🔥 《芒果书》系列改进专栏内的改进文章,均包含多种模型改进方式,均适用于YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX 、YOLOv5 、 YOLOv7 、 YOLOv8 改进(重点)!!!
🔥 专栏创新点教程 均有不少同学反应和我说已经在自己的数据集上有效涨点啦!! 包括COCO数据集也能涨点
所有文章博客均包含改进源代码
🔥 对应专栏订阅的越早,就可以越早使用原创创新点去改进模型,抢先一步
以下《芒果书》改进YOLO专栏内容 适用于以下主流模型的改进
YOLOv3 、YOLOv4 、 YOLOR 、 YOLOXYOLOv5 、 YOLOv7 、 YOLOv8点击以下链接 查看文章目录详情🔗
文章目录
详情🔎 芒果改进YOLO高阶专栏🌟🌟🌟详情🔎 芒果改进YOLO进阶专栏🌟🌟详情🔎 目标检测改进YOLO指南🌟其中均适用于基于 YOLOv5 、 YOLOv7 和 YOLOv7-tiny、YOLOv8 主流模型改进
改进YOLOv5系列的 也适用于 YOLOv7 、YOLOv8改进YOLOv7系列 的 也适用于 YOLOv5 、YOLOv8所有原创内容,未经允许,不能用来作为课件录制视频.
以下内容改进,均原创来自 🌟CSDN芒果汁没有芒果
🔥🔥🔥人工智能专家老师联袂推荐改进博客专栏核心:
以下内容只在CSDN芒果汁没有芒果博客专栏中(全网首发最新)
专栏持续更新中✅
每篇博客 均为原创内容,内含理论部分 以及 YOLO+多种改进代码,以及给出思考点,主要是让大家快速进行网络模型改进。✅
本专栏为YOLO改进指南进阶专栏 ,均为全网独家首发内容,文章质量较高🔥🔥🔥
💡🎈☁️:YOLO系列全网首发改进最新:新颖特定任务检测头TSCODE|(适用YOLOv5/v7)创新性Max,即插即用检测头,用于目标检测的特定任务上下文解耦头机制,助力YOLOv7目标检测器高效涨点!
💡🎈☁️:SCI期刊写作必备(二):代码|手把手绘制目标检测领域YOLO论文常见的性能对比折线图,一键生成YOLOv7等主流论文同款图表,包含多种不同功能风格对比图表
💡🎈☁️:YOLOv7首发改进最新主干FasterNet系列:最新CVPR2023顶会录用Backbone,为更快的神经网络追求更高的 FLOPS,参数量计算量下降、FPS提高
💡🎈☁️:YOLOv7改进标签分配策略AlignOTA:创新点Max,首发最新改进为全新AlignOTA标签分配策略,思路来自阿里达摩院出品的DAMOYOLO,打造高性能YOLOv7检测器
💡🎈☁️:YOLOv5改进、YOLOv7改进|YOLO改进超过50种注意力机制,全篇共计30万字(内附改进源代码),原创改进50种Attention注意力机制和Transformer自注意力机制
💡🎈☁️:原创最新|SCI写作必备(一)绘制YOLOv7论文同款性能对比图-Python:包含多种不同功能风格图表|包括mAP、Params、FPS等对比图表(YOLOv6/YOLOv7同款)
💡🎈☁️:YOLOv7改进之损失函数EfficiCIoU-Loss:独家首发最新|结合EfficiCIoULoss损失函数(适用于YOLOv5),新的增强预测帧调整并加快帧回归率,加快网络模型收敛
💡🎈☁️:YOLOv5、YOLOv7改进之实验结果新增mAP75的值(一):新增打印mAP75的值,便于YOLOv5系列模型对比实验获取更多精度数据,丰富实验数据
💡🎈☁️:YOLOv5、YOLOv7改进之实验结果打印F1 Score的值(二):新增打印F1 Score的值,便于YOLOv5系列模型对比实验获取更多精度数据,丰富实验数据
💡🎈☁️:YOLOv5、YOLOv7改进之训练结果完善results.png、results.csv打印的数据(三)|全网首发原创制作,新增打印mAP75和F1的值,修改原始风格,丰富实验数据
💡🎈☁️:YOLOv7、YOLOv5改进之输出COCO指标:输出自定义数据集中small、medium、large大中小目标的mAP值,适用于自定义数据集,精度基本对齐,丰富实验数据,便于对比
💡🎈☁️:YOLOv5改进首发最新主干FasterNet系列:最新CVPR2023录用|顶会Backbone,为更快的神经网络追求更高的 FLOPS,超越其他轻量化模型
持续更新中
💡🎈☁️:YOLOv5改进损失函数:FocalLoss结合变种IoU套装:包含Focal-EIoU|Focal-SIoU|Focal-CIoU|Focal-GIoU、DIoU等,实测 YOLOv5 模型高效涨点
💡🎈☁️:芒果改进YOLOv5系列:首发更新|改进用于微小目标检测的Normalized Gaussian Wasserstein Distance,助力YOLOv5涨点,小目标检测的一种新的包围框相似度度量
💡🎈☁️:YOLOv7改进损失函数系列:SIoU等结合FocalLoss应用:组成Focal-EIoU|Focal-SIoU|Focal-CIoU|Focal-GIoU、DIoU等改进点
💡🎈☁️:芒果改进YOLOv5系列:2023年最新论文出品|结合设计硬件感知神经网络设计的高效 Repvgg 式 ConvNet 网络结构 EfficientRep ,该网络结构效果SOTA,涨点利器
💡🎈☁️:芒果改进YOLOv7系列:独家首发更新|改进用于小目标检测的归一化高斯 Wasserstein Distance Loss,提升小目标检测的一种新的包围框相似度度量,助力YOLOv7涨点
💡🎈☁️:芒果改进YOLOv7系列:最新结合|2023年最新论文设计高效 RepFPN 结构,具有硬件感知神经网络设计 ,该网络结构表现强势
💡🎈☁️:芒果改进YOLOv5系列:首发使用最新Wise-IoU损失函数,具有动态聚焦机制的边界框回归损失,YOLO涨点神器,超越CIoU, SIoU性能,提出了BBR的基于注意力的损失WIoU函数
💡🎈☁️:芒果改进YOLOv7系列:超越ConvNeXt结构,原创结合Conv2Former改进结构,Transformer 风格的卷积网络视觉基线模型,高效涨点
💡🎈☁️:改进YOLOv5、YOLOv7系列:首发最新改进一种强大性能的全新架构(顶会2022), 该架构精度超越TPH-YOLOv5, 新范式高效涨点
💡🎈☁️:改进YOLOv5系列:NeurIPS顶会论文,模型无损涨点|首发最新改进广义焦点损失Generalized Focal Loss,将焦点损失从其离散形式推广到连续形式,以实现成功优化
💡🎈☁️:芒果改进YOLOv5系列:最新原创改进提出 v5-CReToNeXt 结构,基于阿里达摩院出品的DAMOYOLO核心网络模型进行改进,打造高性能检测器(上)
💡🎈☁️:改进YOLOv7系列:全网首发最新基于TOOD标签分配策略改进,提出变种ODRTA模型(适用YOLOv5改进),任务对齐学习TAL,刷新单阶段目标检测新纪录
💡🎈☁️:芒果改进YOLOv5系列:原创结合Conv2Formers改进结构,Transformer 风格的卷积网络视觉基线模型,超越ConvNeXt结构
💡🎈☁️:芒果改进YOLOv7系列:结合最新Wise-IoU损失函数,涨点神器|超越CIoU, SIoU性能,助力YOLOv7模型涨点1.4%,最新目标检测的损失函数
💡🎈☁️:芒果改进YOLOv7系列:首发最新提出改进 CReToNeXt 结构,打造高性能检测器,基于阿里达摩院出品的DAMOYOLO核心网络模型(上)
💡🎈☁️:芒果改进YOLOv5系列:最新原创提出改进 QARepNeXt 结构,基于最新 QARepVGG 结构,美团提出的一种量化感知方法:再一次让 RepVGG 变得更好
💡🎈☁️:芒果改进YOLOv7、YOLOv7-Tiny系列:全网首发最新原创RepGhostNeXt结构,基于重参数化结构实现硬件高效的模块RepGhost, 打造全新YOLOv7检测器
💡🎈☁️:芒果改进YOLOv7系列:首发最新原创 ConXBv2 升级版结构,当MAE遇见YOLO卷积 高效涨点,最新版本使用 Masked Autoencoders 共同设计和缩放ConvNets
💡🎈☁️:芒果改进YOLOv7系列:首发结合最新 QARepVGG 升级Rep结构, 本文对其进行原创改进 QARepNeXt 结构,基于美团提出一种量化感知方法:再一次让 RepVGG 变得更好
💡🎈☁️:芒果改进YOLOv5系列:当MAE遇见卷积操作,全网最新原创 ConXBv2 升级版模型,高效涨点,最新论文版本使用 Masked Autoencoders 共同设计和缩放
💡🎈☁️:芒果改进YOLOv5系列:首发结合最新NIPS2022华为诺亚的GhostNetV2 架构:引入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,打造高效轻量级检测器
💡🎈☁️:改进YOLOv7、YOLOv5系列:手把手最新结合多种类Loss,包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等
💡🎈☁️:芒果改进YOLOv5系列:全网首发最新原创打造RepGhostNeXt结构,基于重参数化结构,实现硬件高效的RepGhost模块、打造全新YOLOv5检测器
💡🎈☁️:芒果改进YOLOv7系列:首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构:引入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,打造高效轻量级检测器
💡🎈☁️:改进YOLOv7、YOLOv5系列:手把手最新结合多种类Loss,包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / DFL等
💡🎈☁️:改进YOLOv7系列:全网首发Dense设计核心最新提出DenseOne密集网络(适用YOLOv5),从另一个视角改进YOLO目标检测模型,打造高性能检测器
MobieViT系列全部改进
💡🎈☁️:芒果改进YOLOv7系列:全网首发最新 MobileViTv3 系列最强版本(三)|轻量化Transformer视觉转换器,简单有效地融合了本地全局和输入特征
💡🎈☁️:芒果改进YOLOv7系列:全网首发最新苹果续作加强版 MobileViTv2 结构(二),提出移动视觉 Transformer 的可分离自注意力机制
💡🎈☁️:芒果改进YOLOv7系列:首发最新结合 ICLR2022 顶会|轻量通用的 MobileViT 结构 Transformer,轻量级、通用且移动友好的视觉转换器,MobileViT系列一
💡🎈☁️:改进YOLOv7、YOLOv5系列:手把手最新结合多种类Loss,包括PolyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / FL等
💡🎈☁️:改进YOLOv5、YOLOv7系列:首发最新改进一种强大性能的全新架构(顶会2022), 该架构精度超越TPH-YOLOv5, 新范式高效涨点
💡🎈☁️:芒果改进YOLOv5系列:全网首发最新 MobileViTv3 系列最强版本(三)|轻量化Transformer视觉转换器,简单有效地融合了本地全局和输入特征
💡🎈☁️:芒果改进YOLOv5系列:全网首发最新苹果续作加强版 MobileViTv2 结构(二),提出移动视觉 Transformer 的可分离自注意力机制
💡🎈☁️:芒果改进YOLOv5系列:最新结合 ICLR2022 顶会|轻量通用的 MobileViT 结构 Transformer,轻量级、通用且移动友好的视觉转换器,MobileViT系列一
💡🎈☁️:还在更新中
还在持续更新中!!!🚀🚀🚀
博主开源的YOLOAir算法库中没有集成的创新点,在下列博客中
(内容均为CSDN芒果汁没有芒果首发!!在别的地方看到的 都是源于此)
作者:CSDN芒果汁没有芒果
地址:https://github.com/iscyy/yoloair
如果帮到您可以给个 star 🌟🌟🌟,您的 star🌟 是我最大的鼓励!
如果您觉得我的项目不错,可以将我的 Github 链接:https://github.com/iscyy/yoloair 随便转发;
但如果您想基于 YOLOAir 的部分内容发文章或者博客,请先私信我,沟通后再将我的 Github 链接放到文章开头的位置并引用!开源不易,请尊重每个人的汗水!
⚠️ 未经允许,禁止 复制/洗稿/转载 等形式使用以下博客代码内容原创部分在一些平台进行发文,违者必究.
⚠️ 未经允许,禁止 复制/洗稿/转载 等形式使用以下博客代码内容原创部分在一些平台发文,违者必究.
有些很基础的模块(比如C3、C3HB、C3TR、C3STR等等等),如果没找到,那就是默认比较基础的东西,去yoloair算法库中去找就可以了https://github.com/iscyy/yoloair
改进也需要一些基础,不是完全不懂就能改的
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题?更新问题,以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点?我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等),但我确实想创建一个输出文件。
我有一个模型:classItem项目有一个属性“商店”基于存储的值,我希望Item对象对特定方法具有不同的行为。Rails中是否有针对此的通用设计模式?如果方法中没有大的if-else语句,这是如何干净利落地完成的? 最佳答案 通常通过Single-TableInheritance. 关于ruby-on-rails-Rails-子类化模型的设计模式是什么?,我们在StackOverflow上找到一个类似的问题: https://stackoverflow.co
我需要从一个View访问多个模型。以前,我的links_controller仅用于提供以不同方式排序的链接资源。现在我想包括一个部分(我假设)显示按分数排序的顶级用户(@users=User.all.sort_by(&:score))我知道我可以将此代码插入每个链接操作并从View访问它,但这似乎不是“ruby方式”,我将需要在不久的将来访问更多模型。这可能会变得很脏,是否有针对这种情况的任何技术?注意事项:我认为我的应用程序正朝着单一格式和动态页面内容的方向发展,本质上是一个典型的网络应用程序。我知道before_filter但考虑到我希望应用程序进入的方向,这似乎很麻烦。最终从任何
我有一个包含模块的模型。我想在模块中覆盖模型的访问器方法。例如:classBlah这显然行不通。有什么想法可以实现吗? 最佳答案 您的代码看起来是正确的。我们正在毫无困难地使用这个确切的模式。如果我没记错的话,Rails使用#method_missing作为属性setter,因此您的模块将优先,阻止ActiveRecord的setter。如果您正在使用ActiveSupport::Concern(参见thisblogpost),那么您的实例方法需要进入一个特殊的模块:classBlah
我有一个表单,其中有很多字段取自数组(而不是模型或对象)。我如何验证这些字段的存在?solve_problem_pathdo|f|%>... 最佳答案 创建一个简单的类来包装请求参数并使用ActiveModel::Validations。#definedsomewhere,atthesimplest:require'ostruct'classSolvetrue#youcouldevencheckthesolutionwithavalidatorvalidatedoerrors.add(:base,"WRONG!!!")unlesss
我想向我的Controller传递一个参数,它是一个简单的复选框,但我不知道如何在模型的form_for中引入它,这是我的观点:{:id=>'go_finance'}do|f|%>Transferirde:para:Entrada:"input",:placeholder=>"Quantofoiganho?"%>Saída:"output",:placeholder=>"Quantofoigasto?"%>Nota:我想做一个额外的复选框,但我该怎么做,模型中没有一个对象,而是一个要检查的对象,以便在Controller中创建一个ifelse,如果没有检查,请帮助我,非常感谢,谢谢
这里是Ruby新手。完成一些练习后碰壁了。练习:计算一系列成绩的字母等级创建一个方法get_grade来接受测试分数数组。数组中的每个分数应介于0和100之间,其中100是最大分数。计算平均分并将字母等级作为字符串返回,即“A”、“B”、“C”、“D”、“E”或“F”。我一直返回错误:avg.rb:1:syntaxerror,unexpectedtLBRACK,expecting')'defget_grade([100,90,80])^avg.rb:1:syntaxerror,unexpected')',expecting$end这是我目前所拥有的。我想坚持使用下面的方法或.join,
我正在使用active_admin,我在Rails3应用程序的应用程序中有一个目录管理,其中包含模型和页面的声明。时不时地我也有一个类,当那个类有一个常量时,就像这样:classFooBAR="bar"end然后,我在每个必须在我的Rails应用程序中重新加载一些代码的请求中收到此警告:/Users/pupeno/helloworld/app/admin/billing.rb:12:warning:alreadyinitializedconstantBAR知道发生了什么以及如何避免这些警告吗? 最佳答案 在纯Ruby中:classA
我有一些非常大的模型,我必须将它们迁移到最新版本的Rails。这些模型有相当多的验证(User有大约50个验证)。是否可以将所有这些验证移动到另一个文件中?说app/models/validations/user_validations.rb。如果可以,有人可以提供示例吗? 最佳答案 您可以为此使用关注点:#app/models/validations/user_validations.rbrequire'active_support/concern'moduleUserValidationsextendActiveSupport:
对于Rails模型,是否可以/建议让一个类的成员不持久保存到数据库中?我想将用户最后选择的类型存储在session变量中。由于我无法从我的模型中设置session变量,我想将值存储在一个“虚拟”类成员中,该成员只是将值传递回Controller。你能有这样的类(class)成员吗? 最佳答案 将非持久属性添加到Rails模型就像任何其他Ruby类一样:classUser扩展解释:在Ruby中,所有实例变量都是私有(private)的,不需要在赋值前定义。attr_accessor创建一个setter和getter方法:classUs