2026年5月4日
YOLOv11 改进 - 损失函数 Shape-IoU形状交并比损失函数：动态调整损失权重增强尺度适应性，优化小目标定位能力
摘要： 本文介绍了聚焦边框自身形状与尺度的边框回归方法Shape-IoU，并将其集成进YOLOv11。现有边框回归方法常忽略边框自身形状与尺度对回归的影响，而该方法通过分析边框回归特性，发现形状与尺度因素会显著影响回归结果。基于此提出Shape-IoU方法，通过聚焦边框自身形状与尺度计算损失，使边框回归更精确。我们将Shape-IoU的代码集成到YOLOv11中。 > **文章目录： [YOLOv11改进 阅读全文
posted @ 2026-05-04 11:48 魔改工程师 阅读(6) 评论(0) 推荐(0)
YOLOv11 改进 - 损失函数 SDloss尺度动态损失：动态平衡尺度与位置损失权重破解多尺度目标检测难题
摘要： 本文介绍了基于尺度的动态损失（SD Loss）在YOLOv11中的结合。现有基于CNN的红外小目标检测方法忽略像素分布空间特性，且现有损失函数未考虑不同尺度目标对损失的敏感度差异。SD Loss包含边界框专用的SDB Loss和掩码专用的SDM Loss，能根据目标尺度动态调整尺度与位置损失的权重。我们将相关代码加入`ultralytics\utils\metrics.py`，在`ultralyt 阅读全文
posted @ 2026-05-04 11:47 魔改工程师 阅读(9) 评论(0) 推荐(0)
YOLOv11 改进 - 基础知识 为什么SPPF比SPP更快？深入解析YOLO中多尺度特征提取的效率优化与代码实现
摘要： 本文为深度学习和目标检测实践者提供了一份关于**SPP（空间金字塔池化）** 及其高效版本**SPPF模块**的详细解析。内容从模块的**设计动机**出发，深入剖析了二者在**多尺度特征提取**方式上的根本区别：SPP采用并行多核池化，而SPPF通过串联小核池化实现近似的感受野，从而**显著提升计算效率**。文章通过清晰的**结构图解**、**感受野计算演示**和**完整的代码分析**，直观展示了 阅读全文
posted @ 2026-05-04 11:45 魔改工程师 阅读(7) 评论(0) 推荐(0)
2026年5月3日
YOLOv11 改进 - 基础知识 YOLOv11核心模块解析：C3k2的工作原理与代码实现详解（初学者指南）
摘要： 本文为深度学习和YOLO系列的初学者提供了一份关于**YOLOv11核心模块C3k2**的详细解析。内容从**基础概念**（如卷积、通道、Bottleneck）讲起，逐步深入到C3k2模块的**两种工作模式**（简单模式c3k=False与复杂模式c3k=True）、**参数配置详解**及其**源码实现**。通过生动的比喻（如将模块比作“工厂生产线”）和清晰的代码注释，帮助读者直观理解C3k2如何 阅读全文
posted @ 2026-05-03 12:00 魔改工程师 阅读(28) 评论(0) 推荐(0)
YOLOv11 改进 - 基础知识 YOLOv11 Conv模块超详细解析：从源码实现到BN SiLU原理（初学者友好版）
摘要： 本文为深度学习和YOLO系列的初学者提供了一份关于**YOLOv11中最基础、最核心的Conv/CBS模块**的详细解析。Conv/CBS模块是YOLOv11网络的“基础积木”，由**Conv2d（卷积层）、BatchNorm2d（批量归一化层）和SiLU（激活函数）** 三部分组成。文章从模块的**源码结构**入手，逐步深入讲解了8个初始化参数的详细含义、各组成部分（卷积、BN、SiLU）的** 阅读全文
posted @ 2026-05-03 11:58 魔改工程师 阅读(12) 评论(0) 推荐(0)
YOLOv11 改进 - 基础知识 C2PSA模块详解：从结构原理、源码实现到模型配置
摘要： 本文对YOLOv11目标检测模型中的核心创新模块——**C2PSA**进行了深入的源码级解析。C2PSA（C2 Position-Sensitive Attention）通过引入**位置敏感注意力机制（PSA）**，有效增强了模型对空间关键信息的捕捉能力，从而提升检测精度，尤其在复杂场景和小目标检测中表现显著。文章详细剖析了C2PSA及其子模块PSABlock、Attention的**完整源码结构 阅读全文
posted @ 2026-05-03 11:57 魔改工程师 阅读(20) 评论(0) 推荐(0)
YOLOv11 改进 - 即插即用 中小目标检测飙升：Hyper 超图赋能YOLO：轻量级设计实现跨层级信息交互，增强复杂场景感知
摘要： 本文介绍了目标检测方法Hyper - YOLO及其核心模块在YOLOv11中的结合应用。为克服传统YOLO模型颈部设计局限，提出超图计算赋能语义收集与散射（HGCSCS）框架，构建超图捕捉高阶相关性；骨干网络引入混合聚合网络（MANet）增强特征提取；颈部采用基于超图的跨层和跨位置表示网络（HyperC2Net），实现多尺度复杂交互。我们将MANet和HyperComputeModule集成进YO 阅读全文
posted @ 2026-05-03 11:55 魔改工程师 阅读(11) 评论(0) 推荐(0)
YOLOv11 改进 - 即插即用 SMFA自调制特征聚合：双分支协同破解特征冗余，增强多尺度目标感知
摘要： 本文介绍了轻量级自调制特征聚合网络SMFANet及其核心模块SMFA在YOLOv11中的结合应用。为解决基于Transformer的图像恢复方法计算开销大、捕获局部细节能力弱的问题，提出SMFA模块，通过EASA分支建模非局部信息，LDE分支捕获局部细节，还提出PCFN精炼特征。我们将SMFA集成进YOLOv11，实验表明，SMFANet系列在重建性能与计算效率上取得更佳平衡，改进后的YOLOv1 阅读全文
posted @ 2026-05-03 11:53 魔改工程师 阅读(7) 评论(0) 推荐(0)
YOLOv11 改进 - 即插即用 RepViTBlock重参数化视觉Transformer块：结构重参数化技术破解训练推理效率瓶颈，实现精度与速度兼得
摘要： 本文介绍了轻量级卷积神经网络RepViT及其核心模块RepViTBlock在YOLOv11中的结合应用。RepViT通过融合轻量级ViTs的高效架构设计，对轻量级CNN进行“现代化”改造，采用结构重参数化技术，其核心的RepViT Block分离Token Mixer和Channel Mixer，提高了空间和通道信息利用效率。我们将RepViTBlock集成进YOLOv11，实验表明，RepViT 阅读全文
posted @ 2026-05-03 11:51 魔改工程师 阅读(7) 评论(0) 推荐(0)
YOLOv11 改进 - 即插即用 PST金字塔稀疏Transformer：粗粒度到细粒度推理优化特征提取，提升复杂场景适应性
摘要： 本文介绍了金字塔稀疏 Transformer（PST）与 YOLOv11 的结合。主流基于注意力的特征融合方法计算复杂度高、实现难度大，作者提出 PST 模块，融合粗到细令牌选择与共享注意力参数机制，在保留空间细节的同时降低计算量。该模块通过层级化注意力机制、动态令牌选择与参数共享，实现高效多尺度特征融合 > **文章目录： [YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Back 阅读全文
posted @ 2026-05-03 11:49 魔改工程师 阅读(4) 评论(0) 推荐(0)
下一页