必读内容1️⃣什么不知道如何改进模型⁉️ 本专栏已更新300不同的改进方法所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程所有改进100%可直接运行性价比极高。2️⃣找不到合适的模块⁉️ 所有改进点均为近三年顶会顶刊提出的先进算法将其融入到RT-DETR中并进行二次创新新颖度高创新度高能够适应不同的任务场景。3️⃣不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊从入门到论文的各种答疑内容非常适合新手。4️⃣ 团队内发表数篇SCI论文熟悉完整的发表流程已帮助多名同学成功发表论文。专栏内容每周更新3-5篇专栏实时评分97全网最高质量保证。近期会持续更新2026年最新模块改进专栏价格会随着文章数量的增加而增加早订阅早优惠~前60人限时优惠一次订阅永久使用可开发票用于报销可远程调试报错。5️⃣ 专栏内容会持续更新最近更新时间2026-3-16。全新的RT-DETR更易发文RT-DETR-l 模型结构RT-DETR改进目录一览持续更新中ing项目介绍在大家购买专栏后加入学习群便可获得全部的程序文件下方仅为列出的部分文件截图。在获取到文件后只需按照将程序放在个人项目中即可运行训练。群内有我录制的关于如何改进模型的视频方便大家下载学习。可自行组合成不同的模块实现针对你数据集的有效涨点。专栏购买链接RT-DETR改进专栏——以发表论文的角度快速准确的找到有效涨点的创新点项目环境版本如下按照个人硬件配置即可Python3.8.10PyTorch2.0.0CUDA11.8编辑器VS CodeUltralytics8.3.13— 基础篇— 1、RT-DETR训练自己的数据集从代码下载到实例测试2、RT-DETR改进前必看 - Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进3、使用AutoDL训练RT-DETR等计算机视觉网络模型AutoDLXftpVS Code附详细操作步骤4、RT-DETR目标检测模型性能评价指标详解涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等一文打尽所有评价指标5、RT-DETR训练前的准备将数据集划分成训练集、测试集验证集附完整脚本及使用说明6、RT-DETR模型结构详解在Ultralytics项目中配置rtdetr-resnet18、rtdetr-resnet347、RT-DETR论文阅读DETRs Beat YOLOs on Real-time Object Detection8、RT-DETR模型应用过程中的报错处理及疑问解答涉及环境搭建、模型训练、模块改进、论文写作9、RT-DETR改进入门篇 | 手把手讲解改进模块如何实现高效涨点以SimAM注意力模块为例10、RT-DETR在新版本的ultralytics项目包如何配置添加新的模块base_modules、repeat_modules论文写作 — 丰富工作量1、论文必备 - RT-DETR输出模型每一层的耗时和GFLOPs深入比较每一层模块的改进效果2、论文必备 - RT-DETR统计数据集中大、中、小目标数量附完整代码和详细使用步骤3、论文必备 - 绘制RT-DETR模型在训练过程中精准率召回率mAP_0.5mAP_0.5:0.95以及各种损失的变化曲线4、论文必备 - RT-DETR热力图可视化支持指定模型指定显示层设置置信度以及10种可视化实现方式5、论文必备 - RT-DETR训练前一键扩充数据集支持9种扩充方法支持图像和标签同步扩充6、论文必备 - RT-DETR计算COCO指标和TIDE指标小目标检测必备更全面的评估和指导模型性能包含完整步骤和代码7、RT-DETR 一键输出FPS、层数、参数量、计算量、模型大小、推理延时卷积层 — 发文常客1、RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息提高多类别分类能力 含二次创新2、RT-DETR改进策略【卷积层】| CVPR-2020 Strip Pooling 空间池化模块 处理不规则形状的对象 含二次创新3、RT-DETR改进策略【卷积层】| 2024最新轻量级自适应提取模块 LAE 即插即用 保留局部信息和全局信息4、RT-DETR改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野降低参数量计算量独家创新助力涨点5、RT-DETR改进策略【卷积层】| CVPR-2021 多样分支块DBB替换下采样模块 并二次创新ResNetLayer6、RT-DETR改进策略【卷积层】| RCS-OSA 通道混洗的重参数化卷积 二次创新ResNetLayer7、RT-DETR改进策略【卷积层】| SPD-Conv 针对小目标和低分辨率图像的检测任务8、RT-DETR改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对ResNetLayer进行二次创新9、RT-DETR改进策略【卷积层】| AKConv 具有任意采样形状和任意参数数量的卷积核10、RT-DETR改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合ResNetLayer进行二次创新,提高精度11、RT-DETR改进策略【卷积层】| 引入注意力卷积模块RFAConv关注感受野空间特征 助力RT-DETR精度提升12、RT-DETR改进策略【卷积层】| HWD引入Haar小波变换到下采样模块中减少信息丢失13、RT-DETR改进策略【卷积层】| NeurIPS-2022 ParNet 即插即用模块 二次创新ResNetLayer14、RT-DETR改进策略【卷积层】| SAConv 可切换的空洞卷积 二次创新ResNetLayer15、RT-DETR改进策略【卷积层】| GnConv一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作16、RT-DETR改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积改进ResNetLayer17、RT-DETR改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化ResNetLayer18、RT-DETR改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含ResNetLayer二次独家创新19、RT-DETR改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积降低内存占用20、RT-DETR改进策略【卷积层】| CVPR-2023 SCConv 空间和通道重建卷积即插即用减少冗余计算并提升特征学习21、RT-DETR改进策略【卷积层】| CVPR-2024 PKI Module 获取多尺度纹理特征适应尺度变化大的目标22、RT-DETR改进策略【卷积层】| RFEM感受野增强模块 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题23、RT-DETR改进策略【卷积层】| AAAI 2025 风车状卷积PConv实现感受野的高效扩张24、RT-DETR改进策略【卷积层】| AAAI 2025 FBRT-YOLO 应用RT-DETR 加强跨层特征融合能力与多尺度适应性含 l 和 resnet18 两个版本25、RT-DETR改进策略【卷积层】| CVPR 2024LEGM 局部特征嵌入全局特征提取 适用于低质量图像特征提取任务26、RT-DETR改进策略【卷积层】| CVPR 2025动态双曲正切Dynamic TanhDyT模块维持模型性能与训练稳定性27、RT-DETR改进策略【卷积层】| DEConv: 强度信息与梯度特征融合的细节增强 适用于小目标与细节目标检测任务28、RT-DETR改进策略【卷积层】| YOLO-MS中的MSBlock分层多分支 GQL 引导多尺度特征增强与污染空间信息过滤29、RT-DETR改进策略【卷积层】| DWRSeg 高效获取多尺度上下文信息涉及resnet18、resnet50、rtdetr-l30、RT-DETR改进策略【卷积层】| CVPR 2025 频率动态卷积 FDConv 频域分权重提多样性 双调制降冗余增强特征表征能力31、RT-DETR改进策略【卷积层】| arXiv 2025 YOLO-Master中的稀疏混合专家ES-MoE 动态路由提适配 稀疏激活降延迟突破精度-效率权衡Backbone/主干网络1、RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络加强细节特征的提取和融合2、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为Swin Transformer提高多尺度特征提取能力3、RT-DETR改进策略【Backbone/主干网络】| ICLR-2023 替换骨干网络为RevCol 一种新型神经网络设计范式4、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR LSKNet 附网络详解和完整配置步骤5、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR ConvNeXt V2 附网络详解和完整配置步骤6、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征适应尺度变化大的目标7、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT增强空间信息的感知能力8、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024替换骨干网络为 UniRepLKNet解决大核 ConvNets 难题9、RT-DETR改进策略【Backbone/主干网络】| 替换骨干为PoolFormer基于平均池化的Token混合器通过聚合局部邻域特征实现信息交互10、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt将大核深度卷积分解为四个并行分支平衡速度与精度11、RT-DETR改进策略【Backbone/主干网络】| CVPR 2025 替换骨干为MambaOut去除冗余结构挖掘视觉Mamba潜力Conv和Transformer — 发文热点1、RT-DETR改进策略【Conv和Transformer】| ICCV-2023 iRMB 倒置残差移动块 轻量化的注意力模块2、RT-DETR改进策略【Conv和Transformer】| CVPR-2022 Deformable Attention Transformer 可变形注意力 动态关注目标区域3、RT-DETR改进策略【Conv和Transformer】| 2023 引入CloFormer中的Clo block 双分支结构融合高频低频信息二次创新AIFI4、RT-DETR改进策略【Conv和Transformer】| GRSL-2024最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰5、RT-DETR改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新)6、RT-DETR改进策略【Conv和Transformer】| ACmix 卷积和自注意力的结合充分发挥两者优势7、RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力8、RT-DETR改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制提高网络性能9、RT-DETR改进策略【Conv和Transformer】| CVPR-2021 Bottleneck Transformers 简单且高效的自注意力模块10、RT-DETR改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势弥补传统方法不足11、RT-DETR改进策略【Conv和Transformer】| CVPR-2023 BiFormer 稀疏自注意力减少内存占用12、RT-DETR改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大图像质量低的检测任务13、RT-DETR改进策略【Conv和Transformer】| HiLo注意力机制 通过分离处理图像的高频和低频信息高效处理图像特征14、RT-DETR改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的CTA 通道转置注意力 二次改进HGBlock、ResNetLayer15、RT-DETR改进策略【Conv和Transformer】| TGRS 2024MDAF 多尺度双表示对齐滤波器结合空间和频域特征16、RT-DETR改进策略【Conv和Transformer】| CVPR 2023Super Token Attention 超级令牌注意力机制RT-DETR和Mamba — 最新热点1、RT-DETR改进策略【RT-DETR和Mamba】| CVPR 2025EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作提升目标检测效率与精度2、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-T !!! 最新的发文热点3、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-B !!! 最新的发文热点4、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-L !!! 最新的发文热点5、RT-DETR改进策略【RT-DETR和Mamba】| MLLAMamba-Like Linear Attention融合Mamba设计优势的注意力机制模型轻量化 — 加速推理1、RT-DETR改进策略【模型轻量化】| MoblieNet V42024 轻量化网络 移动生态系统的通用模型2、RT-DETR改进策略【模型轻量化】| MoblieNet V3基于搜索技术和新颖架构设计的轻量型网络模型3、RT-DETR改进策略【模型轻量化】| ShuffleNet V1一个用于移动设备的极其高效的卷积神经网络4、RT-DETR改进策略【模型轻量化】| Shufflenet V2通过通道划分构建高效网络高效的CNN架构设计的实用指南5、RT-DETR改进策略【模型轻量化】| StarNetCVPR-2024 超级精简高效的轻量化模块6、RT-DETR改进策略【模型轻量化】| MobileViT V1高效的信息编码与融合模块获取局部和全局信息7、RT-DETR改进策略【模型轻量化】| GhostNet V1基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构8、RT-DETR改进策略【模型轻量化】| GhostNet V2NeurIPS-2022 Spotlight 利用远距离注意力增强廉价操作9、RT-DETR改进策略【模型轻量化】| RepViTCVPR-2024 轻量级的Vision Transformers架构10、RT-DETR改进策略【模型轻量化】| FasterNet CVPR-2023 高效快速的部分卷积块11、RT-DETR改进策略【模型轻量化】| VanillaNet华为的极简主义骨干网络12、RT-DETR改进策略【模型轻量化】| EfficientViTICCV 2023 用于高分辨率密集预测的多尺度线性关注13、RT-DETR改进策略【模型轻量化】| PP-LCNet轻量级的CPU卷积神经网络14、RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构15、RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2加速训练快速收敛16、RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1用于移动视觉应用的高效卷积神经网络17、RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2含模型详解和完整配置步骤18、RT-DETR改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型19、RT-DETR改进策略【模型轻量化】| EMOICCV 2023结构简洁的轻量化自注意力模型注意力机制篇 — 发文必备1、RT-DETR改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块提高小目标关注度2、RT-DETR改进策略【注意力机制篇】| WACV-2021 Triplet Attention 三重注意力模块 - 跨维度交互注意力机制优化3、RT-DETR改进策略【注意力机制篇】| ICCV2023 聚焦线性注意力模块 Focused Linear Attention 聚焦能力与特征多样性双重提升含二次创新4、RT-DETR改进策略【注意力机制篇】| ICLR2023 高效计算与全局局部信息融合的 Sea_Attention 模块含HGBlock二次创新5、RT-DETR改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 同时融合通道、空间、局部信息和全局信息的新型注意力6、RT-DETR改进策略【注意力机制篇】| SENet V2 优化SE注意力机制聚合通道和全局信息7、RT-DETR改进策略【注意力机制篇】| CVPRW-2024 分层互补注意力混合层 H-RAMi 针对低质量图像的特征提取模块8、RT-DETR改进策略【注意力机制篇】| CVPR-2023 FSAS 基于频域的自注意力求解器 结合频域计算和卷积操作 降低噪声影响9、RT-DETR改进策略【注意力机制篇】| Large Separable Kernel Attention (LSKA) 大核可分离卷积注意力 二次创新HGBlock、ResNetLayer10、RT-DETR改进策略【注意力机制篇】| WACV-2024 D-LKA 可变形的大核注意 针对大尺度、不规则的目标图像11、RT-DETR改进策略【注意力机制篇】| NAM 即插即用模块重新优化通道和空间注意力含HGBlock二次创新12、RT-DETR改进策略【注意力机制篇】| EMA 即插即用模块提高远距离建模依赖含HGBlock二次创新13、RT-DETR改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块增强局部和全局特征信息交互14、RT-DETR改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块含HGBlock二次创新15、RT-DETR改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制16、RT-DETR改进策略【注意力机制篇】| 2023 MCAttention 多尺度交叉轴注意力 获取多尺度特征和全局上下文信息17、RT-DETR改进策略【注意力机制篇】| GAM全局注意力机制 保留信息以增强通道与空间的相互作用18、RT-DETR改进策略【注意力机制篇】| 2024 蒙特卡罗注意力MCAttn模块提高小目标的关注度19、RT-DETR改进策略【注意力机制篇】| ICML-2021 引入SimAM注意力模块一个简单的无参数的卷积神经网络注意模块20、RT-DETR改进策略【注意力机制篇】| 引入Shuffle Attention注意力模块增强特征图的语义表示21、RT-DETR改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制22、RT-DETR改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA轻量化注意力模块 提高模型效率损失函数篇1、RT-DETR改进策略【损失函数篇】| 利用MPDIoU加强边界框回归的准确性2、RT-DETR改进策略【损失函数篇】| 替换Powerful-IoUPIoU增强对中等质量锚框的关注力引导锚框更直接、高效地回归3、RT-DETR改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU64、RT-DETR改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)5、RT-DETR改进策略【损失函数篇】| Shape-IoU考虑边界框形状和尺度的更精确度量6、RT-DETR改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU)7、RT-DETR改进策略【损失函数篇】| NWD损失函数提高小目标检测精度8、RT-DETR改进策略【损失函数篇】| 将激活函数替换为带有注意力机制的激活函数 ARelu9、RT-DETR改进策略【损失函数篇】| WIoU v3针对低质量样本的边界框回归损失函数10、RT-DETR改进策略【损失函数篇】| AAAI 2025 SD Loss基于目标尺度动态调整尺度损失和位置损失的影响系数减少 IoU 标签波动Neck — 加强特征融合1、RT-DETR改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进RT-DETR颈部网络2、RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络提高小目标检测精度3、RT-DETR改进策略【Neck】| 2023 显式视觉中心EVC 优化特征提取金字塔对密集预测任务非常有效4、RT-DETR改进策略【Neck】| BiFPN双向特征金字塔网络-跨尺度连接和加权特征融合5、RT-DETR改进策略【Neck】| GSConvSlim Neck混合深度可分离卷积和标准卷积的轻量化网络设计6、RT-DETR改进策略【Neck】| 有效且轻量的动态上采样算子DySample7、RT-DETR改进策略【Neck】| 使用CARAFE轻量级通用上采样算子8、RT-DETR改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 优化颈部网络9、RT-DETR改进策略【Neck】| HS-FPN高级筛选特征融合金字塔加强细微特征的检测10、RT-DETR改进策略【Neck】| PRCV 2023SBASelective Boundary Aggregation特征融合模块描绘物体轮廓重新校准物体位置解决边界模糊问题11、RT-DETR改进策略【Neck】| ArXiv 2023基于U - Net v2中的的高效特征融合模块SDISemantics and Detail Infusion12、RT-DETR改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构强化小目标检测能力13、RT-DETR改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题14、RT-DETR改进策略【Neck】| SEAM分离和增强注意模块解决复杂场景下的小目标遮挡问题15、RT-DETR改进策略【Neck】| ACMMM 2024 WFU小波特征上采样 | 通过小波变换的频率分解与跨尺度融合机制解决传统上采样过程中的混叠和细节丢失问题16、RT-DETR改进策略【Neck】| CVPR 2024 MFMModulation Fusion Module调制融合模块动态特征加权融合突出关键特征抑制冗余17、RT-DETR改进策略【Neck】| BMVC 2024 MASAG 模块多尺度自适应空间注意门动态感受野与空间注意力增强多尺度目标检测精度18、RT-DETR改进策略【Neck】| PSFM深层语义融合模块 引入深层与浅层交叉注意力机制动态建模不同层级的全局语义依赖关系19、RT-DETR改进策略【Neck】| SDFM 表层细节融合模块利用通道-空间注意力机制实现深层与浅层特征融合抑制噪声干扰20、RT-DETR改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块轻量级上采样 深度卷积增强 通道匹配21、RT-DETR改进策略【Neck】| CVPR2024 LGAG大核分组注意力门模块3×3分组卷积与注意力协同的特征精准融合22、RT-DETR改进策略【Neck】| ICCV2025 反向卷积 Converse2D 数学逆运算提重构 特征域建模降伪影提升多尺度目标检测精度Head/检测头1、RT-DETR改进策略【Head】| 增加针对 大目标 的检测层 四个检测头2、RT-DETR改进策略【Head】| 添加专用于小目标的检测层 P2 附YOLO系列的检测头变化详解SPPF/空间金字塔池化1、RT-DETR改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF2、RT-DETR改进策略【SPPF】| SimSPPF简化空间金字塔池化设计提高计算效率3、RT-DETR改进策略【SPPF】| 将特征金字塔池化修改为SPPELAN 多尺度特征提取与高效特征融合4、RT-DETR改进策略【SPPF】| 将特征金字塔池化修改为SPPCSPC提升模型的特征提取能力和计算效率特殊场景 — 小目标改进1、RT-DETR改进策略【小目标改进】| Shape-NWD融合改进结合Shape-IoU和NWD 更好地适应小目标特性2、RT-DETR改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失ATFL提升对小目标的检测能力3、RT-DETR改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLO系列的检测头变化详解4、RT-DETR改进策略【小目标改进】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络提高小目标检测精度5、RT-DETR改进策略【小目标改进】| NWD损失函数提高小目标检测精度6、RT-DETR改进策略【小目标改进】| 2024 PPA 并行补丁感知注意模块提高小目标关注度7、RT-DETR改进策略【小目标改进】| 2024 蒙特卡罗注意力MCAttn模块提高小目标的关注度8、RT-DETR改进策略【小目标改进】| SPD-Conv 针对小目标和低分辨率图像的检测任务9、RT-DETR改进策略【小目标改进】| NeurIPS 2023 融合GOLD-YOLO颈部结构强化小目标检测能力10、RT-DETR改进策略【小目标改进】| RFEM感受野增强模块 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题11、RT-DETR改进策略【小目标改进】| SEAM分离和增强注意模块解决复杂场景下的小目标遮挡问题独家融合改进 — 达到论文发表要求1、RT-DETR改进策略【独家融合改进】| Mamba-YOLOSDI 增强长距离依赖聚焦目标特征2、RT-DETR改进策略【独家融合改进】| 模型轻量化二次改进StarNet FreqFusion极限降参适用专栏内所有轻量化模型3、RT-DETR改进策略【独家融合改进】| MobileNetV4BiFPN轻量化加权特征融合轻松实现降参涨点4、RT-DETR改进策略【独家融合改进】| RepVitASF-YOLO轻量提点适用专栏内所有的骨干替换5、RT-DETR改进策略【独家融合改进】| SPD-ConvPPA 再次提升模型针对小目标的特征提取能力6、RT-DETR改进策略【独家融合改进】| AssemFormer HS-FPN 减少目标尺度变化影响增加多尺度的学习能力7、RT-DETR改进策略【独家融合改进】| U-Net V2 小目标检测头加强跨尺度的上下文特征融合提高小目标检测能力8、RT-DETR改进策略【独家融合改进】| EfficientViM PSFM DySample9、RT-DETR改进策略【独家融合改进】| HTB GFPN LGAG模型剪枝待续~模型蒸馏待续~
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
必读内容1️⃣什么不知道如何改进模型⁉️ 本专栏已更新300不同的改进方法所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程所有改进100%可直接运行性价比极高。2️⃣找不到合适的模块⁉️ 所有改进点均为近三年顶会顶刊提出的先进算法将其融入到RT-DETR中并进行二次创新新颖度高创新度高能够适应不同的任务场景。3️⃣不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊从入门到论文的各种答疑内容非常适合新手。4️⃣ 团队内发表数篇SCI论文熟悉完整的发表流程已帮助多名同学成功发表论文。专栏内容每周更新3-5篇专栏实时评分97全网最高质量保证。近期会持续更新2026年最新模块改进专栏价格会随着文章数量的增加而增加早订阅早优惠~前60人限时优惠一次订阅永久使用可开发票用于报销可远程调试报错。5️⃣ 专栏内容会持续更新最近更新时间2026-3-16。全新的RT-DETR更易发文RT-DETR-l 模型结构RT-DETR改进目录一览持续更新中ing项目介绍在大家购买专栏后加入学习群便可获得全部的程序文件下方仅为列出的部分文件截图。在获取到文件后只需按照将程序放在个人项目中即可运行训练。群内有我录制的关于如何改进模型的视频方便大家下载学习。可自行组合成不同的模块实现针对你数据集的有效涨点。专栏购买链接RT-DETR改进专栏——以发表论文的角度快速准确的找到有效涨点的创新点项目环境版本如下按照个人硬件配置即可Python3.8.10PyTorch2.0.0CUDA11.8编辑器VS CodeUltralytics8.3.13— 基础篇— 1、RT-DETR训练自己的数据集从代码下载到实例测试2、RT-DETR改进前必看 - Ultralytics调参 11还原RT-DETR官方版本实验环境更方便改进3、使用AutoDL训练RT-DETR等计算机视觉网络模型AutoDLXftpVS Code附详细操作步骤4、RT-DETR目标检测模型性能评价指标详解涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等一文打尽所有评价指标5、RT-DETR训练前的准备将数据集划分成训练集、测试集验证集附完整脚本及使用说明6、RT-DETR模型结构详解在Ultralytics项目中配置rtdetr-resnet18、rtdetr-resnet347、RT-DETR论文阅读DETRs Beat YOLOs on Real-time Object Detection8、RT-DETR模型应用过程中的报错处理及疑问解答涉及环境搭建、模型训练、模块改进、论文写作9、RT-DETR改进入门篇 | 手把手讲解改进模块如何实现高效涨点以SimAM注意力模块为例10、RT-DETR在新版本的ultralytics项目包如何配置添加新的模块base_modules、repeat_modules论文写作 — 丰富工作量1、论文必备 - RT-DETR输出模型每一层的耗时和GFLOPs深入比较每一层模块的改进效果2、论文必备 - RT-DETR统计数据集中大、中、小目标数量附完整代码和详细使用步骤3、论文必备 - 绘制RT-DETR模型在训练过程中精准率召回率mAP_0.5mAP_0.5:0.95以及各种损失的变化曲线4、论文必备 - RT-DETR热力图可视化支持指定模型指定显示层设置置信度以及10种可视化实现方式5、论文必备 - RT-DETR训练前一键扩充数据集支持9种扩充方法支持图像和标签同步扩充6、论文必备 - RT-DETR计算COCO指标和TIDE指标小目标检测必备更全面的评估和指导模型性能包含完整步骤和代码7、RT-DETR 一键输出FPS、层数、参数量、计算量、模型大小、推理延时卷积层 — 发文常客1、RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息提高多类别分类能力 含二次创新2、RT-DETR改进策略【卷积层】| CVPR-2020 Strip Pooling 空间池化模块 处理不规则形状的对象 含二次创新3、RT-DETR改进策略【卷积层】| 2024最新轻量级自适应提取模块 LAE 即插即用 保留局部信息和全局信息4、RT-DETR改进策略【卷积层】| ECCV-2024 小波卷积WTConv 增大感受野降低参数量计算量独家创新助力涨点5、RT-DETR改进策略【卷积层】| CVPR-2021 多样分支块DBB替换下采样模块 并二次创新ResNetLayer6、RT-DETR改进策略【卷积层】| RCS-OSA 通道混洗的重参数化卷积 二次创新ResNetLayer7、RT-DETR改进策略【卷积层】| SPD-Conv 针对小目标和低分辨率图像的检测任务8、RT-DETR改进策略【卷积层】| ICCV-2023 SAFM 空间自适应特征调制模块 对ResNetLayer进行二次创新9、RT-DETR改进策略【卷积层】| AKConv 具有任意采样形状和任意参数数量的卷积核10、RT-DETR改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合ResNetLayer进行二次创新,提高精度11、RT-DETR改进策略【卷积层】| 引入注意力卷积模块RFAConv关注感受野空间特征 助力RT-DETR精度提升12、RT-DETR改进策略【卷积层】| HWD引入Haar小波变换到下采样模块中减少信息丢失13、RT-DETR改进策略【卷积层】| NeurIPS-2022 ParNet 即插即用模块 二次创新ResNetLayer14、RT-DETR改进策略【卷积层】| SAConv 可切换的空洞卷积 二次创新ResNetLayer15、RT-DETR改进策略【卷积层】| GnConv一种通过门控卷积和递归设计来实现高效、可扩展、平移等变的高阶空间交互操作16、RT-DETR改进策略【卷积层】| ICCV-2023 引入Dynamic Snake Convolution动态蛇形卷积改进ResNetLayer17、RT-DETR改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化ResNetLayer18、RT-DETR改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含ResNetLayer二次独家创新19、RT-DETR改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积降低内存占用20、RT-DETR改进策略【卷积层】| CVPR-2023 SCConv 空间和通道重建卷积即插即用减少冗余计算并提升特征学习21、RT-DETR改进策略【卷积层】| CVPR-2024 PKI Module 获取多尺度纹理特征适应尺度变化大的目标22、RT-DETR改进策略【卷积层】| RFEM感受野增强模块 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题23、RT-DETR改进策略【卷积层】| AAAI 2025 风车状卷积PConv实现感受野的高效扩张24、RT-DETR改进策略【卷积层】| AAAI 2025 FBRT-YOLO 应用RT-DETR 加强跨层特征融合能力与多尺度适应性含 l 和 resnet18 两个版本25、RT-DETR改进策略【卷积层】| CVPR 2024LEGM 局部特征嵌入全局特征提取 适用于低质量图像特征提取任务26、RT-DETR改进策略【卷积层】| CVPR 2025动态双曲正切Dynamic TanhDyT模块维持模型性能与训练稳定性27、RT-DETR改进策略【卷积层】| DEConv: 强度信息与梯度特征融合的细节增强 适用于小目标与细节目标检测任务28、RT-DETR改进策略【卷积层】| YOLO-MS中的MSBlock分层多分支 GQL 引导多尺度特征增强与污染空间信息过滤29、RT-DETR改进策略【卷积层】| DWRSeg 高效获取多尺度上下文信息涉及resnet18、resnet50、rtdetr-l30、RT-DETR改进策略【卷积层】| CVPR 2025 频率动态卷积 FDConv 频域分权重提多样性 双调制降冗余增强特征表征能力31、RT-DETR改进策略【卷积层】| arXiv 2025 YOLO-Master中的稀疏混合专家ES-MoE 动态路由提适配 稀疏激活降延迟突破精度-效率权衡Backbone/主干网络1、RT-DETR改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络加强细节特征的提取和融合2、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为Swin Transformer提高多尺度特征提取能力3、RT-DETR改进策略【Backbone/主干网络】| ICLR-2023 替换骨干网络为RevCol 一种新型神经网络设计范式4、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR LSKNet 附网络详解和完整配置步骤5、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为2023-CVPR ConvNeXt V2 附网络详解和完整配置步骤6、RT-DETR改进策略【Backbone/主干网络】| 替换骨干网络为CVPR-2024 PKINet 获取多尺度纹理特征适应尺度变化大的目标7、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT增强空间信息的感知能力8、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024替换骨干网络为 UniRepLKNet解决大核 ConvNets 难题9、RT-DETR改进策略【Backbone/主干网络】| 替换骨干为PoolFormer基于平均池化的Token混合器通过聚合局部邻域特征实现信息交互10、RT-DETR改进策略【Backbone/主干网络】| CVPR 2024 替换骨干为InceptionNeXt将大核深度卷积分解为四个并行分支平衡速度与精度11、RT-DETR改进策略【Backbone/主干网络】| CVPR 2025 替换骨干为MambaOut去除冗余结构挖掘视觉Mamba潜力Conv和Transformer — 发文热点1、RT-DETR改进策略【Conv和Transformer】| ICCV-2023 iRMB 倒置残差移动块 轻量化的注意力模块2、RT-DETR改进策略【Conv和Transformer】| CVPR-2022 Deformable Attention Transformer 可变形注意力 动态关注目标区域3、RT-DETR改进策略【Conv和Transformer】| 2023 引入CloFormer中的Clo block 双分支结构融合高频低频信息二次创新AIFI4、RT-DETR改进策略【Conv和Transformer】| GRSL-2024最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰5、RT-DETR改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新)6、RT-DETR改进策略【Conv和Transformer】| ACmix 卷积和自注意力的结合充分发挥两者优势7、RT-DETR改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力8、RT-DETR改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制提高网络性能9、RT-DETR改进策略【Conv和Transformer】| CVPR-2021 Bottleneck Transformers 简单且高效的自注意力模块10、RT-DETR改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势弥补传统方法不足11、RT-DETR改进策略【Conv和Transformer】| CVPR-2023 BiFormer 稀疏自注意力减少内存占用12、RT-DETR改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大图像质量低的检测任务13、RT-DETR改进策略【Conv和Transformer】| HiLo注意力机制 通过分离处理图像的高频和低频信息高效处理图像特征14、RT-DETR改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的CTA 通道转置注意力 二次改进HGBlock、ResNetLayer15、RT-DETR改进策略【Conv和Transformer】| TGRS 2024MDAF 多尺度双表示对齐滤波器结合空间和频域特征16、RT-DETR改进策略【Conv和Transformer】| CVPR 2023Super Token Attention 超级令牌注意力机制RT-DETR和Mamba — 最新热点1、RT-DETR改进策略【RT-DETR和Mamba】| CVPR 2025EfficientViM 压缩隐藏状态空间进行通道混合、单头设计减少内存操作提升目标检测效率与精度2、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-T !!! 最新的发文热点3、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-B !!! 最新的发文热点4、RT-DETR改进策略【RT-DETR和Mamba】| 替换骨干 Mamba-RT-DETR-L !!! 最新的发文热点5、RT-DETR改进策略【RT-DETR和Mamba】| MLLAMamba-Like Linear Attention融合Mamba设计优势的注意力机制模型轻量化 — 加速推理1、RT-DETR改进策略【模型轻量化】| MoblieNet V42024 轻量化网络 移动生态系统的通用模型2、RT-DETR改进策略【模型轻量化】| MoblieNet V3基于搜索技术和新颖架构设计的轻量型网络模型3、RT-DETR改进策略【模型轻量化】| ShuffleNet V1一个用于移动设备的极其高效的卷积神经网络4、RT-DETR改进策略【模型轻量化】| Shufflenet V2通过通道划分构建高效网络高效的CNN架构设计的实用指南5、RT-DETR改进策略【模型轻量化】| StarNetCVPR-2024 超级精简高效的轻量化模块6、RT-DETR改进策略【模型轻量化】| MobileViT V1高效的信息编码与融合模块获取局部和全局信息7、RT-DETR改进策略【模型轻量化】| GhostNet V1基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构8、RT-DETR改进策略【模型轻量化】| GhostNet V2NeurIPS-2022 Spotlight 利用远距离注意力增强廉价操作9、RT-DETR改进策略【模型轻量化】| RepViTCVPR-2024 轻量级的Vision Transformers架构10、RT-DETR改进策略【模型轻量化】| FasterNet CVPR-2023 高效快速的部分卷积块11、RT-DETR改进策略【模型轻量化】| VanillaNet华为的极简主义骨干网络12、RT-DETR改进策略【模型轻量化】| EfficientViTICCV 2023 用于高分辨率密集预测的多尺度线性关注13、RT-DETR改进策略【模型轻量化】| PP-LCNet轻量级的CPU卷积神经网络14、RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v1 高效的移动倒置瓶颈结构15、RT-DETR改进策略【模型轻量化】| 替换骨干网络为EfficientNet v2加速训练快速收敛16、RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV1用于移动视觉应用的高效卷积神经网络17、RT-DETR改进策略【模型轻量化】| 替换骨干网络为MoblieNetV2含模型详解和完整配置步骤18、RT-DETR改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型19、RT-DETR改进策略【模型轻量化】| EMOICCV 2023结构简洁的轻量化自注意力模型注意力机制篇 — 发文必备1、RT-DETR改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块提高小目标关注度2、RT-DETR改进策略【注意力机制篇】| WACV-2021 Triplet Attention 三重注意力模块 - 跨维度交互注意力机制优化3、RT-DETR改进策略【注意力机制篇】| ICCV2023 聚焦线性注意力模块 Focused Linear Attention 聚焦能力与特征多样性双重提升含二次创新4、RT-DETR改进策略【注意力机制篇】| ICLR2023 高效计算与全局局部信息融合的 Sea_Attention 模块含HGBlock二次创新5、RT-DETR改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 同时融合通道、空间、局部信息和全局信息的新型注意力6、RT-DETR改进策略【注意力机制篇】| SENet V2 优化SE注意力机制聚合通道和全局信息7、RT-DETR改进策略【注意力机制篇】| CVPRW-2024 分层互补注意力混合层 H-RAMi 针对低质量图像的特征提取模块8、RT-DETR改进策略【注意力机制篇】| CVPR-2023 FSAS 基于频域的自注意力求解器 结合频域计算和卷积操作 降低噪声影响9、RT-DETR改进策略【注意力机制篇】| Large Separable Kernel Attention (LSKA) 大核可分离卷积注意力 二次创新HGBlock、ResNetLayer10、RT-DETR改进策略【注意力机制篇】| WACV-2024 D-LKA 可变形的大核注意 针对大尺度、不规则的目标图像11、RT-DETR改进策略【注意力机制篇】| NAM 即插即用模块重新优化通道和空间注意力含HGBlock二次创新12、RT-DETR改进策略【注意力机制篇】| EMA 即插即用模块提高远距离建模依赖含HGBlock二次创新13、RT-DETR改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块增强局部和全局特征信息交互14、RT-DETR改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块含HGBlock二次创新15、RT-DETR改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制16、RT-DETR改进策略【注意力机制篇】| 2023 MCAttention 多尺度交叉轴注意力 获取多尺度特征和全局上下文信息17、RT-DETR改进策略【注意力机制篇】| GAM全局注意力机制 保留信息以增强通道与空间的相互作用18、RT-DETR改进策略【注意力机制篇】| 2024 蒙特卡罗注意力MCAttn模块提高小目标的关注度19、RT-DETR改进策略【注意力机制篇】| ICML-2021 引入SimAM注意力模块一个简单的无参数的卷积神经网络注意模块20、RT-DETR改进策略【注意力机制篇】| 引入Shuffle Attention注意力模块增强特征图的语义表示21、RT-DETR改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制22、RT-DETR改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA轻量化注意力模块 提高模型效率损失函数篇1、RT-DETR改进策略【损失函数篇】| 利用MPDIoU加强边界框回归的准确性2、RT-DETR改进策略【损失函数篇】| 替换Powerful-IoUPIoU增强对中等质量锚框的关注力引导锚框更直接、高效地回归3、RT-DETR改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU64、RT-DETR改进策略【损失函数篇】| 通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)5、RT-DETR改进策略【损失函数篇】| Shape-IoU考虑边界框形状和尺度的更精确度量6、RT-DETR改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归 (Focaler-DIoU、Focaler-GIoU、Focaler-CIoU)7、RT-DETR改进策略【损失函数篇】| NWD损失函数提高小目标检测精度8、RT-DETR改进策略【损失函数篇】| 将激活函数替换为带有注意力机制的激活函数 ARelu9、RT-DETR改进策略【损失函数篇】| WIoU v3针对低质量样本的边界框回归损失函数10、RT-DETR改进策略【损失函数篇】| AAAI 2025 SD Loss基于目标尺度动态调整尺度损失和位置损失的影响系数减少 IoU 标签波动Neck — 加强特征融合1、RT-DETR改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进RT-DETR颈部网络2、RT-DETR改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络提高小目标检测精度3、RT-DETR改进策略【Neck】| 2023 显式视觉中心EVC 优化特征提取金字塔对密集预测任务非常有效4、RT-DETR改进策略【Neck】| BiFPN双向特征金字塔网络-跨尺度连接和加权特征融合5、RT-DETR改进策略【Neck】| GSConvSlim Neck混合深度可分离卷积和标准卷积的轻量化网络设计6、RT-DETR改进策略【Neck】| 有效且轻量的动态上采样算子DySample7、RT-DETR改进策略【Neck】| 使用CARAFE轻量级通用上采样算子8、RT-DETR改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 优化颈部网络9、RT-DETR改进策略【Neck】| HS-FPN高级筛选特征融合金字塔加强细微特征的检测10、RT-DETR改进策略【Neck】| PRCV 2023SBASelective Boundary Aggregation特征融合模块描绘物体轮廓重新校准物体位置解决边界模糊问题11、RT-DETR改进策略【Neck】| ArXiv 2023基于U - Net v2中的的高效特征融合模块SDISemantics and Detail Infusion12、RT-DETR改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构强化小目标检测能力13、RT-DETR改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题14、RT-DETR改进策略【Neck】| SEAM分离和增强注意模块解决复杂场景下的小目标遮挡问题15、RT-DETR改进策略【Neck】| ACMMM 2024 WFU小波特征上采样 | 通过小波变换的频率分解与跨尺度融合机制解决传统上采样过程中的混叠和细节丢失问题16、RT-DETR改进策略【Neck】| CVPR 2024 MFMModulation Fusion Module调制融合模块动态特征加权融合突出关键特征抑制冗余17、RT-DETR改进策略【Neck】| BMVC 2024 MASAG 模块多尺度自适应空间注意门动态感受野与空间注意力增强多尺度目标检测精度18、RT-DETR改进策略【Neck】| PSFM深层语义融合模块 引入深层与浅层交叉注意力机制动态建模不同层级的全局语义依赖关系19、RT-DETR改进策略【Neck】| SDFM 表层细节融合模块利用通道-空间注意力机制实现深层与浅层特征融合抑制噪声干扰20、RT-DETR改进策略【Neck】| CVPR 2024 EUCB 高效的上采样卷积块轻量级上采样 深度卷积增强 通道匹配21、RT-DETR改进策略【Neck】| CVPR2024 LGAG大核分组注意力门模块3×3分组卷积与注意力协同的特征精准融合22、RT-DETR改进策略【Neck】| ICCV2025 反向卷积 Converse2D 数学逆运算提重构 特征域建模降伪影提升多尺度目标检测精度Head/检测头1、RT-DETR改进策略【Head】| 增加针对 大目标 的检测层 四个检测头2、RT-DETR改进策略【Head】| 添加专用于小目标的检测层 P2 附YOLO系列的检测头变化详解SPPF/空间金字塔池化1、RT-DETR改进策略【SPPF】| NeuralPS-2022 Focal Modulation : 使用焦点调制模块优化空间金字塔池化SPPF2、RT-DETR改进策略【SPPF】| SimSPPF简化空间金字塔池化设计提高计算效率3、RT-DETR改进策略【SPPF】| 将特征金字塔池化修改为SPPELAN 多尺度特征提取与高效特征融合4、RT-DETR改进策略【SPPF】| 将特征金字塔池化修改为SPPCSPC提升模型的特征提取能力和计算效率特殊场景 — 小目标改进1、RT-DETR改进策略【小目标改进】| Shape-NWD融合改进结合Shape-IoU和NWD 更好地适应小目标特性2、RT-DETR改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失ATFL提升对小目标的检测能力3、RT-DETR改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLO系列的检测头变化详解4、RT-DETR改进策略【小目标改进】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络提高小目标检测精度5、RT-DETR改进策略【小目标改进】| NWD损失函数提高小目标检测精度6、RT-DETR改进策略【小目标改进】| 2024 PPA 并行补丁感知注意模块提高小目标关注度7、RT-DETR改进策略【小目标改进】| 2024 蒙特卡罗注意力MCAttn模块提高小目标的关注度8、RT-DETR改进策略【小目标改进】| SPD-Conv 针对小目标和低分辨率图像的检测任务9、RT-DETR改进策略【小目标改进】| NeurIPS 2023 融合GOLD-YOLO颈部结构强化小目标检测能力10、RT-DETR改进策略【小目标改进】| RFEM感受野增强模块 解决多尺度目标检测中因感受野不足导致的小目标信息丢失问题11、RT-DETR改进策略【小目标改进】| SEAM分离和增强注意模块解决复杂场景下的小目标遮挡问题独家融合改进 — 达到论文发表要求1、RT-DETR改进策略【独家融合改进】| Mamba-YOLOSDI 增强长距离依赖聚焦目标特征2、RT-DETR改进策略【独家融合改进】| 模型轻量化二次改进StarNet FreqFusion极限降参适用专栏内所有轻量化模型3、RT-DETR改进策略【独家融合改进】| MobileNetV4BiFPN轻量化加权特征融合轻松实现降参涨点4、RT-DETR改进策略【独家融合改进】| RepVitASF-YOLO轻量提点适用专栏内所有的骨干替换5、RT-DETR改进策略【独家融合改进】| SPD-ConvPPA 再次提升模型针对小目标的特征提取能力6、RT-DETR改进策略【独家融合改进】| AssemFormer HS-FPN 减少目标尺度变化影响增加多尺度的学习能力7、RT-DETR改进策略【独家融合改进】| U-Net V2 小目标检测头加强跨尺度的上下文特征融合提高小目标检测能力8、RT-DETR改进策略【独家融合改进】| EfficientViM PSFM DySample9、RT-DETR改进策略【独家融合改进】| HTB GFPN LGAG模型剪枝待续~模型蒸馏待续~
