YOLO11系列是YOLO家族中最先进的(SOTA)、最轻量级、最高效的模型，其表现优于其前辈。它由Ultralytics创建，该组织发布了YOLOv8，这是迄今为止最稳定、使用最广泛的YOLO变体。YOLO11将延续YOLO系列的传奇。在本文中，我们将探讨YOLO11文章目录YOLO11架构、YOLO11

importtorchimporttorch.nnasnnimporttorch.nn.functionalasFclassPCFN(nn.Module):'''使用带有GELU的激活函数的1*1卷积对扩展的隐藏空间进行跨信道交互。然后将隐藏特征分割成两块对其中一块使用3*3卷积核GELU激活函数编码局部上下文将处理后的结

本文提纲：fx和eager两种量化训练方式介绍量化训练的流程介绍：以mmdet的yolov3为例常用的精度调优debug工具介绍案例分析：模型精度调优经验分享第一部分：fx和eager两种量化训练方式介绍首先介绍一下量化训练的原理。上图为单个神经元的计算，计算形式是加权求和，再

MetaAI在视频理解方面取得了令人瞩目的里程碑式成就，推出了LongVU，这是一种开创性的模型，能够理解以前对人工智能系统来说具有挑战性的长视频。研究论文"LongVU：用于长视频语言理解的时空自适应压缩"提出了一种革命性的方法，使人工智能能够有效地处理和理解长达几分钟甚至一

秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

一、本文介绍本文给大家带来的改进机制是2024最新的，Kolmogorov-Arnold网络（ConvolutionalKANs），这种架构旨在将Kolmogorov-Arnold网络（KANs）的非线性激活函数整合到卷积层中，从而替代传统卷积神经网络（CNNs）的线性变换。与标准的卷积神经网络（CNN）相比，KANConv层引入了更多的参数，因

YOLOv11全网最新创新点改进系列：融合GSConv+SlimNeck，双改进、双增强，替换特征融合层实现，轻量化涨点改进策略，有效涨点神器！所有改进代码均经过实验测试跑通！截止发稿时YOLOv11已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai

CogVideo&CogVideoX微调代码源码解析（八）.\cogvideo-finetune\sat\sgm\modules\autoencoding\vqvae\movq_enc_3d.py#pytorch_diffusion+derivedencoderdecoderimportmath#导入数学库，提供数学函数importtorch#导入PyTorch库，用于深度学习importtorch.nnasnn

本专栏专为AI视觉领域的爱好者和从业者打造。涵盖分类、检测、分割、追踪等多项技术，带你从入门到精通！后续更有实战项目，助你轻松应对面试挑战！立即订阅，开启你的YOLOv8之旅！专栏订阅地址：https://blog.csdn.net/mrdeam/category_12804295.html文章目录YOLOv8性能提升：基于SPD

一、本文介绍本文记录的是利用单头自注意力SHSA改进YOLOv11检测模型，详细说明了优化原因，注意事项等。传统的自注意力机制虽能提升性能，但计算量大，内存访问成本高，而SHSA从根本上避免了多注意力头机制带来的计算冗余。并且改进后的模型在相同计算预算下，能够堆叠更多宽度更大的

 秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

    和FCN类似，UNet是另一个做语义分割的网络，网络从输入到输出中间呈一个U型而得名。相比于FCN，UNet增加了更多的中间连接，能够更好处理不同尺度上的特征。网络结构如下：下面代码是用UNet对VOC数据集做的语义分割。importtorchimporttorch.nnasnnimporttorch.opt

一、本文介绍作为入门性篇章，这里介绍了SCAM注意力在YOLOv8中的使用。包含SCAM原理分析，SCAM的代码、SCAM的使用方法、以及添加以后的yaml文件及运行记录。二、SCAM原理分析SCAM官方论文地址：SCAM文章SCAM官方代码地址：SCAM代码​SCAM注意力机制（空间上下文感知模块）：空间上下

一、本文介绍作为入门性篇章，这里介绍了SK网络注意力在YOLOv8中的使用。包含SK原理分析，SK的代码、SK的使用方法、以及添加以后的yaml文件及运行记录。二、SK原理分析SK官方论文地址：SK注意力文章SK注意力机制:SK网络中的神经元可以捕获具有不同比例的目标对象，实验验证了神经

鱼弦：公众号【红尘灯塔】，CSDN博客专家、内容合伙人、新星导师、全栈领域优质创作者、51CTO(Top红人+专家博主)、github开源爱好者（go-zero源码二次开发、游戏后端架构https://github.com/Peakchen）YOLOv8改进|检测头篇|利用DynamicHead增加辅助检测头针对性检测(四头版

简介这是一个检测交通锥并识别颜色的项目。我使用yolov5来训练和检测视锥细胞。此外，我使用k均值来确定主色，以对锥体颜色进行分类。目前，支持的颜色为红色、黄色、绿色和蓝色。其他颜色被归类为未知。数据集和注释我使用了一个自收集的锥体数据集，其中包含303张锥体

FCN是全卷积网络，用于做图像语义分割。通常将一般卷积网络最后的全连接层换成上采样或者反卷积网络，对图像的每个像素做分类，从而完成图像分割任务。网络结构如下：这里并没有完全按照原始网络结构实现，而是尝试upsample和convTranspose2d结合的方式，看看有什么效果。下面代码是用VOC

一、本文介绍本文给大家带来的一个改进机制是最新由LSM-YOLO提出的轻量化自适应特征提取（LightweightAdaptiveExtraction,LAE）模块，其是LSM-YOLO模型中的关键模块，旨在进行多尺度特征提取，同时降低计算成本。LAE通过以下方式实现更有效的特征提取：多尺度特征提取、自适应特征提取

目录前言PointCNN实现细节1.XXX-Conv操作输入输出步骤2.PointCNN网络架构层级卷积分类与分割任务

1，本文介绍BiFPN（BidirectionalFeaturePyramidNetwork）是一种增强特征金字塔网络（FPN）的方法，旨在改善多尺度特征融合。BiFPN的主要创新点包括：双向特征融合：与传统FPN仅在自下而上的方向进行特征融合不同，BiFPN引入了双向融合机制。它不仅从低层特征向高层传递信息，还从高层特征向

1.BiFPN介绍摘要：模型效率在计算机视觉中变得越来越重要。在本文中，我们系统地研究了用于目标检测的神经网络架构设计选择，并提出了几个提高效率的关键优化。首先，我们提出了一种加权双向特征金字塔网络（BiFPN），它可以轻松快速地进行多尺度特征融合；其次，我们提出了一种复合缩放方法

秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转