Limiiiing-CSDN博客

原创 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。🎫。。

2025-08-25 08:29:58 4579 19

原创《多模态融合改进》目录一览 | 专栏介绍：全网第一份完整的多模态改进教程，提供《多模态模型改进完整项目包》-开箱即用

在大家订阅专栏后，便可获得多模态模型改进完整项目包-开箱即用，方便简单

2025-04-15 13:31:46 6867 22

原创 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

2025-03-10 22:00:24 14688 78

原创 YOLO训练/写作脚本目录一览 | 涉及标签格式转换、数据扩充、热力图、感受野、精度曲线、数量统计等近百个脚本文件

在大家购买专栏后，便可获得全部的脚本文件。在获取到文件后，只需按照将程序放在个人项目中即可一键运行。

2024-12-30 16:02:54 2139 2

原创 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

2024-12-24 13:26:10 9089 19

原创 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：2024-12-4。项目介绍在大家购买专栏后，加入学习

2024-12-03 20:39:23 19601 73

原创 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。

2024-10-11 15:10:44 44335 299

原创 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。

2024-10-11 12:33:51 9495 10

原创 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

2024-09-20 15:24:43 3794 2

原创 YOLOv11改进策略【Conv和Transformer】| CVPR 2023：Super Token Attention 超级令牌注意力机制

本文记录的是利用机制优化的目标检测网络模型。传统视觉Transformer的全局自注意力机制虽能捕捉长程依赖，但计算复杂度与令牌数量呈二次关系，资源占用极大；局部注意力或早期卷积虽降低了计算量，却牺牲了全局建模能力，且浅层存在高冗余。借鉴超像素思想，通过稀疏关联学习将视觉令牌聚合为语义紧凑的超令牌，在超令牌空间高效执行自注意力以捕捉全局依赖，再通过令牌上采样映射回原始令牌空间，将复杂的全局注意力分解为稀疏关联图与低维注意力的乘积，实现了高效且有效的全局上下文建模，同时保留局部特征表达能力。Vision Tr

2025-12-16 10:30:32 3

原创【YOLOv13多模态融合改进】| 自研：轻量级融合模块：MM_LAE，适配多模态图像信息融合

减少参数和计算成本：在多尺度特征提取中，相较于传统卷积方法，旨在降低参数数量和计算成本，同时提取具有更丰富语义信息的特征。保留局部信息：传统卷积过程中边缘和角落的像素信息易丢失，而这些局部信息在医学成像中对表示ROI目标和周围区域的隐含信息尤为重要。同时，特征图中相邻像素间存在信息差异，包含目标的像素信息熵高于相邻像素，所以希望在采样过程中保留信息含量高的像素。解决卷积局限性。

2025-12-15 15:28:59 128

原创【YOLOv10多模态融合改进】| 自研：轻量级融合模块：MM_LAE，适配多模态图像信息融合

2025-12-15 15:28:20 88

原创【YOLOv8多模态融合改进】| 自研：轻量级融合模块：MM_LAE，适配多模态图像信息融合

2025-12-13 11:00:00 25

原创【YOLOv13多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进YOLOv13双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与S

2025-12-13 10:30:00 437

原创【RT-DETR多模态融合改进】| 自研：轻量级融合模块：MM_LAE，适配多模态图像信息融合

本文记录的是利用优化多模态目标检测网络模型。完全保留原始LAE的轻量化核心设计，在不增加额外参数与计算成本的前提下，通过多模态独立特征提取与自适应加权融合，既能精准捕捉每种模态的专属语义信息（如可见光细节、红外热轮廓），又能实现跨模态特征协同增强，克服了传统单模态提取与简单融合方法难以兼顾多模态优势、易受模态噪声干扰的问题，并能强化多模态场景下ROI的联合特征表达。的实现代码如下：四、融合步骤5.1 修改一① 在目录下新建文件夹用于存放模块代码② 在文件夹下新建，将第三节中的代码粘贴到此处在文件夹下

2025-12-12 13:42:00 41

原创【YOLOv12多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进YOLOv12双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与S

2025-12-12 13:38:25 256

原创【YOLOv10多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进YOLOv10双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与S

2025-12-12 13:38:09 19

原创【YOLOv8多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进YOLOv8双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与So

2025-12-11 09:08:57 29

原创【RT-DETR多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进RT-DETR双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与S

2025-12-11 09:08:30 216

原创【YOLOv12多模态融合改进】| 自研：轻量级融合模块：MM_LAE，适配多模态图像信息融合

2025-12-10 08:47:41 247

原创 YOLOv12改进策略【卷积层】| DWRSeg ：高效获取多尺度上下文信息，二次改进A2C2f

本文记录的是利用DWR 模块改进 YOLOv12 的特征提取部分。（Dilation-wise Residual）通过两步残差流程（区域残差化-语义残差化）与分支化空洞卷积结合，引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块，通过区域残差化生成简洁区域型特征图以简化融合基础，再通过分支化空洞卷积捕捉多尺度空间上下文，同时依托残差连接保留原始特征信息，对YOLOv12中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰，在特征融合阶段实现多尺度语义与细节信息的高效互补，避免传统多感受野卷积的冗余

2025-12-10 08:45:44 45

原创 RT-DETR改进策略【卷积层】| DWRSeg ：高效获取多尺度上下文信息，涉及resnet18、resnet50、rtdetr-l

本文记录的是利用DWR 模块改进 RT-DETR 的特征提取部分。（Dilation-wise Residual）通过两步残差流程（区域残差化-语义残差化）与分支化空洞卷积结合，引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块，通过区域残差化生成简洁区域型特征图以简化融合基础，再通过分支化空洞卷积捕捉多尺度空间上下文，同时依托残差连接保留原始特征信息，对RT-DETR中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰，在特征融合阶段实现多尺度语义与细节信息的高效互补，避免传统多感受野卷积的冗余

2025-12-09 15:32:21 155

原创 YOLOv10改进策略【卷积层】| DWRSeg ：高效获取多尺度上下文信息，二次改进C2fCIB

本文记录的是利用DWR 模块改进 YOLOv10 的特征提取部分。（Dilation-wise Residual）通过两步残差流程（区域残差化-语义残差化）与分支化空洞卷积结合，引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块，通过区域残差化生成简洁区域型特征图以简化融合基础，再通过分支化空洞卷积捕捉多尺度空间上下文，同时依托残差连接保留原始特征信息，对YOLOv10中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰，在特征融合阶段实现多尺度语义与细节信息的高效互补，避免传统多感受野卷积的冗余

2025-12-09 13:34:58 13

原创 YOLOv11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

本文记录的是利用DWR 模块改进 YOLOv11 的颈部融合部分。（Dilation-wise Residual）通过两步残差流程（区域残差化-语义残差化）与分支化空洞卷积结合，引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块，通过区域残差化生成简洁区域型特征图以简化融合基础，再通过分支化空洞卷积捕捉多尺度空间上下文，同时依托残差连接保留原始特征信息，对YOLOv11中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰，在特征融合阶段实现多尺度语义与细节信息的高效互补，避免传统多感受野卷积的冗余

2025-12-08 16:43:34 241

原创 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

本文记录的是利用DWR 模块改进 YOLOv8 的颈部融合部分。（Dilation-wise Residual）通过两步残差流程（区域残差化-语义残差化）与分支化空洞卷积结合，引导解码器处理特征与跳接特征的多尺度精准融合。本文利用模块，通过区域残差化生成简洁区域型特征图以简化融合基础，再通过分支化空洞卷积捕捉多尺度空间上下文，同时依托残差连接保留原始特征信息，对YOLOv8中不同尺度目标特征进行针对性强化、抑制无效背景特征干扰，在特征融合阶段实现多尺度语义与细节信息的高效互补，避免传统多感受野卷积的冗余计算

2025-12-08 16:31:35 28

原创【YOLOv11多模态融合改进】| 自研轻量级融合模块：MM_LAE，适配多模态图像信息融合

2025-12-05 16:37:34 68

原创【RV1126】YOLOv8分割模型部署（视频检测）

【RV1126】YOLOv8分割模型部署（视频检测结果）

2025-11-30 16:11:39 39

原创【RV1126】YOLOv8分割模型部署（图像检测）

YOLOv8分割项目在中，编译的就是这个文件。需要注意的是，在中的是COCO数据集的类别数80，若是自己训练的权重，需要修改成自己的类别数。

2025-11-30 15:33:57 34

原创【YOLOv11多模态融合改进】| 自研：双模态通道重建与自适应融合单元 DMCRAF Unit，适配多模态图像信息融合

本文提出了一个双模态通道重建与自适应融合单元（DMCRAF Unit），用于改进双模态图像的特征融合部分。（Dual-Modal Channel Reconstruction and Adaptive Fusion Unit）基于CRU，通过分支化差异化提取与自适应注意力融合结合，引导可见光模态特征与红外模态特征的精准融合。其中可见光分支“3×3分组卷积（GWC）+1×1逐点卷积（PWC）”强化细节纹理提取、红外分支“3×3深度卷积（DWC）+特征复用”聚焦目标热轮廓捕捉，同时结合全局池化与Softmax注

2025-11-27 15:50:18 500

原创 YOLOv8的检测、分割、关键点、旋转框的PT转ONNX➡ONNX转RKNN➡RKNN预编译

准备ultralytics_yolov8项目包，准备yolov8检测、分割、关键点、旋转框的pt权重，进入到ultralytics_yolov8目录中，激活转onnx的环境，执行以下命令将pt转成onnx。

2025-11-27 12:49:10 36

原创 YOLOv12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

本文记录的是利用LGAG 模块改进 YOLOv12 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv12中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

2025-11-24 08:42:06 291

原创 rknn_model_zoo中YOLOv8的CMakeLists.txt详解

最终生成 Makefile（Linux）。

2025-11-24 08:37:56 25

原创 YOLOv10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

本文记录的是利用LGAG 模块改进 YOLOv10 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv10中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

2025-11-22 13:28:16 33

原创 Jetson镜像环境配置以及备份与恢复详细步骤

查看 Jetson 设备（如 Xavier NX、AGX Orin、Nano 等）的 L4T（Linux for Tegra）版本，需进入到Jetson 板卡自身的系统中，不是自己的虚拟机。此时需要根据自己的开发板型号下载对应的L4T Driver Package (BSP)以及Sample Root Filesystem。找到与自己版本对应的JetPack版本，进行下载。两个引脚用短接头短接，连接数据线到电脑上，插上模组后接通电源。两个引脚用短接头短接，连接数据线到电脑上，插上模组后接通电源。

2025-11-22 08:36:35 373

原创 YOLOv13改进策略【特征提取层】| DWRSeg ：高效获取多尺度上下文信息，二次改进DSC3k2

本文记录的是利用LGAG 模块改进 YOLOv13 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv13中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

2025-11-21 15:00:50 222

原创 YOLOv11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

本文记录的是利用LGAG 模块改进 YOLOv11 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv11中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

2025-11-21 15:00:34 318

原创 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

本文记录的是利用LGAG 模块改进 YOLOv8 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv8中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效率。

2025-11-20 12:50:16 46

原创 RT-DETR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

本文记录的是利用LGAG 模块改进 RT-DETR 的颈部融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv10中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效

2025-11-20 12:42:05 288

原创【YOLOv10多模态融合改进】| 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

本文记录的是利用LGAG模块改进 YOLOv10 的特征融合部分。（Large-kernel Grouped Attention Gate）通过3×3分组卷积与注意力机制结合，引导解码器处理特征与跳接特征的精准融合。本文利用模块，通过3×3分组卷积扩大感受野以捕捉更广泛局部空间上下文，同时结合注意力机制生成自适应注意力系数，对YOLOv10中关键目标特征赋予高激活值、抑制冗余背景特征，在特征融合阶段实现全局语义与局部细节的高效结合，减少计算成本的同时提升特征表达能力，增强模型对复杂场景下目标的检测精度与效率

2025-11-19 16:41:15 49

原创【YOLOv8部署至RV1126】PT转ONNX、ONNX转RKNN、RKNN预编译

本文用于部署过程中的模型转换，使用的是的检测模型。

2025-11-17 16:48:04 596

指数加权移动平均平滑-Python实现

EWMA赋予每个数据点的权重随时间呈指数式递减，即越靠近当前时刻的数据点权重越大。权重分配是通过一个平滑系数α来实现的。该系数决定了近期数据相对于历史数据的权重比例。较大的α值意味着当前数据点的权重更大，平滑效果更灵敏于近期的变化；而较小的α值则使得平滑结果更加平滑，但可能会引入一定的滞后性。 ———————————————— 版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。原文链接：https://blog.csdn.net/qq_42591591/article/details/140851940

2024-10-24

YOLO v10 s模型的导出文件

2024-10-24

YOLO v10 L模型的导出文件

2024-10-24

高斯滤波-Python实现

高斯滤波计算滤波窗口内各点相对于中心点的权重。权重分配的原则是：距离中心点越近的点权重越大，距离越远的点权重越小。这样，通过对窗口内各点进行加权平均，可以实现数据的平滑处理。

2024-10-24

Savitzky-Golay滤波-Python实现

选择滤波窗口：首先选择一个合适大小的滑动窗口，这个窗口在数据上滑动，对窗口内的数据进行处理。多项式拟合：在每个滑动窗口内，使用多项式函数对数据进行最小二乘法拟合。多项式的阶数和窗口大小可以根据数据的特性进行调整，以达到最佳的滤波效果。计算拟合值：根据拟合得到的多项式函数，计算窗口中心点的估计值，作为滤波后的结果。这个估计值反映了窗口内数据的局部趋势，从而实现了数据的平滑。

2024-10-24

中值滤波算法-Python实现

中值滤波是将窗口内的均值换成中值，进行滤波处理

2024-10-24

移动平均平滑算法-Python实现

移动平均平滑是基于平均值的概念，通过计算序列中每个数据点周围的一定数量的数据点的平均值，来平滑时间序列中的噪声和波动，从而更清晰地观察序列的趋势和周期性。

2024-10-24

卡尔曼滤波算法-Python实现

2024-10-24

yolov10m导出的模型文件

2024-10-24

YOLOv10b的.onnx文件

YOLO v10模型导出文件

2024-10-24

RT-DETR官方最新源码资源

YOLO 系列由于在速度和准确性之间进行了合理的权衡，已成为最流行的实时目标检测框架。然而，我们观察到 YOLO 的速度和准确性会受到非极大值抑制（NMS）的负面影响。最近，基于端到端 Transformer 的检测器（DETRs）为消除 NMS 提供了一种替代方案。尽管如此，高计算成本限制了它们的实用性，并阻碍了它们充分发挥排除 NMS 的优势。在本文中，我们提出了实时检测 Transformer（RT-DETR），据我们所知，这是第一个解决上述困境的实时端到端目标检测器。我们分两步构建 RT-DETR，借鉴先进的 DETR：首先我们专注于在提高速度的同时保持准确性，然后在保持速度的同时提高准确性。具体来说，我们设计了一个高效的混合编码器，通过解耦尺度内交互和跨尺度融合来快速处理多尺度特征，从而提高速度。然后，我们提出最小不确定性查询选择，为解码器提供高质量的初始查询，从而提高准确性。

2024-10-24

小波卷积论文：Wavelet Convolutions for Large Receptive Fields

小波卷积（Wavelet Convolutions）是一种在卷积神经网络（Convolutional Neural Networks, CNNs）中用于增加感受野（Receptive Field）同时避免过度参数化的方法。 WT 是一种时频分析工具，本文采用 Haar WT，它可以在保留一定空间分辨率的情况下对信号进行分解。通过将 WT 与卷积操作相结合，提出了 WTConv 层。小波卷积首先对输入进行小波变换，将其分解为不同频率的子带，如通过与特定的卷积核进行深度可分离卷积实现一级 Haar WT，得到低频分量和多个高频分量。然后在不同的频率子带上进行小卷积核的卷积操作，这些小卷积核可以在更大的原始输入区域上操作，从而增加感受野。最后通过逆小波变换（IWT）将处理后的频率子带组合起来得到输出。

2024-10-24

TA关注的人

指数加权移动平均平滑-Python实现

YOLO v10 s模型的导出文件

YOLO v10 L模型的导出文件

高斯滤波-Python实现

Savitzky-Golay滤波-Python实现

中值滤波算法-Python实现

移动平均平滑算法-Python实现

卡尔曼滤波算法-Python实现

yolov10m导出的模型文件

YOLOv10b的.onnx文件

RT-DETR官方最新源码资源

小波卷积论文：Wavelet Convolutions for Large Receptive Fields

社团管理系统

基于java的社团信息管理系统

模型的剪枝和蒸馏，实现方法和步骤