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

YOLO26改进专栏
该专栏为热销专栏榜 第7名
专栏收录该内容
¥99.90
¥299.90
222 篇文章

必读内容📖

船新的YOLO26改进专栏🚢~,总结历专栏优势,更具创新性!

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YOLO26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2-3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:2026-9-6。

所提及的方法同样适用于YOLO26的分类、检测、OBB、分割和姿态估计等任务,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

在这里插入图片描述


YOLO26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:YOLO26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:8.4.2

🎓— 基础篇— 🎓

1、目标检测:YOLO26训练自己的数据集,从代码下载到实例测试 (含YOLO26网络结构图)

2、语义分割:YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26改进基础篇 | 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制

9、YOLO26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🌟

10、深入解析 YOLO26 项目包中的文件结构和各文件作用🌟

11、详解YOLO26中的C3k2和SPPF的结构相较于YOLO11的区别🌟

12、【论文翻译】YOLO26: KEY ARCHITECTURAL ENHANCEMENTS AND PERFORMANCE BENCHMARKING FOR REAL-TIME OBJECT DETEC🌟


📊论文写作 — 丰富工作量📊

1、论文必备 - YOLO26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YOLO26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 - YOLO26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 - YOLO26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🌟

5、论文必备 - YOLO26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🌟

6、论文必备 - YOLO26一键输出FPS、层数、参数量、计算量、模型大小、推理延时🌟

7、论文必备 - YOLO26热力图可视化,支持指定模型,指定显示层,设置置信度,以及9种可视化实现方式🌟


📈卷积层 — 特征提取📈

1、YOLO26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🌟

2、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化C3k2🌟

7、YOLO26改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积,改进C3k2🌟

8、YOLO26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、YOLO26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、YOLO26改进策略【卷积层】| SAConv 可切换的空洞卷积 二次创新C3k2

11、YOLO26改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对C3k2进行二次创新🌟

12、YOLO26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、YOLO26改进策略【卷积层】| NeurIPS-2022 ParNet 即插即用模块 二次创新C3k2

14、YOLO26改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合C3k2进行二次创新,提高精度🌟

15、YOLO26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yolov11精度提升🌟

16、YOLO26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、YOLO26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C3k2🌟

18、YOLO26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C3k2

19、YOLO26改进策略【卷积层】| ECCV-2024 小波卷积 增大感受野,降低参数量计算量,独家创新助力涨点🌟

20、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【卷积层】| AAAI 2025 FBRT-YOLO 应用YOLOv11 加强跨层特征融合能力与多尺度适应性,并二次改进C3k2🌟

25、YOLO26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、YOLO26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

27、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【卷积层】| DWRSeg :高效获取多尺度上下文信息,二次改进C3k2🌟

31、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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

2、YOLO26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🌟

3、在YOLO26的项目包中配置并运行TPAMI 2025的Hyper-YOLO模型🌟

4、YOLO26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🌟

5、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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🌟

11、YOLO26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、YOLO26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)🌟

13、YOLO26改进策略【Backbone/主干网络】|替换HGNetV2骨干,包含RT-DETR中的l、x模型🌟

14、YOLO26改进策略【Backbone/主干网络】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构🌟

15、YOLO26改进策略【Backbone/主干网络】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型🌟


🍀%100轻量化 — 加速推理🍀

1、YOLO26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、YOLO26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、YOLO26改进策略【模型轻量化】| FasterNet: CVPR-2023 高效快速的部分卷积块🌟

4、YOLO26改进策略【模型轻量化】| VanillaNet:华为的极简主义骨干网络🌟

5、YOLO26改进策略【模型轻量化】| MoblieOne:改进的1毫秒移动主干网,引入结构重参数化,提高模型检测效率🌟

6、YOLO26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、YOLO26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、YOLO26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、YOLO26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🌟

10、YOLO26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

11、YOLO26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🌟

12、YOLO26改进策略【模型轻量化】| MoblieNetV2:线性瓶颈,倒置残差,含模型详解和完整配置步骤🌟

13、YOLO26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、YOLO26改进策略【模型轻量化】| PP-LCNet:轻量级的CPU卷积神经网络

15、YOLO26改进策略【模型轻量化】| EfficientNet v1 :高效的移动倒置瓶颈结构🌟

16、YOLO26改进策略【模型轻量化】| EfficientNet v2:加速训练,快速收敛🌟

17、YOLO26改进策略【模型轻量化】| MoblieNetV1:用于移动视觉应用的高效卷积神经网络🌟


🔥Conv和Transformer — 发文热点🔥

1、YOLO26改进策略【Conv和Transformer】| ICLR 2025 ToST 统计学驱动线性注意力!二阶矩统计 + 白盒设计,重构高效自注意力🌟

2、YOLO26改进策略【Conv和Transformer】| CVPR 2023:Super Token Attention 超级令牌注意力机制🌟

3、YOLO26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🌟

4、YOLO26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、YOLO26改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力🌟

6、YOLO26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、YOLO26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C3k2)

8、YOLO26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、YOLO26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C2PSA)🌟

10、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【Conv和Transformer】| 引入CVPR-2024 RepViT 轻量级的Vision Transformers模块 RepViTBlock🌟

14、YOLO26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、YOLO26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C3k2🌟

16、YOLO26改进策略【Conv和Transformer】| CVPR-2023 BiFormer 稀疏自注意力,减少内存占用🌟

17、YOLO26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🌟

18、YOLO26改进策略【Conv和Transformer】| CVPR-2021 Bottleneck Transformers 简单且高效的自注意力模块

19、YOLO26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🌟

20、YOLO26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🌟

21、YOLO26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🌟

22、YOLO26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、YOLO26改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-T !!! 最新的发文热点🌟

2、YOLO26改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-B !!! 最新的发文热点🌟

3、YOLO26改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-L !!! 最新的发文热点🌟

4、YOLO26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、YOLO26改进策略【YOLO和Mamba】| CVPR 2025 替换骨干为MambaOut,去除冗余结构,挖掘视觉Mamba潜力🌟

6、YOLO26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🌟

7、YOLO26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🌟


📈注意力机制篇 — 发文必备📈

1、YOLO26改进策略【注意力机制篇】| CVPR 2024 CGLU 卷积门控通道注意力 双分支结构 + 卷积增强门控的通道混合器,提升局部建模与鲁棒性🌟

2、YOLO26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、YOLO26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)

4、YOLO26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

5、YOLO26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🌟

6、YOLO26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 二次创新C3k2🌟

7、YOLO26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🌟

8、YOLO26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

9、YOLO26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

10、YOLO26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🌟

11、YOLO26改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制🌟

12、YOLO26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

13、YOLO26改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 融合通道、空间、局部和全局信息的新型注意力

14、YOLO26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C2PSA二次创新🌟)

15、YOLO26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🌟

16、YOLO26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

17、YOLO26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🌟

18、YOLO26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🌟

19、YOLO26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🌟

20、YOLO26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C2PSA、C3k2🌟

21、YOLO26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🌟

22、YOLO26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🌟

23、YOLO26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C3k2二次创新)🌟

24、YOLO26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、YOLO26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🌟

26、YOLO26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、YOLO26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

2、YOLO26改进策略【SPPF】| SimSPPF,简化设计,提高计算效率

3、YOLO26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、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🌟

5、YOLO26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、YOLO26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🌟

2、YOLO26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🌟

3、YOLO26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、YOLO26改进策略【Neck】| 使用CARAFE轻量级通用上采样算子

5、YOLO26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、YOLO26改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v11颈部网络🌟

7、YOLO26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、YOLO26改进策略【Neck】| 有效且轻量的动态上采样算子:DySample

9、YOLO26改进策略【Neck】| ArXiv 2023,基于U - Net v2中的的高效特征融合模块:SDI🌟

10、YOLO26改进策略【Neck】| PRCV 2023,SBA: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🌟

11、YOLO26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🌟

12、YOLO26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🌟

13、YOLO26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🌟

14、YOLO26改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构,强化小目标检测能力🌟

15、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【Neck】| 替换颈部结构为TPAMI 2025的Hyper-YOLO🌟

19、YOLO26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🌟

20、YOLO26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🌟

21、YOLO26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🌟

22、YOLO26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🌟

23、YOLO26改进策略【Neck】| 适用关键点检测: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🌟

24、YOLO26改进策略【Neck】| 关键点检测: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🌟

25、YOLO26改进策略【Neck】| 关键点检测: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🌟

26、YOLO26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🌟

27、YOLO26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🌟

28、YOLO26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🌟

29、YOLO26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🌟

30、YOLO26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🌟

31、YOLO26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🌟

32、YOLO26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🌟

33、YOLO26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🌟

34、YOLO26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🌟

35、YOLO26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🌟

36、YOLO26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、YOLO26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🌟

2、YOLO26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🌟

3、YOLO26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🌟

4、YOLO26改进策略【Head/分割头】| (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🌟

5、YOLO26改进策略【Head/分割头】| (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🌟

6、YOLO26改进策略【Head/分割头】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进分割头, 优化模型(独家改进)🌟

7、YOLO26改进策略【Head】| 引入RT-DETR中的RTDETRDecoder,替换检测头🌟

8、YOLO26改进策略【Head】| 增加针对 大目标 的检测层 (四个检测头)🌟

9、YOLO26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)🌟

10、YOLO26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🌟

11、YOLO26改进策略【Head/分割头】| (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🌟


🚀损失函数篇🚀

1、YOLO26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🌟

2、YOLO26改进策略【损失函数篇】| Shape-NWD:融合改进,结合Shape-IoU和NWD 更好地适应小目标特性🌟

3、YOLO26改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU6

4、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【损失函数篇】| NWD损失函数,提高小目标检测精度🌟

8、YOLO26改进策略【损失函数篇】| 2024-TOP 自适应阈值焦点损失(ATFL)提升对小目标的检测能力🌟

9、YOLO26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、YOLO26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、YOLO26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、YOLO26改进策略【损失函数篇】| 利用MPDIoU,加强边界框回归的准确性

13、YOLO26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🌟

14、YOLO26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、YOLO26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、YOLO26改进策略【小目标改进】| NWD损失函数,提高小目标检测精度🌟

3、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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、YOLO26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🌟

11、YOLO62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🌟

12、YOLO26改进策略【小目标改进】| 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🌟

13、YOLO26改进策略【小目标改进】| 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🌟

14、YOLO26改进策略【小目标改进】| 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🌟

15、YOLO26改进策略【小目标改进】| 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🌟

16、YOLO26改进策略【小目标改进】| 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🌟

17、YOLO26改进策略【小目标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🌟


🎓独家融合改进 — 达到论文发表要求🎓

1、YOLO26改进策略【多YAML融合】| LEGM + SBA + RTDETRDecoder🌟

2、YOLO26改进策略【多YAML融合】| UNetV2 + BiFormer + WIoU🌟

3、YOLO26改进策略【多YAML融合】| HWD + PConv + Detect_MBConv🌟

4、YOLO26改进策略【多YAML融合】| StarNet + SDI + SDLoss🌟

5、YOLO26改进策略【多YAML融合】| DynamicTanh + SDI + PPA Detect🌟

6、YOLO26改进策略【独家融合改进】| VM-UNet + PSFM + DySample🌟

7、YOLO26改进策略【多YAML融合】| UNetV2 + BiFormer + WIoU🌟

8、YOLO26改进策略【多YAML融合】| CAFMAttention + CGDown + Conv2Former🌟

9、YOLO26改进策略【多YAML融合】| RCSOSA + SPD + WFU🌟

10、YOLO26改进策略【多YAML融合】| EfficientViM + SHSA + CSFCN🌟

YOLO26创新改进 | 全网独家,注意力创新改进篇 | AAAI 2025 | 引入DTAB和GCSA创新点,通过重新设计通道和空间自注意力机制,助力YOLO26有效涨点(附完整代码+真实应用案例) 独家首发:基于AAAI 2025顶会“高效注意力机制”研究热点,全网独家提出DTAB+GCSA双注意力创新方案,针对YOLO26原生注意力缺陷,重新设计通道与空间自注意力机制,突破传统注意力的局限;双模块协同创新:DTAB模块解决通道注意力交互不足的问题,GCSA模块解决空间注意力定位不准的问题,两大模块协同工作,实现“通道-空间”双维度特征增强,涨点效果远超传统注意力(SE、CBAM); 329 阅读·0 点赞·2 收藏 阅读详情

相关推荐

YOLO26涨点改进 | 全网独家创新,注意力改进篇 | ICCV 2025 | 引入ConvAttn卷积化注意力,以更轻量的方式模拟自注意力的效果,助力目标检测、图像分割、关键点检测有效涨点

YOLO26作为Ultralytics框架推出的新一代轻量化通用模型,凭借高效的特征提取架构和均衡的速度-精度表现,快速成为目标检测、图像分割、关键点检测三大任务的主流基准模型。但在实际工程场景中,原生YOLO26仍面临核心痛点:传统自注意力机制(如Transformer-based Attention)虽能提升特征关联性,但计算复杂度高、参数量大,难以适配边缘设备部署;而轻量化注意力(如SE、CBAM)则存在特征捕获不全面、跨任务适配性差的问题,导致三大任务难以同步涨点。

qq_36130719的博客 395

YOLO26涨点改进 | 独家主干改进篇 | CVPR 2024 | YOLO26利用InceptionNeXt主干,将大核深度卷积分解为四个并行分支,在提升性能的同时显著降低计算效率

本文聚焦YOLO26的核心涨点改进——基于CVPR 2024收录的InceptionNeXt主干网络,深度拆解了其“大核深度卷积四分支拆解”的核心逻辑,通过实验验证了改进的有效性,同时提供了可快速复现的工程代码与进一步涨点的思路。

qq_36130719的博客 583

YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构

本文记录的是基于RepVit的YOLOv11轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念,通过分离的token mixe和减少推理时的计算和内存成本,同时减少扩展比率并增加宽度,降低延迟,并通过来弥补参数大幅减少的问题,提高了准确性。本文在替换骨干网络中配置了原论文中的和五种模型,以满足不同的需求。

Limiiiing的博客 2980

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+

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

RT-DETR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。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:2024-12-4。项目介绍在大家购买专栏后,加入学习

Limiiiing的博客 2万+

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+

YOLO26一文弄懂 | YOLO26内容详解、网络结构解读 、yolo26.yaml配置文件详细解读与说明、YOLO26虚拟环境安装、模型训练、验证、推理参数详细解析 | 通俗易懂!入门必看系列!

YOLO26目标检测模型创新与应用指南 本文全面介绍了YOLO26目标检测模型的创新特性、网络结构及实践应用。YOLO26基于四大核心原则设计:简洁性(移除NMS后处理)、部署效率(端到端架构)、训练创新(MuSGD优化器)和任务优化(支持多种视觉任务)。模型包含五种尺寸规格,CPU推理速度提升43%,支持目标检测、实例分割、姿态估计等任务。 文章详细解析了YOLO26的网络结构(Backbone-Neck-Head三部分)和yaml配置文件,提供了从虚拟环境配置到模型训练、验证、推理的完整教程。

Ai缝合怪、助力小伙伴高效发论文 2万+

《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 魔术师专栏|全网独家首发!2026 原创级创新赋能 CV 全场景

基于 YOLO26 核心架构迭代,融合原创自研、2026 AAAI/CVPR/ICCV 顶会前沿成果,打造更高效、更灵活、更具创新性的计算机视觉解决方案!

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; 4416

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

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

强化学习_06_pytorch-TD3实践(BipedalWalkerHardcore-v3)

DDPG的critic会高估, 从而导致actor策略失败。TD3是增加了三个关键技巧优化DDPG。经过优化后的TD3(Twin Dalayed DDPG 双延迟深度确定性策略梯度算法)适合于具有高维连续动作空间的任务。

RL小站 2693

TMS320F280049C 学习笔记4 Led_ex1_blinky 初始化函数及系统时钟

承接上一篇学习笔记,这次开始实际运行例程。本文概述了280049C的第一个实验 Led灯闪烁。同时也总结了系统的初始化函数和时钟配置。

whyorwhnt的专栏 7036

2023年数学建模国赛三大赛题核心建模思路与实战代码全解

本文全面解析2023年数学建模国赛三大赛题的核心建模思路与实战代码,涵盖塔式太阳能光热发电系统优化、多波束测深系统动态规划及蔬菜商品化策略建模。通过Python代码示例和优化算法(如遗传算法、NSGA2)展示,帮助参赛者掌握数学建模的关键技术与实战技巧,提升竞赛成绩。

weixin_33713350的博客 337

工业级以太网通信实战:用FPGA驱动YT8531 PHY芯片的完整避坑指南

本文是一份针对工业级以太网通信的实战指南,详细讲解了如何使用FPGA驱动YT8531 PHY芯片。内容涵盖从硬件设计(电源、时钟、复位)到MDIO接口驱动开发、PHY配置与链路管理的全流程,并重点剖析了十个常见的开发“陷阱”及其解决方案,旨在帮助工程师在复杂的工业环境中实现稳定可靠的以太网通信连接。

weixin_29191669的博客 149

Footprint Expert Pro与Allegro协同设计:高效封装库创建实战

本文详细介绍了如何利用Footprint Expert Pro与Allegro协同设计高效创建PCB封装库。通过版本匹配、环境配置、参数输入技巧和导出优化等实战经验,帮助工程师快速生成符合IPC标准的封装,显著提升工作效率,特别适用于BGA、QFN等复杂封装设计。

weixin_29278805的博客 189

MISRA C 详解 · 专栏06:2023 与 2025 更新总览(相对 2012 的差异)

本专栏 01~05 篇基于(143 规则 + 16 指令)。这六年间标准又前进了两步——(大改)和(微调)。本文补充说明「相对 2012,标准变在哪」,并给出新增规范的代表性示例。

XavierKong的博客 84

(3dnr)多帧视频图像去噪 (一)

视频图像去噪主要利用相邻帧间内容相似性,通过时域帧平均降低随机噪声。为避免运动物体产生"拖尾"现象,可采用运动自适应或运动补偿时域滤波方法。前者根据运动强度动态调整滤波系数,后者通过运动补偿使参考帧更接近当前帧。运动补偿方法虽能更好处理运动区域,但计算复杂度高且对快速运动场景效果有限。相比之下,运动自适应方法在实时视频处理中更具优势,能平衡去噪效果与硬件资源消耗。两种方法可根据场景动态切换以获得最佳去噪效果。

大熊 1876

❤️爆肝十二万字《python从零到精通教程》,从零教你变大佬❤️(建议收藏)

文章目录强烈推荐系列教程,建议学起来!!一.pycharm下载安装二.python下载安装三.pycharm上配置python四.配置镜像源让你下载嗖嗖的快4.1pycharm内部配置4.2手动添加镜像源4.3永久配置镜像源五.插件安装(比如汉化?)5.1自动补码神器第一款5.2汉化pycharm5.3其它插件六.美女背景七.自定义脚本开头八、这个前言一定要看九、python入门十、python缩进十一、Python注释1.单行注释2.多行注释十二、Python 变量1.变量定义理解2. 变量名命名3. 分

全栈川川 26万+

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.

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: YOLO26改进策略【Neck】| 替换颈部结构为TPAMI 2025的Hyper-YOLO
下一篇: YOLO26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
Limiiiing
博客等级 码龄8年 2万+粉丝 1905原创
评论 32
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