必读指南 | YOLO系列算法改进专栏简介专栏链接YOLO系列算法改进专栏链接 1. 模型改进无思路200实战方法直接落地针对YOLO模型改进痛点本专栏整理200实战验证方法覆盖卷积层、注意力机制等核心模块。 每种方法含原理、性能分析、改进路径及实操流程代码可直接运行快速提升模型效果性价比超高。 2. 优质模块难匹配顶会算法YOLO26专属适配改进方法源自CVPR等顶会前沿算法结合YOLO26二次创新。 模块高创新、高适配可直接用于检测、分割等多视觉任务满足科研与项目双重需求。 3. 全版本兼容一次学习多端复用方案完美适配YOLO26全任务因架构同源可无缝迁移至YOLOv8/v10/v11。一次学习多版通用大幅降低学习与时间成本。 4. 持续更新保障早订早享终身权益专栏每周更新 3-5 篇实战案例97 分全网领跑。紧跟 2026 最新动态内容增值即涨价早订更划算。一次订阅终身可用私信留言需求可优先更新。YOLO26最新目标检测模型结构专栏目录 | YOLO系列算法改进专栏持续更新中...购买专栏后即可私信我获取完整程序文件以及一键运行的环境️ 所有代码支持直接集成到你的项目中运行与训练无需繁琐配置。 支持按需自由组合模块快速构建适配你数据集的改进方案实现实战有效涨点。✨基础知识 ✨YOLO26一文弄懂 | YOLO26内容详解、网络结构解读 、配置文件详细解读与说明、虚拟环境安装、模型训练、验证、推理参数详细解析 | 保姆级教程入门必读注意力机制 1. YOLO系列算法改进 | 注意力篇 | 融合ParNet并行子网络 | 多分支协同优化特征表达增强模型判别能2. YOLO系列算法改进 | 注意力篇 | 融合GCBlock全局上下文块 | 三重变换捕获全局依赖提升复杂场景鲁棒性3. YOLO系列算法改进 | 注意力篇 | 融合Dual-ViT 双视觉Transformer | 双路径建模协同全局语义与局部特征增强多尺度感知4. YOLO系列算法改进 | 注意力篇 | 融合DCAFE双坐标注意力 | 并行坐标注意力 双池化融合精度涨点5. YOLO系列算法改进 | 注意力篇 | 融合MCAttn蒙特卡洛注意力模块 | 全局上下文与局部细节协同建模破解微小目标特征表达难题6. YOLO系列算法改进 | 注意力篇 | 融合ACmix自注意力与卷积混合模型 | 轻量级设计融合双机制优势实现高效特征提取与推理加速7. YOLO系列算法改进 | 注意力篇 | 融合CAFM卷积块注意力模块 | 轻量级设计优化特征提取流程提升小目标感知8. YOLO系列算法改进 | 注意力篇 | 融合Axial Attention轴向注意力 | 实现高分辨率特征提取助力细节特征关注度9. YOLO系列算法改进 | 注意力篇 | 融合HaloNet 局部自注意力 | 通过分块交互策略实现高效全局上下文建模10. YOLO系列算法改进 | 注意力篇 | 融合SEAM分离与增强注意力模块 | 提升遮挡场景检测鲁棒性11. YOLO系列算法改进 | 注意力篇 | 融合MDCR多扩张通道细化器 | 通过通道划分与异构扩张卷积提升小目标定位能力12. YOLO系列算法改进 | 注意力篇 | 融合DASI维度感知选择性整合模块 | 增强模型的小目标显著性精度涨点13. YOLO系列算法改进 | 注意力篇 | 融合CGAFusion内容引导注意力融合模块 | 抑制噪声提升跨模态检测精度与鲁棒性14. YOLO系列算法改进 | 注意力篇 | 融合SCSA空间与通道协同注意力 | 通过双重注意力机制增强局部-全局特征交互15. YOLO系列算法改进 | 注意力篇 | 融合HAT混合注意力变换器 | 超分重建能力迁移提升小目标特征清晰度与检测精度16. YOLO系列算法改进 | 注意力篇 | 融合ELA高效局部注意力 | 突破降维限制精准定位增强小目标感知17. YOLO系列算法改进 | 注意力篇 | 融合STA超级令牌注意力机制 | 超级令牌采样实现高效全局依赖捕获优化多尺度感知18. YOLO系列算法改进 | 注意力篇 | 融合Deformable-LKA 可变形大核注意力 | 自适应采样网格优化特征捕捉提升不规则目标感知19. YOLO系列算法改进 | 注意力篇 | 融合BRA双层路由注意力 | 助力模型增强小目标特征捕获能力20. YOLO系列算法改进 | 注意力篇 | 融合GCT高斯上下文变换器 | 轻量化通道特征并增强模型高效涨点21. YOLO系列算法改进 | 注意力篇 | 融合SENetV2注意力模块 | 用于通道和全局表示的聚合稠密层结合SE模块和密集层来增强特征表示22. OLO系列算法改进 | 注意力篇 | 融合IIA信息整合注意力模块 | 精准保留空间位置信息平衡精度与计算成本 | TGRS 202523. YOLO系列算法改进 | 注意力篇 | 融合DiffAttention差分注意力模块 | 轻量级差分计算实现高效特征降噪提升模型抗干扰能力 | TMLR 202524. YOLO系列算法改进 | 注意力篇 | 融合Mask Attention掩码注意力模块 | 可学习掩码矩阵破解低分辨率特征提取难题 | ArXiv 202525. YOLO系列算法改进 | 注意力篇 | 融合LRSA局部区域自注意力模块 | 轻量级局部上下文建模弥补长程依赖细节不足 | CVPR2025持续更新中.......✅ Neck改进篇 ✅1. YOLO系列算法改进 | Neck改进篇 | 融合Hyper-YOLO混合聚合网络MANet | 通过多路径设计实现高效特征学习与模型适应性提升2. YOLO系列算法改进 | Neck改进篇 | 融合EFC层间特征相关性模块 | 通过多尺度特征交互减少冗余信息丢失即插即用持续更新中.......卷积篇1. YOLO系列算法改进 | 卷积篇 | 引入ADown轻量化下采样模块 | 助力模型降低参数量与精度涨点2. YOLO系列算法改进 | 卷积篇 | 融合ODConv全维度动态卷积模块 | 四维注意力机制赋能特征提取增强多尺度感知3. YOLO系列算法改进 | 卷积篇 | 融合DynamicConv动态卷积 | 助力YOLO26实现高效参数利用4. YOLO系列算法改进 | 卷积篇 | 引入AKConv可变核卷积模块 | 任意参数与采样形状赋能特征提取提升检测精度5. YOLO系列算法改进 | 卷积篇 | 融合SAConv可切换空洞卷积模块 | 自适应融合多尺度特征优化小目标与遮挡目标感知6. YOLO系列算法改进 | 卷积篇 | 融合DualConv双卷积核模块 | 助力模型轻量化结构设计7. YOLO系列算法改进 | 卷积篇 | 融合SPConv基于分割的卷积模块 | 缓解特征冗余实现高效特征提取8. YOLO系列算法改进 | 卷积篇 | 融合ScConv空间和通道重建卷积 | 轻量化设计助力复杂场景与小目标检测9. YOLO系列算法改进 | 卷积篇 | 融合RFAConv感受野注意力卷积 | 动态调整感受野提升小目标检出精度10. YOLO系列算法改进 | 卷积篇 | 融合DBB多样分支模块 | 增加多尺度卷积路径丰富特征空间11. YOLO系列算法改进 | 卷积篇 | 融合RFB感受野块多分支卷积结构 | 增强感受野与多尺度特征捕获12. YOLO系列算法改进 | 卷积篇 | 融合OREPA在线卷积重参数化模块 | 通过动态结构演化实现高效特征提取与自适应优化13. YOLO系列算法改进 | 卷积篇 | 融合LAE轻量级自适应提取卷积 | 从多尺度特征图中获得更多的上下文信息和高分辨率细节14. YOLO系列算法改进 | 卷积篇 | 融合MogaNet中的ChannelAggregationFFN通道聚合前馈网络 | 优化通道维度的特征助力模型精度涨点15. YOLO系列算法改进 | 卷积篇 | 融合PConv风车状卷积模块 | 用于红外小目标检测提升模型小目标检测精度 | AAAI 202516. YOLO系列算法改进 | 卷积篇 | 融合wConv2D加权卷积模块 | 无损替换标准卷积增强空间建模与特征提取质量 | arXiv 202517. YOLO系列算法改进 | 卷积篇 | 融合PATConv部分注意力卷积模块 | 在减少计算量的同时融合卷积与注意力的优势 | AAAI 202618. YOLO系列算法改进 | 卷积篇 | 融合MKDC多核深度卷积块 | 多分支架构协同捕获局部细节与全局语义提升特征判别力 | ICCV 202519. YOLO系列算法改进 | 卷积篇 | 融合GCNet之金箍棒块GCBlock | 重参数化捕获全局依赖 | CVPR 202520. YOLO系列算法改进 | 卷积篇 | 融合Multi-Order Gated Aggregation多阶门控聚合机制 | 突破表示瓶颈增强复杂场景目标感知能力21. YOLO系列算法改进 | 卷积篇 | 融合多阶门控聚合网络MogaNet与CA block | 提升复杂场景与小目标检测鲁棒性持续更新中.......⛵C3k2改进篇⛵1. YOLO系列算法改进 | C3k2改进篇 | 重参数化RepNCSPELAN4模块 | 通过结构重参数化实现高效特征提取2. YOLO系列算法改进 | C3k2改进篇 | 融合FDConv频率动态卷积模块 | 构建C3k2_FDConv创新模块提升小目标与边界模糊目标检测精度3. YOLO系列算法改进 | C3k2改进篇 | 融合ARConv自适应矩形卷积 | CVPR2025最新卷积动态调整卷积核形状与采样点4. YOLO系列算法改进 | C3k2改进篇 | 融合HMHA分层多头注意力机制 | 设计C3k2_HMHA创新模块打破全参数微调的性能枷锁 | CVPR 20255. YOLO系列算法改进 | C3k2改进篇 | 融合Mona多认知视觉适配器 | 设计C3k2_Mona创新模块优化模型在复杂场景下的目标感知能力 | CVPR 20256. YOLO系列算法改进 | C3k2改进篇 | 融合EVA Block高效视觉注意力块 | 实现多尺度特征自适应融合与通道级特征精炼 | ICIP 20257. YOLO系列算法改进 | C3k2改进篇 | 融合Decoder Block解码器块 | 去模糊和提升图像细节特征精度涨点| CVPR 20258. YOLO系列算法改进 | C3k2改进篇 | 融合IIA信息整合注意力 | 平衡精度与计算成本9. YOLO系列算法改进 | C3k2改进篇 | C3k2融合LWGA轻量分组注意力 | 四路径并行架构破解通道冗余难题10. YOLO系列算法改进 | C3k2改进篇 | 融合CBSA收缩-广播自注意力 | 轻量级设计实现高效特征压缩优化处理效率11. YOLO系列算法改进 | C3k2改进篇 | 融合SFS-Conv空间-频率选择卷积 | 在单卷积层中提取空间和频率维度特征降低通道冗余12. YOLO系列算法改进 | 轻量化iRMB注意力机制 | 含C3k2_iRMB与C2PSA_iRMB13. YOLO系列算法改进 | C3k2改进篇 | 融合DEConv细节增强卷积模块 | 细节增强多分支差分卷积融合标准卷积的完美涨点替代 | TIP 202414. YOLO系列算法改进 | C3k2改进篇 | 融合Inception深度卷积IDWC卷积 | 提升对多尺度目标、长条状目标以及复杂场景下目标的检测精度 | CVPR 202415. YOLO系列算法改进 | C3k2改进篇 | 融合InceptionNeXt的MetaNeXtBlock模块 | 提升对多尺度目标、长条状目标以及复杂场景下目标的检测精度 | CVPR 202416. YOLO系列算法改进 | C3k2改进篇 | 融合FreqFormer网络的SFA空间频率注意力模块 | 增强模型对高频细节的敏感性和全局语义理解能力精准定位小目标 | IJCAI 202417. YOLO系列算法改进 | C3k2改进篇 | 融合FreqFormer网络的CTA通道转置注意力模块 | 增强模型对高频细节的敏感性和全局语义理解能力精准定位小目标 | IJCAI 2024持续更新中....... C2PSA改进篇1. YOLO系列算法改进 | 轻量化iRMB注意力机制 | 含C3k2_iRMB与C2PSA_iRMB2. YOLO系列算法改进 | C2PSA改进篇 | 融合DML轻量级动态混合层改进C2PSA模块 | 提升超分辨率重建质量3. YOLO系列算法改进 | C2PSA改进篇 | 融合TSSA令牌统计自注意力 | 优化遮挡目标感知精度涨点4. YOLO系列算法改进 | C2PSA改进篇 | 融合Mask Attention掩码注意力 | 可学习掩码矩阵破解低分辨率特征提取难题5. YOLO系列算法改进 | C2PSA改进篇 | 融合DiffAttention差分注意力 | 轻量级差分计算实现高效特征降噪提升模型抗干扰能力6. YOLO系列算法改进 | C2PSA改进篇 | 融合CPIASA跨范式交互与对齐自注意力 | 交互对齐机制提升小目标与遮挡目标判别力 | ACM MM20257. YOLO系列算法改进 | C2PSA改进篇 | 融合MSLA多尺度线性注意力 | 并行多分支架构融合上下文语义提升特征判别力8. YOLO系列算法改进 | C2PSA改进篇 | 融合EDFFN高效判别频域前馈网络 | 频域筛选机制增强细节感知优化复杂场景目标检测 | CVPR 20259. YOLO系列算法改进 | C2PSA改进篇 | 融合Mona多认知视觉适配器 | 打破全参数微调的性能枷锁即插即用的提点神器 | CVPR 2025持续更新中.......SPPF改进 1. YOLO系列算法改进 | SPPF篇 | 融合Focal Modulation焦点调制模块 | 即插即用轻量设计优化全局语义捕获2. YOLO系列算法改进 | SPPF篇 | 融合LSKA注意力改进SPPF模块 | 增强多尺度特征提取能力高效涨点3. YOLO系列算法改进 | SPPF篇 | 融合AIFI基于注意力的尺度内特征交互模块 | 替代SPPF构建高效混合编码器提升模型综合效能4. YOLO系列算法改进 | SPPF篇 | 融合SPPELAN空间金字塔池化与增强局部注意力 | 替代SPPF增强多尺度上下文捕获提升检测精度5. YOLO系列算法改进 | SPPF篇 | 融合Mona多认知视觉适配器替换SPPF模块 | 打破全参数微调的性能枷锁即插即用的提点神器持续更新中.......Head改进篇1. YOLO系列算法改进 | Head改进篇 | 融合Detect_LSCD轻量共享卷积检测头 | 轻量化设计破解计算瓶颈增强复杂场景目标感知能力持续更新中....... 采样模块篇 1. YOLO系列算法改进 | 采样模块篇 | 引入EUCB高效上卷积块 | 实现特征图尺度匹配和高效上采样2. YOLO系列算法改进 | 采样模块篇 | 引入CARAFE轻量化采样模块 | 改进Neck网络提升细节特征提取能力3. YOLO系列算法改进 | 采样模块篇 | 融合DRFDSRFD分阶下采样模块 | 强化特征提取稳健性mAP提升2%-7%4. YOLO系列算法改进 | 采样模块篇 | 融合WaveletPool小波池化模块 | ICCV顶会技术强化采样并保留小目标细节5. YOLO系列算法改进 | 采样模块篇 | 融合Haar小波下采样模块 | 减少降采样细节特征丢失精度涨点持续更新中.......Mamba 系列1. YOLO系列算法改进 | 主干改进篇 | 替换MambaOut主干特征提取网络 | MambaOut只用卷积不用Mamba竟然比Mamba还好 | CVPR 20252. YOLO系列算法改进 | 主干改进篇 | 替换MobileMamba主干特征提取网络 | 助力模型保持极致推理速度提升特征表达能力和检测精度 | CVPR 2025持续更新中.......主干改进 1. YOLO系列算法改进 | 主干改进篇 | 替换MobileNetV4主干网络 | 轻量化涨点2. YOLO系列算法改进 | 主干改进篇 | 替换MobileNeXt主干网络 | 新一代移动端模型MobileNeXt来了3. YOLO系列算法改进 | 主干改进篇 | 替换FasterNet主干特征提取网络 | 骨干升级高效特征提取既轻量又涨点4. YOLO系列算法改进 | 主干改进篇 | 替换VanillaNet主干特征提取网络 | 骨干升级高效特征提取实现精度涨点5. YOLO系列算法改进 | 主干改进篇 | 替换ShuffleNetV2主干特征提取网络 | 助力YOLO26等模型实现极致轻量化6. YOLO系列算法改进 | 主干改进篇 | 替换EfficientViT主干特征提取网络 | Transformer级别全局建模能力显著提升检测精度7. YOLO系列算法改进 | 主干改进篇 | 替换LSKNet主干特征提取网络 | 通过动态调整感受野自适应融合长程上下文显著提升小目标与复杂背景下的检测精度8. YOLO系列算法改进 | 主干改进篇 | 替换LSNet主干特征提取网络 | 大范围感知小范围聚焦”的高效特征提取助力精度涨点 | CVPR 20259. YOLO系列算法改进 | 主干改进篇 | 替换SwinTransformer主干特征提取网络 | 用于提高多尺度特征提取能力10. YOLO系列算法改进 | 主干改进篇 | 替换StarNet轻量级主干特征提取网络 | 助力模型保持极致推理速度提升特征表达能力和检测精度 | CVPR 202411. YOLO系列算法改进 | 主干改进篇 | 替换RMT视觉新主干网络 | 助力模型在多尺度目标检测密集检测中实现精度与速度的更好平衡 | CVPR 202412. YOLO系列算法改进 | 主干改进篇 | 替换PKINet主干特征提取网络 | 助力模型在尺度多变与背景复杂场景中提升大、小目标的检测精度 | CVPR 202413. YOLO系列算法改进 | 主干改进篇 | 替换TransXNet主干特征提取网络 | 助力模型兼顾全局上下文与局部细节动态融合新突破 | TNNLS 202514. YOLO系列算法改进 | 主干改进篇 | 替换RevCol可逆柱状神经网络 | 助力模型小目标检测性能精度涨点 | ICLR 202315. YOLO系列算法改进 | 主干改进篇 | 替换EfficientFormerV2网络 | 助力模型在移动端目标检测任务中实现实时推理与高精度检测16. YOLO系列算法改进 | 主干改进篇 | 替换PVTv2金字塔视觉Transformer网络 | 助力模型在检测任务中实现更高的精度-效率平衡 | CVM 202217. YOLO系列算法改进 | 主干改进篇 | 替换GhostNetV3网络 | 助力模型移动端目标检测任务兼顾精度与速度| ArXiv 202418. YOLO系列算法改进 | 主干改进篇 | 替换MobileViTv2轻量化视觉网络 | 助力模型移动视觉检测性能兼顾精度与速度 | ICLR 202219. YOLO系列算法改进 | 主干改进篇 | 替换MogaNet高效多阶门控聚合网络 | 助力模型高效提取判别性特征 | ICLR 202420. YOLO系列算法改进 | 主干改进篇 | 替换MobileViTv3移动视觉轻量化网络 | 解锁局部细节与全局语境精度与效率的双线飙升 | ICLR 202221. YOLO系列算法改进 | 主干改进篇 | 替换ConvNeXt纯卷积神经网络 | 以极致简化的纯卷积架构助力模型提升全局感知能力 | CVPR 202222. YOLO系列算法改进 | 主干改进篇 | 替换ConvNeXtV2轻量化纯卷积网络 | 保留纯卷积的速度优势实现精度与效率的“双倍反超” | CVPR 202323. YOLO系列算法改进 | 主干改进篇 | 替换RepViT轻量级ViT网络 | 以极致速度获得超越轻量级ViT的精度表现 | CVPR 202424. YOLO系列算法改进 | 主干改进篇 | 替换MSPANet尺度空间金字塔注意力网络 | 解锁多尺度特征表示与长程通道依赖的双重增益 | EAAI 202425. YOLO系列算法改进 | 主干改进篇 | 替换EMO高效神经网络架构 | 助力模型以极致速度获得动态建模能力 | ICCV 202326. YOLO系列算法改进 | 主干改进篇 | 替换RDNet可逆解耦网络 | 让深层语义与浅层细节在检测中完美共存提高复杂环境目标检测性能 | CVPR 202527. YOLO系列算法改进 | 主干改进篇 | 替换SMT尺度感知调制Transformer网络 | 以尺度感知调制在浅层精雕细节既能看清纹理又能理解语义 | ICCV 202328. YOLO系列算法改进 | 主干改进篇 | 替换OverLoCK概览-聚焦网络 | 复杂场景下既能快速概览全局又能精准聚焦细节 | CVPR 202529. YOLO系列算法改进 | 主干改进篇 | 替换EMOv2极致轻量级视觉骨干网络 | 以参数共享的跨度窗口注意力在零参数量增长下倍增感受野 | TPAMI 202530. YOLO系列算法改进 | 主干改进篇 | 替换PolaFormer极性感知注意力Transformer网络 | 助力模型在复杂场景中精准锚定目标 | ICLR 202531. YOLO系列算法改进 | 主干改进篇 | 替换GroupMixFormer视觉Transformer | 助力模型在小目标检测中捕捉细微纹理实现精度涨点 | arXiv 202332. YOLO系列算法改进 | 主干改进篇 | 替换NextViT工业级高效视觉Transformer网络 | 以极致速度实现精准检测应对密集小目标与复杂场景 | arXiv 202233. YOLO系列算法改进 | 主干改进篇 | 替换FocalNet无注意力视觉网络 | 助力模型“先看全局后聚焦该看哪里看哪里” | NeurIPS 202234. YOLO系列算法改进 | 主干改进篇 | 替换PoolFormer极简视觉模型 | 助力模型在密集目标、小目标检测场景精度 | arXiv 202235. YOLO系列算法改进 | 主干改进篇 | 替换InceptionNeXt大核深度卷积网络 | 助力模型实现“大核感受野小核开销”的极致效率 | CVPR 2024​​​​​​​持续更新中.......自研改进篇1. YOLO26改进 | 自研篇 |SPPF引入FFCM融合傅里叶卷积混合器 | 构建创新SPPF_FFCM模块增强小目标、遮挡目标检测性能2. YOLO26改进 | 自研篇 | 融合FSConv频率-空间卷积模块 | 空域捕结构频域提升细节深层特征明显增强3. YOLO26改进 | 自研篇 |SPPF引入FFCM融合傅里叶卷积混合器 | 构建创新SPPF_FFCM模块增强小目标、遮挡目标检测性能4. YOLO26改进 | 自研篇 | C3k2融合CGSA频域分离双向门控自注意力 | 构建C3k2_CGSA创新模块抑制冗余信息增强对复杂小目标的检测能力5. YOLO系列算法改进 | 自研篇 | C3k2融合Circulant Attention注意力模块 | 给局部特征提取器装上了全局动态卷积核兼顾效率、精度与泛化能力| AAAI 20266. YOLO系列算法改进 | 自研篇 | C3k2融合MeSA元信息引导自注意力 | 细节捕捉 长距离依赖既轻又准| ArXiv 20257. YOLO系列算法改进 | 自研篇 | 融合SCPP尺度感知金字塔池化模块 | 替代SPPF模块增强模型多尺度特征表达能力涨点必备| TGRS 20258. YOLO系列算法改进 | 自研篇 | C2PSA融合SASAM共享注意力 | 共享注意力多尺度特征融合增强既轻量又涨点| TGRS 20259. YOLO系列算法改进 | 自研篇 | C2PSA融合STFFM时空特征融合模块 | 替代SPPF模块加强特征编码中间阶段特征的相互作用实现精度涨点| TGRS 202510. YOLO系列算法改进 | 自研篇 | C3k2融合SEFN空间增强前馈网络模块 | 去模糊和提升图像细节特征精度涨点| WACV 202511. YOLO系列算法改进 | 自研篇 | C3k2融合ACFM注意力和卷积融合模块 | 增强全局和局部特征的建模能够捕获长期特征相关性和空间自相关性 | ICASSP 202512. YOLO系列算法改进 | 自研篇 | C3k2融合FSTA频率驱动的时空注意力模块 | 以极少的可学习参数自适应校准不同时间/帧间的特征重要性 | AAAI 202513. YOLO系列算法改进 | 自研篇 | C2PSA融合频率驱动的Temporal Attention时空注意力模块 | 轻量化模型的同时动态校准多帧特征的重要性 | AAAI 202514. YOLO系列算法改进 | 自研篇 | C3k2融合CSAM跨切片建模注意力 | 以三重串行注意力让模型在复杂场景中看得更准、聚焦更稳、泛化更强| WACV 2024​​​​​​​持续更新中.......持续更新中YOLO26有效涨点创新改进享最前沿最新顶会顶刊创新改进点包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、多种改进组合创新改进、全网独家创新等几百种创新点改进。订阅专栏的小伙伴私信博主邀你进博客答疑群获取完整一键运行项目永久持续更新中ing.....