CSDN芒果独家原创YOLOv5改进 YOLOv7改进（适用YOLOv8改进）专栏 | 《芒果YOLO改进

《芒果改进YOLO系列进阶指南》目录

💡该教程为芒果改进YOLO进阶指南专栏，属于《芒果书》📚系列，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀

CSDN博客独家更新出品： 专栏详情🔎：芒果改进YOLO进阶指南

重点：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，而且网络结构都是首发原创更新的, 写的人不多✅

专栏内容有疑问的可以主动私信我，(因为每天主动私信次数只有5次，所以没法一一私聊大家)✅

下面链接为《芒果改进YOLO进阶指南》专栏内容，还在持续更新中…✅

所以敲重点：专栏持续更新中✅

每篇博客 均为原创内容，内含理论部分以及多种改进全部源代码，以及给出思考点，主要是让大家快速进行网络模型改进。✅

⚠️ 未经允许，禁止 复制/洗稿/转载 等形式使用以下博客原创部分进行发文，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原创部分进行发文，违者必究.

重点：🌟进阶专栏内容持续更新中🎈☁️🏅️，订阅了该专栏的读者务必·私信博主·加·全新创新点进阶交流群· 群内不定时会发一些其他未公开的Tricks（部分在群内共享以及完善，务必私信博主加进阶交流群，订阅了的读者关注下）✅

专栏地址：芒果改进YOLO进阶指南

文章目录

《芒果改进YOLO系列进阶指南》目录`人工智能专家老师`联袂推荐改进博客专栏一、核心重点：效果涨点二、专栏地址三、文章详细目录四、购买须知(必看)

人工智能专家老师联袂推荐改进博客专栏

图中链接：芒果改进目录一览｜改进YOLO模型全系列目录

一、核心重点：效果涨点

有上百名同学 反应和我说 已经在自己的数据集上或者或者公开数据集上有效涨点啦！！🔥🔥🔥

包括COCO数据集也能涨点，网络模型改进，配置都是原创首发更新的，直接写论文，香爆了！！！

每个改进点均支持·改进YOLOv5及之前的模型、YOLOv7、YOLOv8、YOLOX、YOLOv6等主流模型·

二、专栏地址

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🔥🔥🔥

/qq_38668236/category_12078347.html

⚠️ 未经允许，禁止 任何复制/洗稿/转载等形式使用以下文章的任何部分进行发文的行为，违者必究.

三、文章详细目录

其中均适用于基于YOLOv5、YOLOv7和YOLOv7-tiny、YOLOv8主流模型改进

标题为改进YOLOv5系列的 也适用于YOLOv7标题为改进YOLOv7系列的 也适用于YOLOv5

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：

💡🎈☁️：YOLOv8改进原创MobileViTv2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，高效涨点提速

💡🎈☁️：YOLOv8改进损失函数Wise-IoU：最新YOLOv8结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失

💡🎈☁️：YOLOv8 改进损失函数：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU、GIoU等，实测 YOLOv8 模型高效涨点

💡🎈☁️：YOLOv8改进主干结构系列：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

💡🎈☁️：YOLOv8改进损失函数WDLoss：独家更新｜即插即用｜YOLOv8小目标检测高效涨点2%，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

💡🎈☁️：改进YOLOv7-Tiny系列：首发改进结合BiFPN结构的特征融合网络，网络融合更多有效特征，高效涨点

💡🎈☁️：YOLOv5｜YOLOv7｜YOLOv8改各种IoU损失函数：YOLOv8涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU损失函数

💡🎈☁️：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

💡🎈☁️：YOLOv5改进损失函数：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU、GIoU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

💡🎈☁️：芒果改进YOLOv5系列：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｜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), 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

💡🎈☁️：改进YOLOv7系列：首发最新基于GFL损失函数，让模型无损涨点，NeurIPS 顶会论文

💡🎈☁️：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NIPS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NeurIPS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

💡🎈☁️：芒果改进YOLOv7系列：首发改进特征融合网络BiFPN结构，融合更多有效特征

💡🎈☁️：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 ICLR 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), 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 ICLR 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！！！🚀🚀🚀

更新篇数不低于20篇

四、购买须知(必看)

官方要求：

购买须知本专栏为图文内容，最终完结不会低于15篇文章。✅

订阅专栏，享有专栏所有文章阅读权限。✅

本专栏为虚拟产品，一经付款概不退款，敬请谅解。✅

除了以上官方的规则以外，其他的 服务or规则 为博主提供的，博主具有最终解释权。✅

订阅之前注意看⚠️：

付费订阅的是该专栏所有文章的阅读权限，有需求就订阅，这是自愿的！和专栏的内容相关的问题，可以私信博主，看到会回，（如果是一些简单的基础问题，可以先尝试百度）重点：付费订阅的是所有文章的阅读权限，订阅不是买的加交流群的群费！（这个群不是必须的，是免费的，交流群是博主提供的，博主具有最终解释权）对于不友好的人或者态度，除支持以上三点CSDN官方要求的规则以外，不支持其他任何服务！

CSDN芒果独家原创YOLOv5改进 YOLOv7改进（适用YOLOv8改进）专栏 | 《芒果YOLO改进系列进阶指南》来自人工智能专家老师联袂推荐专栏