一、芒果改进系列必读
🔥 博客内 的改进文章，内均包含多种模型改进方式，均适用于YOLOv5系列以及YOLOv7系列改进（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
🔥 对应专栏订阅的越早，就可以越早使用原创创新点去改进论文，抢先一步
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
⚠️ 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.
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
文章目录
一、芒果改进系列必读二、推荐｜`🔥🔥🔥人工智能专家唐宇迪老师`联袂推荐改进博客专栏三、开源｜🚀开源库 YOLOAir 🌟四、解析｜YOLO网络模型源代码训练推理教程解析五、总结｜YOLO系列期刊创新点总结六、核心改进大全🚀｜最新创新点改进<进阶> （推荐🌟🌟🌟🌟🌟）🏆目录最新创新点改进 （推荐🌟🌟🌟🌟）🏆目录注意力机制系列（CSDN芒果汁没有芒果 首发）🏆目录其他改进点博客教程🏆目录二、推荐｜🔥🔥🔥人工智能专家唐宇迪老师联袂推荐改进博客专栏
来自唐宇迪老师的推荐，想必大家多多少少都看过或者听过人工智能专家唐宇迪老师的课程。
图中链接：芒果改进目录一览｜改进YOLO模型全系列目录
三、开源｜🚀开源库 YOLOAir 🌟
作者：CSDN芒果汁没有芒果
地址：/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：/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！
四、解析｜YOLO网络模型源代码训练推理教程解析
手把手调参最新 YOLOv7 模型 推理部分（一）🌟手把手调参最新 YOLOv7 模型 训练部分（二）🌟五、总结｜YOLO系列期刊创新点总结
💡🎈☁️：国庆假期浏览了几十篇YOLO改进英文期刊，总结改进创新的一些相同点(期刊创新点持续更新)
💡🎈☁️：国庆假期看了一系列图像分割Unet、DeepLabv3+改进期刊论文，总结了一些改进创新的技巧
六、核心改进大全🚀｜最新创新点改进<进阶> （推荐🌟🌟🌟🌟🌟）
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🔥🔥🔥
🏆目录
💡🎈☁️：CSDN原创YOLO进阶目录 | 《芒果改进YOLO进阶指南》推荐！
💡🎈☁️：CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！
💡🎈☁️：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！！！🚀🚀🚀
最新创新点改进 （推荐🌟🌟🌟🌟）
博主开源的YOLOAir算法库中没有集成的创新点，在下列博客中
🏆目录
💡🎈☁️：CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！💡🎈☁️：改进YOLOv7系列：最新结合即插即用CA(Coordinate attention) 注意力机制(适用于YOLOv5)，CVPR 顶会助力分类检测涨点！💡🎈☁️：改进YOLOv7系列：首发最新结合Global Context Modeling结构(附YOLOv5改进)，目标检测高效涨点💡🎈☁️：改进YOLOv7系列：首发最新结合多种X-Transformer结构新增小目标检测层，让YOLO目标检测任务中的小目标无处遁形💡🎈☁️：改进YOLOv7系列：结合Adaptively Spatial Feature Fusion自适应空间特征融合结构，提高特征尺度不变性💡🎈☁️：改进YOLOv5系列：首发结合最新Extended efficient Layer Aggregation Networks结构，高效的聚合网络设计，提升性能💡🎈☁️：改进YOLOv7系列：首发结合最新CSPNeXt主干结构(适用YOLOv7)，高性能，低延时的单阶段目标检测器主干，通过COCO数据集验证高效涨点💡🎈☁️：改进YOLOv7系列：最新结合DO-DConv卷积、Slim范式提高性能涨点，打造高性能检测器💡🎈☁️：改进YOLOv7系列：结合最新即插即用的动态卷积ODConv，高效涨点💡🎈☁️：改进YOLOv7系列：首发结合最新Transformer视觉模型MOAT结构：交替移动卷积和注意力带来强大的Transformer视觉模型，超强的提升💡🎈☁️：改进YOLOv7系列：首发结合最新Centralized Feature Pyramid集中特征金字塔，通过COCO数据集验证强势涨点💡🎈☁️：改进YOLOv7系列：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR 超大卷积核, 越大越暴力,大到31x31, 涨点高效💡🎈☁️：改进YOLOv5系列：4.YOLOv5_最新MobileOne结构换Backbone修改，超轻量型架构，移动端仅需1ms推理！苹果最新移动端高效主干网络💡🎈☁️：改进YOLOv7系列：最新HorNet结合YOLOv7应用！ | 新增 HorBc结构，多种搭配，即插即用 | Backbone主干、递归门控卷积的高效高阶空间交互注意力机制系列（CSDN芒果汁没有芒果 首发）
（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）
🏆目录
改进YOLOv5, YOLOv7系列：1.YOLO超全注意力机制汇总 | S2A, SE,SimAM, SKA,ShA, SOCA, CA, CBAM, CrissCrossA, NAM, GAM等🌟(注意力机制汇总)其他改进点博客教程
🏆目录
💡🎈☁️：改进YOLOv5系列：结合ShuffleNet V2主干网络，高效CNN架构设计的实用指南💡🎈☁️：改进YOLOv7系列： 最新结合用于小目标的新CNN卷积构建块💡🎈☁️：改进YOLOv5系列：增加Swin-Transformer小目标检测头💡🎈☁️：改进YOLOv7系列：最新结合BoTNet Transformer结构，一种简单却功能强大的backbone，自注意力提高模型性能💡🎈☁️：改进YOLOv7系列：首发结合CotNet Transformer结构，指导动态注意力矩阵的学习，增强视觉表示能力。改进YOLOv5系列：29.YOLOv5 结合 极简又强大的RepVGG 重参数化模型结构🌟改进YOLOv7系列：28.YOLOv7 结合 Swin Transformer V2结构，Swin Transformer V2：通向视觉大模型之路🌟改进YOLOv5系列：27.YOLOv5 结合 Swin Transformer V2结构，Swin Transformer V2：通向视觉大模型之路🌟改进YOLOv7系列：26.CVPR. ConvNeXt结合YOLOv7 | 基于ConvNeXt结构 构建 CNeB 模块🌟改进YOLOv7系列：25.YOLOv7 加入RepVGG模型结构，重参数化 极简架构🌟改进YOLOv7系列：24.添加SimAM注意力机制🌟改进YOLOv7系列：23.YOLOv7添加CBAM注意力机制🌟改进YOLOv7系列：22.最新HorNet结合YOLOv7应用🌟改进YOLOv7系列：21.添加ShuffleAttention注意力机制🌟改进YOLO系列：4.YOLOv5_最新MobileOne结构换Backbone修改，超轻量型架构，移动端仅需1ms推理！苹果最新移动端高效主干网络🌟改进YOLO系列：10.最新HorNet结合YOLO应用首发！ | 多种搭配，即插即用 | Backbone主干、递归门控卷积的高效高阶空间交互🌟改进YOLO系列：9.BoTNet Transformer结构的修改🌟改进YOLO系列：8.增加ACmix结构的修改,自注意力和卷积集成🌟改进YOLO系列：7.修改DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS🌟改进YOLO系列：6.修改Soft-NMS,Soft-CIoUNMS,Soft-SIoUNMS🌟改进YOLO系列：5.CotNet Transformer结构的修改🌟改进YOLO系列：4.YOLOv5_最新MobileOne结构换Backbone修改🌟改进YOLO系列：3.Swin Transformer结构的修改🌟改进YOLO系列：2.PicoDet结构的修改🌟改进YOLO系列：1.多种注意力机制修改🌟改进YOLO系列：12.添加ShuffleAttention注意力机制🌟改进YOLO系列：13.添加CrissCrossAttention注意力机制🌟改进YOLO系列：14.添加S2-MLPv2注意力机制🌟改进YOLO系列：15.添加SimAM注意力机制🌟改进YOLO系列：16.添加SKAttention注意力机制🌟改进YOLO系列：17.添加NAMAttention注意力机制🌟改进YOLO系列：18.添加SOCA注意力机制🌟改进YOLO系列：18.添加CBAM注意力机制🌟改进YOLO系列：19.添加SEAttention注意力机制🌟改进YOLO系列：20.添加GAMAttention注意力机制🌟YOLOv5改进 YOLOv7改进（芒果书系列）目录一览｜原创YOLO改进模型全系列目录 | 人工智能专家唐宇迪老师联袂推荐
