文章目录前言一、解决问题二、基本原理三、YOLOv5​添加方法四、YOLOv7​添加方法五、总结前言作为当前先进的深度学习目标检测算法YOLOv7，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv7的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv7，YOLOv5算法2020年至今已经涌现出大量改进论文，这个不论对于搞科研的同学或者已经工作的朋友来说，研究的价值和新颖度都不太够了，为与时俱进，以后改进算法以Y

目录1、前言2、数据集3、添加ECVBlock 4、BackBone+ECVBlock5、Head+ECVBlock6、训练结果6.1Backbone6.2Head1、前言 视觉特征金字塔在广泛的应用中显示出其有效性和效率的优越性。然而，现有的方法过分地集中于层间特征交互，而忽略了层内特征规则，这是经验证明是有益的。尽管一些方法试图借助注意机制或视觉变换器学习紧凑的层内特征表示，但它们忽略了对密集预测任务很重要的被忽略的角点区域。为了解决这一问题，本文提出了一种基于全局显式集中式特征规则的集中式特征金字塔（CFP）对象检测方法。具体而言，我们首先提出了一种空间显式视觉中心方案，其中使用轻量级M

1.CentralizedFeaturePyramidforObjectDetection论文地址： https://arxiv.org/abs/2210.020931.摘要：CFPNet简介CFPNet即插即用，助力检测涨点，YOLOX/YOLOv5/YOLOV7均有效1.3CentralizedFeaturePyramid(CFP)如图2所示，CFP主要由以下部分组成：输入图像、用于提取视觉特征金字塔的CNN主干、提出的显式视觉中心（EVC）、提出的全局

1.CentralizedFeaturePyramidforObjectDetection论文地址： https://arxiv.org/abs/2210.020931.摘要：CFPNet简介CFPNet即插即用，助力检测涨点，YOLOX/YOLOv5/YOLOV7均有效1.3CentralizedFeaturePyramid(CFP)如图2所示，CFP主要由以下部分组成：输入图像、用于提取视觉特征金字塔的CNN主干、提出的显式视觉中心（EVC）、提出的全局