【专栏目录】_drone-yolo复现

摘要

本专栏是讲解如何改进YoloV5|V7的专栏。改进方法采用了最新的论文提到的方法。改进的方法包括：增加注意力机制、更换卷积、更换block、更换backbone、更换head、更换优化器等；每篇文章提供了一种到N种改进方法。

评测用的数据集是我自己标注的数据集，里面包含32种飞机。每种改进方法我都做了测评，并与官方的模型做对比。

代码和PDF版本的文章，我在验证无误后会上传到百度网盘中，方便大家下载使用。

求质不求量，争取尽心尽力打造精品专栏！！！

欢迎订阅，谢谢大家支持！！！


已经更30篇内容，还在持续更新中。。。。

YoloV7改进策略：双动态令牌混合器（D-Mixer）的TransXNet，实现YoloV7的有效涨点

YoloV7改进策略：双动态令牌混合器（D-Mixer）的TransXNet，实现YoloV7的有效涨点

YoloV5改进策略：双动态令牌混合器（D-Mixer）的TransXNet，实现YoloV5的有效涨点

YoloV5改进策略：双动态令牌混合器（D-Mixer）的TransXNet，实现YoloV5的有效涨点

YoloV5改进策略：UniRepLKNet，大核卷积的最新成果，轻量高效的首选（全网首发）

YoloV5改进策略：UniRepLKNet，大核卷积的最新成果，轻量高效的首选（全网首发）

YoloV5改进策略：Swift Parameter-free Attention，无参注意力机制，超分模型的完美迁移

YoloV5改进策略：Swift Parameter-free Attention，无参注意力机制，超分模型的完美迁移

YoloV5改进策略：Gold-YOLO高效目标检测器与YoloV5激情碰撞

YoloV5改进策略：Gold-YOLO高效目标检测器与YoloV5激情碰撞

YoloV5改进策略：AKConv即插即用，轻松涨点

YoloV5改进策略：AKConv即插即用，轻松涨点

YoloV7改进策略：AKConv即插即用，轻松涨点

YoloV7改进策略：AKConv即插即用，轻松涨点

YoloV7改进策略：RefConv打造轻量化YoloV7利器

YoloV7改进策略：RefConv打造轻量化YoloV7利器

YoloV5改进策略：RefConv打造轻量化YoloV5利器

YoloV5改进策略：RefConv打造轻量化YoloV5利器

YoloV7改进策略：独家原创，全网首发，复现Drone-Yolo，以及改进方法

YoloV7改进策略：独家原创，全网首发，复现Drone-Yolo，以及改进方法

YoloV5改进策略：独家原创，全网首发，复现Drone-Yolo，以及改进方法

YoloV5改进策略：独家原创，全网首发，复现Drone-Yolo，以及改进方法

YoloV7改进策略：独家原创，LSKA（大可分离核注意力）改进YoloV7，比Transformer更有效，包括论文翻译和实验结果

YoloV7改进策略：独家原创，LSKA（大可分离核注意力）改进YoloV7，比Transformer更有效，包括论文翻译和实验结果

YoloV5改进策略：独家原创，LSKA（大可分离核注意力）改进YoloV5，比Transformer更有效，包括论文翻译和实验结果

YoloV5改进策略：独家原创，LSKA（大可分离核注意力）改进YoloV5，比Transformer更有效，包括论文翻译和实验结果

YoloV7改进策略：重新封装YoloV7，方便后续更改

YoloV7改进策略：重新封装YoloV7，方便后续更改

YoloV7改进策略：复现HIC-YOLOv5，打造HIC-YOLOv7，用于小物体检测

YoloV7改进策略：复现HIC-YOLOv5，打造HIC-YOLOv7，用于小物体检测

YoloV7改进策略：SwiftFormer，全网首发，独家改进的高效加性注意力用于实时移动视觉应用的模型，重构YoloV7

YoloV7改进策略：SwiftFormer，全网首发，独家改进的高效加性注意力用于实时移动视觉应用的模型，重构YoloV7

YoloV5改进策略：SwiftFormer，全网首发，独家改进的高效加性注意力用于实时移动视觉应用的模型，重构YoloV5

YoloV5改进策略：SwiftFormer，全网首发，独家改进的高效加性注意力用于实时移动视觉应用的模型，重构YoloV5

YoloV5|V7改进策略：全新特征融合模块AFPN，更换YoloV5|V7的Neck

YoloV5|V7改进策略：全新特征融合模块AFPN，更换YoloV5|V7的Neck

YoloV7改进策略：EfficientViT，高效的视觉transformer与级联组注意力提升YoloV7的速度和精度，打造高效的YoloV7

YoloV7改进策略：EfficientViT，高效的视觉transformer与级联组注意力提升YoloV7的速度和精度，打造高效的YoloV7

YoloV5改进策略：EfficientViT，高效的视觉transformer与级联组注意力提升YoloV5的速度和精度，打造高效的YoloV5

YoloV5改进策略：EfficientViT，高效的视觉transformer与级联组注意力提升YoloV5的速度和精度，打造高效的YoloV5

HIC-YOLOv5：改进的YOLOv5，用于小物体检测

HIC-YOLOv5：改进的YOLOv5，用于小物体检测

YoloV5改进策略：LSKNet加入到YoloV5中，打造更适合小目标的YoloV5

YoloV5改进策略：LSKNet加入到YoloV5中，打造更适合小目标的YoloV5

LSKNet核心思想是通过学习旋转不变的特征表示来提高目标检测的性能。在目标检测任务中，特别是遥感图像的目标检测，目标的旋转是一个常见的挑战。为了解决这个问题，LSKNet采用了一种新颖的旋转敏感的卷积操作，能够有效地捕捉到遥感图像中目标的旋转信息。

YoloV5改进实战：使用MPDIoU改进YoloV5

YoloV5改进实战：使用MPDIoU改进YoloV5

MPDIoU（Minimum Point Distance based IoU）是一种用于边界框回归的损失函数，旨在解决现有损失函数在预测边界框与真值边界框具有相同长宽比但宽度和高度的值完全不同时无法有效优化的问题。

MPDIoU包含三个关键因素：重叠或非重叠区域、中心点距离以及宽度和高度的偏差。它通过最小化预测边界框和真值边界框之间的点距离来计算IoU，从而简化了计算过程。