专栏介绍
专栏内容与亮点
历史与前沿兼顾：我们不仅关注最新的研究成果，还会持续更新和回顾那些经过实践验证的改进机制。
多方位网络改进：注意力机制替换、卷积优化、检测头创新、损失与IOU优化、block优化与多层特征融合、轻量级网络设计等改进思路，帮助您实现全方位的创新。
创新点代码：每篇文章都附带详细的步骤和源码，便于您的论文写作和项目实现。
高频更新：每周发布3-10篇最新创新机制文章，确保时刻掌握前沿内容。
实习与就业指导：未来我们还将发布与YOLO相关的工作内容，解答面试中可能涉及的问题，助您在图像算法工程师的道路上更进一步。
适用场景与任务
专栏内容适用于各种场景，包括但不限于：
- 红外成像
- 小目标检测
- 工业缺陷检测
- 医学影像
- 遥感目标检测
- 低对比度场景
任务覆盖范围：
- 检测
- 分割
- 姿态估计
分类
入门必会知识点
实战小项目
| 标题 | 链接 |
|---|---|
| 使用 YOLOv8 和 Python、OpenCV 实现行人检测 | |
| 如何使用 YOLOv9 进行对象检测 | https://blog.csdn.net/shangyanaf/article/details/136757338 |
| YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练 | https://blog.csdn.net/shangyanaf/article/details/138284645 |
| 使用Yolov8和OpenCV计算视频中手扶梯上的人数 | https://blog.csdn.net/shangyanaf/article/details/134430259 |
| 使用YOLOV5实现视频中的车辆计数 | https://blog.csdn.net/shangyanaf/article/details/134877969 |
| YOLO结合PySimpleGUI 构建实时目标检测软件！SoEasy！ | https://blog.csdn.net/shangyanaf/article/details/135285799 |
YOLO创新改进
| 序号 | 标题 | 链接 | ||
|---|---|---|---|---|
| 1 | 【YOLOv8改进 】 AKConv(可改变核卷积)：任意数量的参数和任意采样形状的即插即用的卷积 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135661842 | CONV | |
| 2 | 【YOLOv8改进】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135668961 | CONV | |
| 3 | 【YOLOv8改进】SCConv ：即插即用的空间和通道重建卷积 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135742727 | CONV | |
| 4 | 【YOLOv8改进】RFAConv：感受野注意力卷积，创新空间注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135815075 | CONV | |
| 5 | 【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135867187 | 主干 | |
| 6 | 【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135904930 | 损失函数 | |
| 7 | 【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135927712 | 损失函数 | |
| 8 | 【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135948703 | 损失函数 | |
| 9 | 【YOLOv8改进】BiFPN：加权双向特征金字塔网络 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136021981 | 特征融合 | |
| 10 | 【YOLOv8改进】 AFPN ：渐进特征金字塔网络 (论文笔记+引入代码).md | https://blog.csdn.net/shangyanaf/article/details/136025499 | 特征融合 | |
| 11 | 【YOLOv8改进】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小对象问题 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136051327 | CONV | |
| 12 | 【YOLOv8改进】MSCA: 多尺度卷积注意力 (论文笔记+引入代码).md | https://blog.csdn.net/shangyanaf/article/details/136057088 | 注意力 | |
| 13 | 【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码).md | https://blog.csdn.net/shangyanaf/article/details/136151800 | 主干 | |
| 14 | 【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136170972 | 主干 | |
| 15 | 【YOLOv8改进】MCA：用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136205065 | 注意力 | |
| 16 | 【YOLOv8改进】 MSDA：多尺度空洞注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136215149 | 注意力 | |
| 17 | 【YOLOv8改进】iRMB： 倒置残差移动块 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136658166 | 注意力机制 | |
| 18 | 【YOLOv8改进】CoordAttention： 用于移动端的高效坐标注意力机制 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136824282 | 注意力机制 | |
| 19 | 【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136891204 | 主干 | |
| 20 | 【YOLOv8改进】MobileViT 更换主干网络： 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136962297 | 主干 | |
| 21 | 【YOLOv8改进】MSBlock : 分层特征融合策略 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/137029177 | CONV | |
| 22 | 【YOLOv8改进】Polarized Self-Attention: 极化自注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/137295765 | 注意力机制 | |
| 23 | 【YOLOv8改进】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/137614259 | 注意力机制 | |
| 24 | 【YOLOv8改进】Explicit Visual Center: 中心化特征金字塔模块(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/137645622 | 特征融合篇 | |
| 25 | 【YOLOv8改进】Non-Local：基于非局部均值去噪滤波的自注意力模型 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139105131 | 注意力机制 | |
| 26 | 【YOLOv8改进】STA(Super Token Attention) 超级令牌注意力机制 (论文笔记+引入代码)) | https://blog.csdn.net/shangyanaf/article/details/139113660 | 注意力机制 | |
| 27 | 【YOLOv8改进】HAT(Hybrid Attention Transformer,)混合注意力机制 (论文笔记+引入代码)) | https://blog.csdn.net/shangyanaf/article/details/139142532 | 注意力机制 | |
| 28 | 【YOLOv8改进】ACmix(Mixed Self-Attention and Convolution) (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139167656 | 混合卷积注意力机制 | |
| 29 | 【YOLOv8改进】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139160226 | 注意力机制 | |
| 30 | 【YOLOv8改进】CPCA(Channel prior convolutional attention)中的通道注意力,增强特征表征能力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139186904 | 注意力机制 | |
| 31 | 【YOLOv8改进】DAT（Deformable Attention）：可变性注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139193465 | 注意力机制 | |
| 32 | 【YOLOv8改进】D-LKA Attention：可变形大核注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139212227 | 注意力机制 | |
| 33 | 【YOLOv8改进】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139249202 | 注意力机制 | |
| 34 | 【YOLOv8改进】CoTAttention:上下文转换器注意力(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139261641 | 注意力机制 | |
| 35 | 【YOLOv8改进】MLCA(Mixed local channel attention):混合局部通道注意力(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139279527 | 注意力机制 | |
| 36 | 【YOLOv8改进】CAFM(Convolution and Attention Fusion Module):卷积和注意力融合模块 | https://blog.csdn.net/shangyanaf/article/details/139305822 | 混合卷积注意力机制 | |
| 37 | 【YOLOv8改进】MSFN(Multi-Scale Feed-Forward Network):多尺度前馈网络 | https://blog.csdn.net/shangyanaf/article/details/139306250 | 其他 | |
| 38 | 【YOLOv8改进】BRA(bi-level routing attention ):双层路由注意力(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/139307690 | 注意力机制 | |
| 39 | 【YOLOv8改进】 ODConv(Omni-Dimensional Dynamic Convolution)：全维度动态卷积 | https://blog.csdn.net/shangyanaf/article/details/139389091 | CONV | |
| 40 | 【YOLOv8改进】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积 | https://blog.csdn.net/shangyanaf/article/details/139393928 | CONV | |
| 41 | 【YOLOv8改进】 ParameterNet：DynamicConv(Dynamic Convolution)：2024最新动态卷积 | https://blog.csdn.net/shangyanaf/article/details/139395420 | CONV | |
| 42 | 【YOLOv8改进】 RFB (Receptive Field Block)：多分支卷积块 | https://blog.csdn.net/shangyanaf/article/details/139431807 | CONV | |
| 43 | 【YOLOv8改进】 OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化 | https://blog.csdn.net/shangyanaf/article/details/139465775 | CONV | |
| 44 | 【YOLOv8改进】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核 | https://blog.csdn.net/shangyanaf/article/details/139477420 | CONV | |
| 45 | 【YOLOv8改进】SlideLoss损失函数，解决样本不平衡问题 | https://blog.csdn.net/shangyanaf/article/details/139483941 | 损失函数 | |
| 46 | 【YOLOv8改进】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数 | https://blog.csdn.net/shangyanaf/article/details/139509783 | 损失函数 | |
| 47 | 【YOLOv8改进】YOLOv8 更换损失函数之 SIoU EIoU WIoU Focal*IoU CIoU DIoU ShapeIoU MPDIou | https://blog.csdn.net/shangyanaf/article/details/139512620 | 损失函数 | |
| 48 | 【YOLOv8改进 - Backbone主干】EfficientRep：一种旨在提高硬件效率的RepVGG风格卷积神经网络架构 | https://blog.csdn.net/shangyanaf/article/details/139558834 | Backbone | |
| 49 | 【YOLOv8改进 - 注意力机制】SENetV2: 用于通道和全局表示的聚合稠密层，结合SE模块和密集层来增强特征表示 | https://blog.csdn.net/shangyanaf/article/details/139610187 | 注意力机制 | |
| 50 | 【YOLOv8改进 - Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。 | https://blog.csdn.net/shangyanaf/article/details/139639091 | 主干 | |
| 51 | 【YOLOv8改进 - 注意力机制】Sea_Attention: Squeeze-enhanced Axial Attention,结合全局语义提取和局部细节增强 | https://blog.csdn.net/shangyanaf/article/details/139652325 | 注意力机制 | |
| 52 | 【YOLOv8改进 - Backbone主干】ShuffleNet V2：卷积神经网络（CNN）架构 | https://blog.csdn.net/shangyanaf/article/details/139655578 | 主干 | |
| 53 | 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数 | https://blog.csdn.net/shangyanaf/article/details/139664922 | 主干 | |
| 54 | 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干 | https://blog.csdn.net/shangyanaf/article/details/139665923 | 主干 | |
| 55 | 【YOLOv8改进 - Backbone主干】清华大学CloFormer AttnConv ：利用共享权重和上下文感知权重增强局部感知，注意力机制与卷积的完美融合 | https://blog.csdn.net/shangyanaf/article/details/139824105 | 主干 | |
| 56 | 【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合 | https://blog.csdn.net/shangyanaf/article/details/139826529 | 特征融合 | |
| 57 | 【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络 | https://blog.csdn.net/shangyanaf/article/details/139863259 | 特征融合NECK | |
| 58 | 【YOLOv8改进 - 特征融合NECK】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数 | https://blog.csdn.net/shangyanaf/article/details/139877859 | 特征融合NECK | |
| 59 | 【YOLOv8改进 - 特征融合NECK】Slim-neck：目标检测新范式，既轻量又涨点 | https://blog.csdn.net/shangyanaf/article/details/139878671 | 特征融合NECK | |
| 60 | 【YOLOv8改进 - 特征融合NECK】CARAFE：轻量级新型上采样算子，助力细节提升 | https://blog.csdn.net/shangyanaf/article/details/139886624 | 特征融合篇 | |
| 61 | 【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制 | https://blog.csdn.net/shangyanaf/article/details/139950898 | 注意力机制 | |
| 62 | 【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器 | https://blog.csdn.net/shangyanaf/article/details/139990001 | 特征融合篇 | |
| 63 | 【YOLOv8改进 - 注意力机制】Triplet Attention：轻量有效的三元注意力 | https://blog.csdn.net/shangyanaf/article/details/139999693 | 注意力机制 | |
| 64 | 【YOLOv8改进 - 特征融合NECK】ASF-YOLO：SSFF融合+TPE编码+CPAM注意力，提高检测和分割能力 | https://blog.csdn.net/shangyanaf/article/details/140042501 | 特征融合NECK | |
| 65 | 【YOLOv8改进 - 卷积Conv】RefConv：重新参数化的重聚焦卷积模块 | https://blog.csdn.net/shangyanaf/article/details/140046006 | 卷积Conv | |
| 66 | 【YOLOv8改进 - 注意力机制】SKAttention：聚合分支信息，实现自适应调整感受野大小 | https://blog.csdn.net/shangyanaf/article/details/140078451 | 注意力机制 | |
| 67 | 【YOLOv8改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力 | https://blog.csdn.net/shangyanaf/article/details/140083301 | 注意力机制 | |
| 68 | 【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能 | https://blog.csdn.net/shangyanaf/article/details/140083725 | 注意力机制 | |
| 69 | 【YOLOv8改进 - 注意力机制】LS-YOLO MSFE：新颖的多尺度特征提取模块 \ | 小目标/遥感 | https://blog.csdn.net/shangyanaf/article/details/140092794 | 注意力机制 |
| 70 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 MDCR：多稀释通道细化器模块 ，以不同的稀释率捕捉各种感受野大小的空间特征 \ | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140104977 | 注意力机制 |
| 71 | 【YOLOv8改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention） | https://blog.csdn.net/shangyanaf/article/details/140110995 | 注意力机制 | |
| 72 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 PPA：并行化注意力设计 \ | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140111479 | 注意力机制 |
| 73 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 DASI： 维度感知选择性整合模块 \ | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140117642 | 注意力机制 |
| 74 | 【YOLOv8改进 - 卷积Conv】DCNv4： 可变形卷积，动态与稀疏操作高效融合的创新算子 | https://blog.csdn.net/shangyanaf/article/details/140121827 | 卷积Conv | |
| 75 | 【YOLOv8改进 - 检测头】 RT-DETR检测头，解决传统目标检测器中非极大值抑制（NMS）所带来的速度和准确性之间的平衡问题 | https://blog.csdn.net/shangyanaf/article/details/140138244 | 检测头 | |
| 76 | 【YOLOv8改进 - 注意力机制】 CascadedGroupAttention：级联组注意力，增强视觉Transformer中多头自注意力机制的效率和有效性 | https://blog.csdn.net/shangyanaf/article/details/140138885 | 注意力机制 | |
| 77 | 【YOLOv10改进 - 卷积Conv】SPConv：去除特征图中的冗余，大幅减少参数数量 \ | 小目标 | CONV | |
| 78 | 【YOLOv10改进- Backbone主干】BiFormer: 通过双向路由注意力构建高效金字塔网络架构 \ | 小目标 | 主干 | |
| 79 | 【YOLOv10改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失 | 损失函数 | ||
| 80 | 【YOLOv8改进 - 注意力机制】ECA（Efficient Channel Attention）：高效通道注意 模块，降低参数量 | https://blog.csdn.net/shangyanaf/article/details/140336733 | 注意力机制 | |
| 81 | 【YOLOv8改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征 | https://blog.csdn.net/shangyanaf/article/details/140336852 | 注意力机制 | |
| 82 | 【YOLOv10改进 -注意力机制】Mamba之MLLAttention ：基于Mamba和线性注意力Transformer的模型 | 注意力机制 | ||
| 83 | 【YOLOv8改进 - 卷积Conv】DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 | https://blog.csdn.net/shangyanaf/article/details/140336972 | CONV | |
| 84 | 【YOLOv8改进 -注意力机制】SGE(Spatial Group-wise Enhance)：轻量级空间分组增强模块 | 注意力机制 | ||
| 85 | 【YOLOv8改进- Backbone主干】2024最新轻量化网络MobileNetV4替换YoloV8的BackBone | https://blog.csdn.net/shangyanaf/article/details/140364353 | 主干 | |
