景,帮助用户保持系统活跃状态,防止因无操作导致的锁屏或休眠中断任务。通过合理配置移动间隔和随机化模式,可以更

weixin_28713299的博客 580

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

上一篇: YOLOv8改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块,提高小目标关注度
下一篇: YOLOv8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
Limiiiing
博客等级 码龄8年 2万+粉丝 1905原创
评论 29
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