YOLOv10有效改进系列及项目实战目录：卷积，主干注意力，检测头等创新机制

置顶 YOLO大师

已于 2024-07-22 17:07:11 修改

阅读量2.1k

点赞数 16

CC 4.0 BY-SA版权

分类专栏： YOLOv10 创新改进文章标签： YOLO yolov10 目标检测人工智能论文阅读

于 2024-07-13 20:00:21 首次发布

原创文章，禁止任何形式转载！

本文链接：https://blog.csdn.net/shangyanaf/article/details/140405381

YOLOv10 创新改进专栏收录该内容

67 篇文章 ¥99.90 ¥299.90

订阅专栏

YOLOv10目标检测创新改进与实战案例专栏

专栏链接: YOLOv10 创新改进有效涨点

请添加图片描述

专栏介绍

💖💖💖目前已有 60+ 篇，至少更新150+，其中包括注意力机制替换、卷积优化、检测头创新、损失与IOU优化、block优化与多层特征融合、轻量级网络设计。

重要🔥🔥🔥：订阅专栏的的小伙伴，可以私信博主，加入YOLOv10改进交流群，获取完整的可运行代码：QQ：3880513775

🍗🍗🍗 专栏涨价趋势 99 -> 159-> 199，越早订阅越划算

本专栏不仅关注最新的研究成果，还会持续更新和回顾那些经过实践验证的改进机制。

包括：注意力机制替换、卷积优化、检测头创新、损失与IOU优化、block优化与多层特征融合、轻量级网络设计等改进思路，帮助您实现全方位的创新。

在这里插入图片描述

适用场景与任务

专栏内容适用于各种场景，包括但不限于：

红外成像
小目标检测
工业缺陷检测
医学影像
遥感目标检测
低对比度场景

标题	链接	改进点
【YOLOv10改进-注意力机制】MCA：用于图像识别的深度卷积神经网络中的多维协作注意力	https://blog.csdn.net/shangyanaf/article/details/140307968	注意力机制
【YOLOv10改进-注意力机制】 MSDA：多尺度空洞注意力 (论文笔记+引入代码)	https://blog.csdn.net/shangyanaf/article/details/140072501	注意力机制
【YOLOv10改进-注意力机制】MSCAAttention多尺度卷积注意力	https://blog.csdn.net/shangyanaf/article/details/139998872	注意力机制
【YOLOv10改进-注意力机制】iRMB：倒置残差移动块 (论文笔记+引入代码)	https://blog.csdn.net/shangyanaf/article/details/140072635	注意力机制
【YOLOv10改进-注意力机制】CoordAttention：用于移动端的高效坐标注意力机制	https://blog.csdn.net/shangyanaf/article/details/139993927	注意力机制
【YOLOv10改进-注意力机制】Polarized Self-Attention: 极化自注意力，双重注意力机制	https://blog.csdn.net/shangyanaf/article/details/140162764	注意力机制
【YOLOv10改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力	https://blog.csdn.net/shangyanaf/article/details/140236320	注意力机制
【YOLOv10改进-注意力机制】Non-Local：基于非局部均值去噪滤波的自注意力模型	https://blog.csdn.net/shangyanaf/article/details/140279001	注意力机制
【YOLOv10改进-注意力机制】STA(Super Token Attention) 超级令牌注意力机制	https://blog.csdn.net/shangyanaf/article/details/140279826	注意力机制
【YOLOv10改进-注意力机制】HAT(Hybrid Attention Transformer,)混合注意力机制	https://blog.csdn.net/shangyanaf/article/details/140192367	注意力机制
【YOLOv10改进-注意力机制】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力	https://blog.csdn.net/shangyanaf/article/details/140152733	注意力机制
【YOLOv10改进-注意力机制】CPCA(Channel prior convolutional attention)中的通道注意力,增强特征表征能力	https://blog.csdn.net/shangyanaf/article/details/140224627	注意力机制
【YOLOv10改进-注意力机制】DAT（Deformable Attention）：可变形注意力	https://blog.csdn.net/shangyanaf/article/details/140224009	注意力机制
【YOLOv10改进-注意力机制】D-LKA Attention：可变形大核注意力	https://blog.csdn.net/shangyanaf/article/details/140190549	注意力机制
【YOLOv10改进-注意力机制】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块	https://blog.csdn.net/shangyanaf/article/details/140059424	注意力机制
【YOLOv10改进-注意力机制】CoTAttention:上下文转换器注意力	https://blog.csdn.net/shangyanaf/article/details/140280057	注意力机制
【YOLOv10改进-注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力	https://blog.csdn.net/shangyanaf/article/details/140224976	注意力机制
【YOLOv10改进-注意力机制】MSFN(Multi-Scale Feed-Forward Network):多尺度前馈网络	https://blog.csdn.net/shangyanaf/article/details/140280742	注意力机制
【YOLOv10改进- 注意力机制】SENetV2: 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	https://blog.csdn.net/shangyanaf/article/details/140308722	注意力机制
【YOLOv10改进- 注意力机制】 CBAM：针对卷积神经网络（CNN）设计的新型注意力机制	https://blog.csdn.net/shangyanaf/article/details/140139070	注意力机制
【YOLOv10改进 - 注意力机制】SKAttention：聚合分支信息，实现自适应调整感受野大小	https://blog.csdn.net/shangyanaf/article/details/140082587	注意力机制
【YOLOv10改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力	https://blog.csdn.net/shangyanaf/article/details/140087132	注意力机制

主干

标题	链接	改进点
【YOLOv10改进- Backbone主干】EfficientRep：一种旨在提高硬件效率的RepVGG风格卷积神经网络架构	https://blog.csdn.net/shangyanaf/article/details/140309058	主干
【YOLOv10改进】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV10参数	https://blog.csdn.net/shangyanaf/article/details/140335412	主干
【YOLOv10改进- Backbone主干】清华大学CloFormer AttnConv ：利用共享权重和上下文感知权重增强局部感知，注意力机制与卷积的完美融合	https://blog.csdn.net/shangyanaf/article/details/140307198	主干

特征融合

标题	链接	改进点
【YOLOv10改进- 特征融合NECK】Slim-neck：目标检测新范式，既轻量又涨点	https://blog.csdn.net/shangyanaf/article/details/140237404	特征融合NECK
【YOLOv10改进-特征融合篇】EVC(Explicit Visual Center): 中心化特征金字塔模块 \| 小目标	https://blog.csdn.net/shangyanaf/article/details/140143687	特征融合篇 \| 小目标
【YOLOv10改进- 特征融合NECK】CARAFE：轻量级新型上采样算子，助力细节提升	https://blog.csdn.net/shangyanaf/article/details/140000246	特征融合篇
【YOLOv10改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器	https://blog.csdn.net/shangyanaf/article/details/139992290	特征融合篇
【YOLOv10改进- 特征融合NECK】BiFPN：加权双向特征金字塔网络	https://blog.csdn.net/shangyanaf/article/details/140191593	特征融合
【YOLOv10改进- 特征融合NECK】 AFPN ：渐进特征金字塔网络	https://blog.csdn.net/shangyanaf/article/details/140280425	特征融合
【YOLOv10改进- 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合	https://blog.csdn.net/shangyanaf/article/details/140071712	特征融合
【YOLOv10改进-损失函数】Shape-IoU：考虑边框形状与尺度的指标	https://blog.csdn.net/shangyanaf/article/details/140185105	损失函数
【YOLOv10改进-注意力机制】ACmix(Mixed Self-Attention and Convolution) ：自注意力与卷积混合模型	https://blog.csdn.net/shangyanaf/article/details/140152193	混合卷积注意力机制
【YOLOv10改进】CAFM(Convolution and Attention Fusion Module):卷积和注意力融合模块 \| 小目标	https://blog.csdn.net/shangyanaf/article/details/140161914	混合卷积注意力机制

卷积

标题	链接	改进点
【YOLOv10改进 -卷积Conv】 AKConv(可改变核卷积)：任意数量的参数和任意采样形状的即插即用的卷积	https://blog.csdn.net/shangyanaf/article/details/139991759	CONV
【YOLOv10改进-卷积Conv】动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务	https://blog.csdn.net/shangyanaf/article/details/140007047	CONV
【YOLOv10改进-卷积Conv】SCConv ：即插即用的空间和通道重建卷积	https://blog.csdn.net/shangyanaf/article/details/140012110	CONV
【YOLOv10改进-卷积Conv】RFAConv：感受野注意力卷积，创新空间注意力	https://blog.csdn.net/shangyanaf/article/details/140191150	CONV
【YOLOv10改进-卷积Conv】 SPD-Conv空间深度转换卷积，处理低分辨率图像和小对象问题	https://blog.csdn.net/shangyanaf/article/details/140060105	CONV
【YOLOv10改进-特征融合】YOLO-MS MSBlock : 分层特征融合策略	https://blog.csdn.net/shangyanaf/article/details/140143074	CONV
【YOLOv10改进-卷积Conv】 ODConv(Omni-Dimensional Dynamic Convolution)：全维度动态卷积	https://blog.csdn.net/shangyanaf/article/details/140201668	CONV
【YOLOv10改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积	https://blog.csdn.net/shangyanaf/article/details/140226526	CONV
【YOLOv10改进-卷积Conv】 ParameterNet：DynamicConv(Dynamic Convolution)：2024最新动态卷积	https://blog.csdn.net/shangyanaf/article/details/140163390	CONV
【YOLOv10改进 -卷积Conv】 RFB (Receptive Field Block)：多分支卷积块	https://blog.csdn.net/shangyanaf/article/details/140071097	CONV
【YOLOv10改进 -卷积Conv】 OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化	https://blog.csdn.net/shangyanaf/article/details/140071865	CONV
【YOLOv10改进-卷积Conv】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核	https://blog.csdn.net/shangyanaf/article/details/140163787	CONV