CSDN独家原创｜YOLOv5改进、YOLOv7改进、YOLOv8改进、YOLOX改进目录一览｜YOLO改进模型全系列目录（芒果书系列） | 人工智能专家老师联袂推荐

一、芒果改进系列必读

🔥 《芒果书》系列改进专栏内的改进文章，均包含多种模型改进方式，均适用于YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX 、YOLOv5 、 YOLOv7 、 YOLOv8 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

所有文章博客均包含改进源代码

🔥 对应专栏订阅的越早，就可以越早使用原创创新点去改进模型，抢先一步

以下《芒果书》改进YOLO专栏内容 适用于以下主流模型的改进

YOLOv3 、YOLOv4 、 YOLOR 、 YOLOX
YOLOv5 、 YOLOv7 、 YOLOv8
… 以上模型改进均适用《芒果书》🥭专栏系列

点击以下链接 查看文章目录详情🔗

• 💡🎈☁️：一、CSDN原创《芒果改进YOLO高阶指南》强烈改进涨点推荐！📚推荐指数：🌟🌟🌟🌟🌟

• 💡🎈☁️：二、CSDN原创YOLO进阶 | 《芒果改进YOLO进阶指南》改进涨点推荐！📚推荐指数：🌟🌟🌟🌟🌟

• 💡🎈☁️：三、CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！推荐指数：🌟🌟🌟🌟🌟

点击下图查看 详情🔎 芒果改进YOLO高阶专栏🌟🌟🌟

• 💡🎈☁️：CSDN原创《芒果改进YOLO高阶指南》推荐！🌟🌟🌟🌟🌟

点击下图查看 详情🔎 芒果改进YOLO进阶专栏🌟🌟

• 💡🎈☁️：CSDN原创YOLO进阶目录 | 《芒果改进YOLO进阶指南》推荐！🌟🌟🌟🌟🌟

点击下图查看 详情🔎 目标检测改进YOLO指南🌟

• 💡🎈☁️：CSDN独家全网首发专栏 | 《目标检测YOLO改进指南》改进涨点推荐！🌟🌟🌟🌟🌟

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 、YOLOv8
• 标题为改进YOLOv7系列 的 也适用于 YOLOv5 、YOLOv8

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

二、推荐｜🔥🔥🔥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

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

《芒果改进YOLO高阶指南》推荐

• 💡🎈☁️：YOLOv5/v7/v8改进最新主干系列BiFormer：顶会CVPR2023即插即用，小目标检测涨点必备，首发原创改进，基于动态查询感知的稀疏注意力机制、构建高效金字塔网络架构，打造高精度检测器

• 💡🎈☁️：YOLOv7、YOLOv5改进多种检测解耦头系列｜即插即用：首发最新更新超多种高精度&轻量化解耦检测头（最新检测头改进集合），内含多种检测头/解耦头改进，高效涨点

• 💡🎈☁️：YOLOv5/v7/v8 改进首发最新PWConv核心结构｜来自最新CVPR2023顶会，进一步轻量化！测试数据集mAP有效涨点，进一步降低参数量，追求更高的 FLOPS

• 💡🎈☁️：全网独家首发｜YOLOv7改进方式提升(代码二)，使得改进难度下降，将网络配置层数从104层极致压缩到24层，更清晰更方便更快的改进YOLOv7，完全对齐官方YOLOv7网络模型数据

• 💡🎈☁️：YOLO系列全网首发改进最新：新颖特定任务检测头TSCODE｜(适用YOLOv5/v7)创新性Max，即插即用检测头，用于目标检测的特定任务上下文解耦头机制，助力YOLOv7目标检测器高效涨点！

• 💡🎈☁️：SCI期刊写作必备（二）：代码｜手把手绘制目标检测领域YOLO论文常见的性能对比折线图，一键生成YOLOv7等主流论文同款图表，包含多种不同功能风格对比图表

• 💡🎈☁️：YOLOv7首发改进最新主干FasterNet系列：最新CVPR2023顶会录用Backbone，为更快的神经网络追求更高的 FLOPS，参数量计算量下降、FPS提高

• 💡🎈☁️：YOLOv7改进标签分配策略AlignOTA：创新点Max，首发最新改进为全新AlignOTA标签分配策略，思路来自阿里达摩院出品的DAMOYOLO，打造高性能YOLOv7检测器

• 💡🎈☁️：YOLOv5改进、YOLOv7改进｜YOLO改进超过50种注意力机制，全篇共计30万字（内附改进源代码），原创改进50种Attention注意力机制和Transformer自注意力机制

• 💡🎈☁️：原创最新｜SCI写作必备（一）绘制YOLOv7论文同款性能对比图-Python：包含多种不同功能风格图表｜包括mAP、Params、FPS等对比图表（YOLOv6/YOLOv7同款）

• 💡🎈☁️：YOLOv7改进之损失函数EfficiCIoU-Loss：独家首发最新｜结合EfficiCIoULoss损失函数(适用于YOLOv5)，新的增强预测帧调整并加快帧回归率，加快网络模型收敛

• 💡🎈☁️：YOLOv5、YOLOv7改进之实验结果新增mAP75的值(一)：新增打印mAP75的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据

• 💡🎈☁️：YOLOv5、YOLOv7改进之实验结果打印F1 Score的值(二)：新增打印F1 Score的值，便于YOLOv5系列模型对比实验获取更多精度数据，丰富实验数据

• 💡🎈☁️：YOLOv5、YOLOv7改进之训练结果完善results.png、results.csv打印的数据(三)｜全网首发原创制作，新增打印mAP75和F1的值，修改原始风格，丰富实验数据

• 💡🎈☁️：YOLOv7、YOLOv5改进之打印热力图可视化：适用于自定义模型，丰富实验数据

• 💡🎈☁️：YOLOv7、YOLOv5改进之输出COCO指标：输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集，精度基本对齐，丰富实验数据，便于对比

• 💡🎈☁️：YOLOv5改进首发最新主干FasterNet系列：最新CVPR2023录用｜顶会Backbone，为更快的神经网络追求更高的 FLOPS，超越其他轻量化模型

持续更新中

《芒果改进YOLO进阶指南》推荐

• 💡🎈☁️：YOLOv5改进损失函数：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU｜Focal-GIoU、DIoU等，实测 YOLOv5 模型高效涨点

• 💡🎈☁️：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

• 💡🎈☁️：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

• 💡🎈☁️：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

• 💡🎈☁️：芒果改进YOLOv5系列：2023年最新论文出品｜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｜2023年最新论文设计高效 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2022), 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NIPS2022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NeurIPS2022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 ICLR2022 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2022), 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 ICLR2022 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

《目标检测YOLO改进指南》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！

• 💡🎈☁️：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 2021 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｜CVPR2022 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

• 改进YOLO系列：4.YOLOv5_最新MobileOne结构换Backbone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YOLOv7系列：26.CVPR2022. ConvNeXt结合YOLOv7 | 基于ConvNeXt结构 构建 CNeB 模块🌟

• 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：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：2.PicoDet结构的修改🌟

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)

三、开源｜🚀开源库 YOLOAir 🌟

作者：CSDN芒果汁没有芒果
地址：https://github.com/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：https://github.com/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！

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：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：9.BoTNet Transformer结构的修改🌟

• 改进YOLO系列：5.CotNet Transformer结构的修改🌟

• 改进YOLO系列：3.Swin Transformer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🌟

⚠️ 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.

注意事项

有些很基础的模块（比如C3、C3HB、C3TR、C3STR等等等），如果没找到，那就是默认比较基础的东西，去yoloair算法库中去找就可以了https://github.com/iscyy/yoloair

改进也需要一些基础，不是完全不懂就能改的