← 返回专栏列表

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-

共 146 篇文章

#1

论文必备-绘制RT-DETR模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.50.95，以及各种损失的变化

#2

RT-DETR改进策略【模型轻量化】替换轻量化骨干网络：ShuffleNetV1_rtdetr轻量化改进-

#3

RT-DETR改进策略【模型轻量化】替换骨干网络为EfficientNetv1高效的移动倒置瓶颈结构-

#4

RT-DETR改进策略【模型轻量化】替换骨干网络为GhostNetV1基于GhostModule和GhostBottle

#5

RT-DETR改进策略【模型轻量化】替换骨干网络为MobileViTv1高效的信息编码与融合模块，获取局部和全局信息_使

#6

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-

#7

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

#8

RT-DETR改进策略【模型轻量化】GhostNetV2：利用远距离注意力增强廉价操作_rtdetr轻量化改进-

#9

RT-DETR改进策略【模型轻量化】ShufflenetV2，通过通道划分构建高效网络-

#10

RT-DETR改进策略【模型轻量化】替换骨干网络为EfficientNetv2，加速训练，快速收敛-

#11

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-

#12

RT-DETR改进策略【注意力机制篇】SENetV2优化SE注意力机制，聚合通道和全局信息-

#13

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

#14

RT-DETR改进策略【损失函数篇】WIoUv3：针对低质量样本的边界框回归损失函数_rt-detrv3-

#15

RT-DETR改进策略【模型轻量化】MoblieNetV3：基于搜索技术和新颖架构设计的轻量型网络模型-

#16

RT-DETR改进策略【卷积层】利用MobileNetv4中的UIB、ExtraDW优化ResNetLayer-

#17

RT-DETR改进策略【注意力机制篇】引入MobileNetv4中的MobileMQA，轻量化注意力模块提高模型效率-

#18

RT-DETR改进策略【独家融合改进】MobileNetV4+BiFPN，轻量化+加权特征融合，轻松实现降参涨点-

#19

RT-DETR改进策略【损失函数篇】替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU

#20

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_rtdetr怎么增加数据预处理-

#21

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_rtdetr热力图

#22

RT-DETR模型结构详解，在Ultralytics项目中配置rtdetr-resnet18、rtdetr-resnet

#23

RT-DETR改进策略【卷积层】CVPR-2020StripPooling空间池化模块处理不规则形状的对象含二次创新_s

#24

RT-DETR改进策略【Conv和Transformer】CVPR-2021BottleneckTransformers

#25

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ResNetLayer-

#26

RT-DETR改进策略【注意力机制篇】WACV-2021TripletAttention三重注意力模块-跨维度交互注意力

#27

RT-DETR改进策略【Conv和Transformer】CVPR-2022DeformableAttentionTra

#28

RT-DETR改进策略【SPPF】NeuralPS-2022FocalModulation使用焦点调制模块优化空间金字塔

#29

RT-DETR改进策略【卷积层】NeurIPS-2022ParNet即插即用模块二次创新ResNetLayer-

#30

RT-DETR改进策略【Backbone主干网络】2023U-NetV2替换骨干网络，加强细节特征的提取和融合_rtde

#31

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

#32

RT-DETR改进策略【Backbone主干网络】替换骨干网络为2023-CVPRConvNeXtV2（附网络详解和完整

#33

RT-DETR改进策略【Backbone主干网络】替换骨干网络为2023-CVPRLSKNet（附网络详解和完整配置步骤

#34

RT-DETR改进策略【Conv和Transformer】2023引入CloFormer中的Cloblock双分支结构，

#35

RT-DETR改进策略【Conv和Transformer】CVPR-2023BiFormer稀疏自注意力，减少内存占用_

#36

RT-DETR改进策略【Conv和Transformer】ICCV-2023iRMB倒置残差移动块轻量化的注意力模块-

#37

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_rt-detr颈

#38

RT-DETR改进策略【Neck】ArXiv2023，基于U-Netv2中的的高效特征融合模块：SDI（Semantic

#39

RT-DETR改进策略【Neck】NeurIPS2023融合GOLD-YOLO颈部结构，强化小目标检测能力-

#40

RT-DETR改进策略【Neck】PRCV2023，SBA（SelectiveBoundaryAggregation）：

#41

RT-DETR改进策略【卷积层】CVPR-2023SCConv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_

#42

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_rtdetr轻量化改进-

#43

RT-DETR改进策略【卷积层】ICCV-2023LSK大核选择模块包含ResNetLayer二次独家创新-

#44

RT-DETR改进策略【卷积层】ICCV-2023SAFM空间自适应特征调制模块对ResNetLayer进行二次创新-

#45

RT-DETR改进策略【卷积层】ICCV-2023引入DynamicSnakeConvolution动态蛇形卷积，改进R

#46

RT-DETR改进策略【模型轻量化】EMO：ICCV2023，结构简洁的轻量化自注意力模型-

#47

RT-DETR改进策略【模型轻量化】替换骨干网络CVPR-2023FasterNet高效快速的部分卷积块_rtdetr轻

#48

RT-DETR改进策略【模型轻量化】替换骨干网络为ICCV2023的EfficientViT用于高分辨率密集预测的多尺度

#49

RT-DETR改进策略【注意力机制篇】2023MCAttention多尺度交叉轴注意力获取多尺度特征和全局上下文信息-

#50

RT-DETR改进策略【注意力机制篇】CVPR-2023FSAS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

#51

RT-DETR改进策略【注意力机制篇】ICCV2023聚焦线性注意力模块FocusedLinearAttention聚焦

#52

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HG

#53

RT-DETR改进策略【Backbone主干网络】 CVPR 2024 替换骨干为InceptionNeXt，将大核深度

#54

RT-DETR改进策略【Backbone主干网络】CVPR2024替换骨干网络为RMT，增强空间信息的感知能力-

#55

RT-DETR改进策略【Backbone主干网络】CVPR2024替换骨干网络为UniRepLKNet，解决大核Conv

#56

RT-DETR改进策略【Backbone主干网络】替换骨干网络为CVPR-2024PKINet获取多尺度纹理特征，适应尺

#57

RT-DETR改进策略【Conv和Transformer】 IJCAI 2024 利用FreqFormer中的SFA 空

#58

RT-DETR改进策略【Conv和Transformer】2024AssemFormer结合卷积与Transformer

#59

RT-DETR改进策略【Conv和Transformer】CVPR-2024Single-HeadSelf-Attent

#60

RT-DETR改进策略【Conv和Transformer】ECCV-2024HistogramTransformer直方

#61

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

#62

RT-DETR改进策略【Conv和Transformer】TPAMI-2024Conv2Former利用卷积调制操作和大

#63

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

#64

RT-DETR改进策略【Neck】ECCV-2024RCM矩形自校准模块优化颈部网络_tbr.b222.tlk-

#65

RT-DETR改进策略【Neck】TPAMI2024FreqFusion频域感知特征融合模块解决密集图像预测问题-

#66

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_全局特征提取模块2

#67

RT-DETR改进策略【卷积层】CVPR-2024PKIModule获取多尺度纹理特征，适应尺度变化大的目标-

#68

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

#69

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-

#70

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_提升detr在

#71

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、

#72

RT-DETR改进策略【模型轻量化】替换骨干网络CVPR-2024RepViT轻量级的VisionTransformer

#73

RT-DETR改进策略【模型轻量化】替换骨干网络CVPR-2024StarNet，超级精简高效的轻量化模块_rtdetr

#74

RT-DETR改进策略【模型轻量化】替换骨干网络为2024轻量化网络MoblieNetV4：移动生态系统的通用模型_20

#75

RT-DETR改进策略【注意力机制篇】2024PPA并行补丁感知注意模块，提高小目标关注度-

#76

RT-DETR改进策略【注意力机制篇】2024SCITOPFCAttention即插即用注意力模块，增强局部和全局特征信

#77

RT-DETR改进策略【注意力机制篇】2024SCSA-CBAM空间和通道的协同注意模块（含HGBlock二次创新）_r

#78

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-

#79

RT-DETR改进策略【注意力机制篇】CVPR2024CAA上下文锚点注意力机制-

#80

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-

#81

RT-DETR改进策略【注意力机制篇】WACV-2024D-LKA可变形的大核注意针对大尺度、不规则的目标图像-

#82

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

#83

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

#84

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-

#85

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

#86

RT-DETR改进策略【模型轻量化】替换骨干网络为GhostNetV32024华为的重参数轻量化模型-

#87

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-

#88

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

#89

RT-DETR改进策略【Backbone主干网络】替换骨干网络为：SwinTransformer，提高多尺度特征提取能力

#90

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

#91

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-

#92

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

#93

RT-DETR改进策略【Head】增加针对大目标的检测层（四个检测头）_rt-detr检测头改进-

#94

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-

#95

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_rtdetr小

#96

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_bifpn改进rtdetr-

#97

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-

#98

RT-DETR改进策略【Neck】GSConv+SlimNeck：混合深度可分离卷积和标准卷积的轻量化网络设计_rt-d

#99

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_特征筛选融合-

#100

RT-DETR改进策略【Neck】使用CARAFE轻量级通用上采样算子_carafe上采样代码-

#101

RT-DETR改进策略【Neck】有效且轻量的动态上采样算子：DySample-

#102

RT-DETR改进策略【RT-DETR和Mamba】MLLA：Mamba-LikeLinearAttention，融合M

#103

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-

#104

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_detr

#105

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_rtde

#106

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_simsppf模块-

#107

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。-

#108

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-

#109

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-

#110

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-

#111

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）_cgblo

#112

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-

#113

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_小波下采样-

#114

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ResNetLayer_rcsosa-

#115

RT-DETR改进策略【卷积层】SAConv可切换的空洞卷积二次创新ResNetLayer-

#116

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_spdconvrtdetr-

#117

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-

#118

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_s

#119

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_rtdetr小目标-

#120

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_detr损失函数-

#121

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_,shapeiou-

#122

RT-DETR改进策略【损失函数篇】SlideLoss，解决简单样本和困难样本之间的不平衡问题_slideloss原理-

#123

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_rt-detr损失函数-

#124

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ARelu-

#125

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、I

#126

RT-DETR改进策略【模型轻量化】PP-LCNet：轻量级的CPU卷积神经网络_ppstructrt-detr-

#127

RT-DETR改进策略【模型轻量化】替换华为的极简主义骨干网络：VanillaNet-

#128

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（含二次创新）-

#129

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-

#130

RT-DETR改进策略【注意力机制篇】LargeSeparableKernelAttention(LSKA)大核可分离卷

#131

RT-DETR改进策略【注意力机制篇】MixedLocalChannelAttention(MLCA)同时融合通道、空间

#132

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）_detr

#133

RT-DETR改进策略【注意力机制篇】引入ShuffleAttention注意力模块，增强特征图的语义表示_rtdetr

#134

RT-DETR改进策略【注意力机制篇】添加SE、CBAM、ECA、CA、SwinTransformer等注意力和多头注意

#135

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

#136

RT-DETR改进策略【独家融合改进】Mamba-YOLO+SDI增强长距离依赖，聚焦目标特征-

#137

RT-DETR改进策略【独家融合改进】RepVit+ASF-YOLO，轻量提点，适用专栏内所有的骨干替换-

#138

RT-DETR改进策略【独家融合改进】SPD-Conv+PPA再次提升模型针对小目标的特征提取能力-

#139

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

#140

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-

#141

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-

#142

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）-

#143

RT-DETR训练自己的数据集（从代码下载到实例测试）-

#144

使用AutoDL训练RT-DETR等计算机视觉网络模型（AutoDL+Xftp+VSCode），附详细操作步骤_使用vs

#145

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_rt-detr小目标大目标-

#146

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_rt-detr的gflops-