YOLOv8/YOLOv7/YOLOv5系列改进| 目录一览表-Toy模板网

这篇具有很好参考价值的文章主要介绍了YOLOv8/YOLOv7/YOLOv5系列改进| 目录一览表。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

💡魔改YOLO系列算法，助力涨点，助力科研。通过添加注意力机制SE/CBAM/CoordAtt/ECA /SimAM/CrissCrossAttention/ SKAttention/GAMAttention/S2-MLPv2/NAM等；网络轻量化方法通过更换主干特征提取网络为MobileNetV3/ShuffleNetV2/EfficientNetv2/Ghostnet/深度可分离卷积/PP-LCNet/mobileone/Ghostnetv2/ELAN等；优化原yolo算法损失函数为EIoU/SIoU/Alpha-IoU/olyLoss / VarifocalLoss / GeneralizedFLoss / QualityFLoss / FL等，助力检测涨点；优化非极大值抑制算法为Soft-nms/DIoU NMS等；构建“Transformer+CNN”结构拟补原卷积网络缺乏长距离建模能力，融入Bottleneck/EfficientFormer/Swin Transformer/Swin Transformer v2.0/Cotnet等，助力涨点；改进特征融合方式为BIFPN/ASFF等，强化不同尺度融合能力；改进激活函数为ACON/FReLU/ReLU/RReLU/Hardtanh/ReLU6/Sigmoid/Tanh/Mish/Hardswish/ELU/CELU/GLU/GELU/Hardshrink/LeakyReLU/LogSigmoid/Softplus/Softshrink/PReLU/Softmin等几十种激活函数；优化锚框生成，改为K-Means++；空间金字塔池化改进SPP/SPPF/ASPP/SimSPPF/BasicRFB/SPPCSPC/SPPFCSPC等；其他还有添加小目标检测层/ACMIX/CSPCM/SPD/C3HB/CB2D/ConvMix/DenseOneC/DenseOne/CReToNeXt/MVB/QARepVGG/RepVGGBlock/ConvNeXtV2/fasternet等等方法。详情关注后私信留言咨询

YOLO系列算法改进方法 | 目录一览表

💡🎈☁️1. 添加SE注意力机制
💡🎈☁️2.添加CBAM注意力机制
💡🎈☁️3. 添加CoordAtt注意力机制
💡🎈☁️4. 添加ECA通道注意力机制
💡🎈☁️5. 改进特征融合网络PANET为BIFPN
💡🎈☁️6. 增加小目标检测层
💡🎈☁️7. 损失函数改进
💡🎈☁️8. 非极大值抑制NMS算法改进Soft-nms
💡🎈☁️9. 锚框K-Means算法改进K-Means++
💡🎈☁️10. 损失函数改进为SIOU
💡🎈☁️11. 主干网络C3替换为轻量化网络MobileNetV3
💡🎈☁️12. 主干网络C3替换为轻量化网络ShuffleNetV2
💡🎈☁️13. 主干网络C3替换为轻量化网络EfficientNetv2
💡🎈☁️14. 主干网络C3替换为轻量化网络Ghostnet
💡🎈☁️15. 网络轻量化方法深度可分离卷积
💡🎈☁️16. 主干网络C3替换为轻量化网络PP-LCNet
💡🎈☁️17. CNN+Transformer——融合Bottleneck Transformers
💡🎈☁️18. 损失函数改进为Alpha-IoU损失函数
💡🎈☁️19. 非极大值抑制NMS算法改进DIoU NMS
💡🎈☁️20. Involution新神经网络算子引入网络
💡🎈☁️21. CNN+Transformer——主干网络替换为又快又强的轻量化主干EfficientFormer
💡🎈☁️22. 涨点神器——引入递归门控卷积（gnConv）
💡🎈☁️23. 引入SimAM无参数注意力
💡🎈☁️24. 引入量子启发的新型视觉主干模型WaveMLP（可尝试发SCI）
💡🎈☁️25. 引入Swin Transformer
💡🎈☁️26. 改进特征融合网络PANet为ASFF自适应特征融合网络
💡🎈☁️27. 解决小目标问题——校正卷积取代特征提取网络中的常规卷积
💡🎈☁️28. ICLR 2022涨点神器——即插即用的动态卷积ODConv
💡🎈☁️29. 引入Swin Transformer v2.0版本
💡🎈☁️30. 引入10月4号发表最新的Transformer视觉模型MOAT结构
💡🎈☁️31. CrissCrossAttention注意力机制
💡🎈☁️32. 引入SKAttention注意力机制
💡🎈☁️33. 引入GAMAttention注意力机制
💡🎈☁️34. 更换激活函数为FReLU
💡🎈☁️35. 引入S2-MLPv2注意力机制
💡🎈☁️36. 融入NAM注意力机制
💡🎈☁️37. 结合CVPR2022新作ConvNeXt网络
💡🎈☁️38. 引入RepVGG模型结构
💡🎈☁️39. 引入改进遮挡检测的Tri-Layer插件 | BMVC 2022
💡🎈☁️40. 轻量化mobileone主干网络引入
💡🎈☁️41. 引入SPD-Conv处理低分辨率图像和小对象问题
💡🎈☁️42. 引入V7中的ELAN网络
💡🎈☁️43. 结合最新Non-local Networks and Attention结构
💡🎈☁️44. 融入适配GPU的轻量级 G-GhostNet
💡🎈☁️45. 首发最新特征融合技术RepGFPN（DAMO-YOLO）
💡🎈☁️46. 改进激活函数为ACON
💡🎈☁️47. 改进激活函数为GELU
💡🎈☁️48. 构建新的轻量网络—Slim-neck by GSConv（2022CVPR）
💡🎈☁️49. 模型剪枝、蒸馏、压缩
💡🎈☁️50. 超越ConvNeXt！Conv2Former：用于视觉识别的Transformer风格的ConvNet
💡🎈☁️51.融入多分支空洞卷积结构RFB-Bottleneck改进PANet构成新特征融合网络
💡🎈☁️52.将YOLOv8中的C2f模块融入YOLOv5
💡🎈☁️53.融入CFPNet网络中的ECVBlock模块，提升小目标检测能力
💡🎈☁️54.改进激活函数为ReLU、RReLU、Hardtanh、ReLU6、Sigmoid、Tanh、Mish、Hardswish、ELU、CELU等
💡🎈☁️55.融入美团最新QARepVGG
💡🎈☁️56.引入Contextual Transformer模块（sci期刊创新点之一）

一、注意力机制添加方法

一般解决问题为：图像待测目标与背景相似，目标难以辨识的检测难点
💡🎈☁️1. 添加SE注意力机制
💡🎈☁️2.添加CBAM注意力机制
💡🎈☁️3. 添加CoordAtt注意力机制
💡🎈☁️4. 添加ECA通道注意力机制
💡🎈☁️23. 引入SimAM无参数注意力
💡🎈☁️31. CrissCrossAttention注意力机制
💡🎈☁️32. 引入SKAttention注意力机制
💡🎈☁️33. 引入GAMAttention注意力机制
💡🎈☁️35. 引入S2-MLPv2注意力机制
💡🎈☁️36. 融入NAM注意力机制

二、网络轻量化方法

一般解决问题为：轻量化网络，适应应用部署
💡🎈☁️11. 主干网络C3替换为轻量化网络MobileNetV3
💡🎈☁️12. 主干网络C3替换为轻量化网络ShuffleNetV2
💡🎈☁️13. 主干网络C3替换为轻量化网络EfficientNetv2
💡🎈☁️14. 主干网络C3替换为轻量化网络Ghostnet
💡🎈☁️15. 网络轻量化方法深度可分离卷积
💡🎈☁️16. 主干网络C3替换为轻量化网络PP-LCNet
💡🎈☁️40. 轻量化mobileone主干网络引入
💡🎈☁️48. 构建新的轻量网络—Slim-neck by GSConv（2022CVPR）
💡🎈☁️49. 模型剪枝、蒸馏、压缩

三、优化损失函数

一般解决问题为：原损失函数的缺陷不足
💡🎈☁️7. 损失函数改进
💡🎈☁️10. 损失函数改进为SIOU
💡🎈☁️18. 损失函数改进为Alpha-IoU损失函数
💡🎈☁️54.改进激活函数为ReLU、RReLU、Hardtanh、ReLU6、Sigmoid、Tanh、Mish、Hardswish、ELU、CELU等

四、非极大值抑制

一般解决问题为：同类别目标相互重叠导致错漏检问题
💡🎈☁️8. 非极大值抑制NMS算法改进Soft-nms
💡🎈☁️19. 非极大值抑制NMS算法改进DIoU NMS

五、“Transformer+CNN”结构

一般解决问题为：拟补全卷积网络缺乏长距离建模能力
💡🎈☁️17. CNN+Transformer——融合Bottleneck Transformers
💡🎈☁️21. CNN+Transformer——主干网络替换为又快又强的轻量化主干EfficientFormer
💡🎈☁️25. 引入Swin Transformer
💡🎈☁️29. 引入Swin Transformer v2.0版本
💡🎈☁️50. 超越ConvNeXt！Conv2Former：用于视觉识别的Transformer风格的ConvNet
💡🎈☁️56.引入Contextual Transformer模块（sci期刊创新点之一）