网硕互联帮助中心@
YOLO11目标检测创新改进与实战案例专栏介绍
💖💖💖目前已有100+ 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、多创新点融合创新。
本专栏提供详细的 YOLO11 教程，包括基础知识、源码解析、入门实践、算法改进和项目实战，适合发表YOLO11 学习者订阅。
内容包含 100+多篇独家改进机制，大部分改进用的人较少，适合发表论文，评分高达 96 分。订阅者将获得一键运行的改进文件及答疑交流群支持。
🚀🚀🚀使用ATODL服务器的同学还可以私聊获取搭建好的改进运行环境。让论文发表更轻松。
拉到文章最底部扫码加群！！
专栏链接: YOLO11目标检测创新改进与实战案例
-
历史与前沿兼顾：我们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。
-
多方位网络改进
【注意力机制替换】
【卷积优化】
【检测头创新】
【损失与IOU优化】
【轻量级网络设计】
【多创新点融合】
【C3k2融合创新】
-
创新点代码：每篇文章都附带详细的步骤和源码，便于您的论文写作和项目实现。
-
高频更新：每周发布3-10篇最新创新机制文章，确保时刻掌握前沿内容。
创新改进
原理解析
| YOLOv11 正式发布！你需要知道什么? 另附：YOLOv8 与YOLOv11 各模型性能比较 | 原理解析 | https://blog.csdn.net/shangyanaf/article/details/143053889 |
| 【YOLOv11改进- 原理解析】 YOLO11 架构解析 以及代码库关键代码逐行解析（1） | 原理解析 | https://blog.csdn.net/shangyanaf/article/details/143169764 |
注意力机制
| 1 | 【YOLOv11改进 – 注意力机制】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143037077 |
| 2 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143041421 |
| 3 | 【YOLOv11改进 – 注意力机制】 MSDA（Multi-Scale Dilated Attention）：多尺度空洞注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143052542 |
| 4 | 【YOLOv11改进 – 注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143052993 |
| 5 | 【YOLOv11改进 – 注意力机制】CoTAttention:上下文转换器注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143099154 |
| 6 | 【YOLOv11改进 – 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143099416 |
| 7 | 【YOLOv11改进 – 注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143099740 |
| 8 | 【YOLOv11改进 – 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention） | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143107350 |
| 9 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143107915 |
| 10 | 【YOLOv11改进 – 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143113290 |
| 11 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143114359 |
| 12 | 【YOLOv11改进 – 注意力机制】DoubleAttention: 双重注意力机制，全局特征聚合和分配 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143134797 |
| 13 | 【YOLOv11改进 – 注意力机制】TripletAttention：轻量有效的三元注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143194262 |
| 14 | 【YOLOv11改进 – 注意力机制】ECA（Efficient Channel Attention）：高效通道注意 模块，降低参数量 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143194441 |
| 15 | 【YOLOv11改进 – 注意力机制】MSCA: 多尺度卷积注意力，即插即用，助力小目标检测 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143194704 |
| 16 | 【YOLOv11改进 – 注意力机制】CoordAttention： 用于移动端的高效坐标注意力机制 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143228656 |
| 17 | 【YOLOv11改进 – 注意力机制】DAT（Deformable Attention）：可变性注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143229191 |
| 18 | 【YOLOv11改进 – 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143231533 |
| 19 | 【YOLOv11改进 – 注意力机制】EffectiveSE : 改进的通道注意力模块，减少计算复杂性和信息丢失 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143233243 |
| 20 | 【YOLOv11改进 – 注意力机制】S2Attention : 整合空间位移和分割注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143234560 |
| 21 | 【YOLOv11改进 – 注意力机制】Polarized Self-Attention: 极化自注意力 ,更精细的双重注意力建模结构 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143234817 |
| 22 | 【YOLOv11改进 – 注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143236398 |
| 23 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143237411 |
| 24 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143237904 |
| 25 | 【YOLOv11改进 – 注意力机制】HCF-Net 之 PPA：并行化注意力设计 | 小目标 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143248254 |
| 26 | 【YOLOv11改进 – 注意力机制】LS-YOLO MSFE：新颖的多尺度特征提取模块 | 小目标/遥感 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143248466 |
| 27 | 【YOLOv11改进 – 注意力机制】Sea_Attention: Squeeze-enhanced Axial Attention,结合全局语义提取和局部细节增强 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143249013 |
| 28 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143249185 |
| 29 | 【YOLOv11改进 – 注意力机制】RCS-OSA :减少通道的空间对象注意力，高效且涨点 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143256430 |
| 30 | 【YOLOv11改进 -注意力机制】SGE(Spatial Group-wise Enhance)：轻量级空间分组增强模块 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143257237 |
| 31 | 【YOLOv11改进 -注意力机制】Mamba之MLLAttention ：基于Mamba和线性注意力Transformer的模型 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143258679 |
| 32 | 【YOLOv11改进 – 注意力机制】Gather-Excite : 提高网络捕获长距离特征交互的能力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143258799 |
| 33 | 【YOLOv11改进 – 注意力机制】 CAA： 上下文锚点注意力模块，处理尺度变化大或长形目标 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143259390 |
| 34 | 【YOLOv11改进 – 注意力机制】Focused Linear Attention :全新的聚焦线性注意力模块 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143259521 |
| 35 | 【YOLOv11改进 – 注意力机制】 CascadedGroupAttention：级联组注意力，增强视觉Transformer中多头自注意力机制的效率和有效性 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143261498 |
| 36 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143261561 |
| 37 | 【YOLOv11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 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143261800 |
| 38 | 【YOLOv11改进 – 注意力机制】 ParNet :并行子网络结构实现低深度但高性能的神经网络架构 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143289302 |
| 39 | 【YOLOv11改进 – 注意力机制】GC Block （GlobalContext）: 全局上下文块，高效捕获特征图中的全局依赖关系 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143315500 |
| 40 | 【YOLO11改进 – 注意力机制】Dual-ViT(Dual Vision Transformer)：将自注意力的建模分解为对全局语义和细粒度特征的学习 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143321942 |
| 41 | 【YOLO11改进 – 注意力机制】HAT(Hybrid Attention Transformer,)超分辨率混合注意力机制 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143323349 |
| 42 | 【YOLO11改进 – 注意力机制】ELA(Efficient Local Attention)：深度卷积神经网络的高效局部注意力机制 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143324666 |
| 43 | 【YOLO11改进 – 注意力机制】STA(Super Token Attention) 超级令牌注意力机制 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143350954 |
| 44 | 【YOLO11改进 – 注意力机制】Deformable-LKA Attention：可变形大核注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143351139 |
| 45 | 【YOLO11改进 – 注意力机制】BRA(bi-level routing attention )双层路由注意力 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143351336 |
| 46 | 【YOLO11改进 – 注意力机制】GCT(Gaussian Context Transformer)：高斯上下文变换器 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143370762 |
| 47 | 【YOLO11改进 – 注意力机制】HCF-Net 之 MDCR：多稀释通道细化器模块 ，以不同的稀释率捕捉各种感受野大小的空间特征 | 小目标 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143390431 |
| 48 | 【YOLO11改进 – 注意力机制】HCF-Net 之 DASI： 维度感知选择性整合模块 | 小目标 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143407057 |
CONV
| 1 | 【YOLOv11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 | CONV | https://blog.csdn.net/shangyanaf/article/details/142998598 |
| 2 | 【YOLOv11改进-卷积Conv】 ParameterNet：DynamicConv(Dynamic Convolution)：2024最新动态卷积 | CONV | https://blog.csdn.net/shangyanaf/article/details/143023455 |
| 3 | 【YOLOv11改进-卷积Conv】 ODConv(Omni-Dimensional Dynamic Convolution)：全维度动态卷积 | CONV | https://blog.csdn.net/shangyanaf/article/details/143023997 |
| 4 | 【YOLOv11改进-卷积Conv】 SAConv(Switchable Atrous Convolution)：可切换的空洞卷积 | CONV | https://blog.csdn.net/shangyanaf/article/details/143098353 |
| 5 | 【YOLOv11改进-卷积Conv】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核 | CONV | https://blog.csdn.net/shangyanaf/article/details/143099245 |
| 6 | 【YOLOv11改进 – 卷积Conv】SPConv：去除特征图中的冗余，大幅减少参数数量 | 小目标 | CONV | https://blog.csdn.net/shangyanaf/article/details/143194890 |
| 7 | 【YOLOv11改进 – 卷积Conv】SCConv ：即插即用的空间和通道重建卷积 | CONV | https://blog.csdn.net/shangyanaf/article/details/143207088 |
| 8 | 【YOLOv11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目标问题 | CONV | https://blog.csdn.net/shangyanaf/article/details/143220921 |
| 9 | 【YOLOv11改进 – 卷积Conv】RFAConv：感受野注意力卷积，创新空间注意力 | CONV | https://blog.csdn.net/shangyanaf/article/details/143221086 |
| 10 | 【YOLOv11改进-卷积Conv】 OREPA(Online Convolutional Re-parameterization)：在线卷积重参数化 | CONV | https://blog.csdn.net/shangyanaf/article/details/143221336 |
| 11 | 【YOLOv11改进 – 卷积Conv】 RFB (Receptive Field Block)：多分支卷积块 | CONV | https://blog.csdn.net/shangyanaf/article/details/143237656 |
| 12 | 【YOLOv11改进 – 卷积Conv】Diverse Branch Block（DBB）：多样分支模块 | CONV | https://blog.csdn.net/shangyanaf/article/details/143301409 |
| 13 | 【YOLO11改进 – 卷积Conv】RefConv：重新参数化的重聚焦卷积模块 | CONV | https://blog.csdn.net/shangyanaf/article/details/143351548 |
其他
| 1 | 【YOLOv11改进 – 混合卷积注意力机制】ACmix(Mixed Self-Attention and Convolution) ：自注意力与卷积混合模型 | 混合卷积注意力机制 | https://blog.csdn.net/shangyanaf/article/details/142981217 |
| 2 | 【YOLOv11改进 – 注意力机制】CAFM(Convolution and Attention Fusion Module):卷积和注意力融合模块 | 混合卷积注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143248692 |
| 3 | 【YOLOv11改进】ADown：YOLOv9轻量化下采样操作 | 下采样 | https://blog.csdn.net/shangyanaf/article/details/143315609 |
| 4 | 【YOLOv11改进 – SPPF】发论文神器！LSKA注意力改进SPPF,增强多尺度特征提取能力，高效涨点！！！ | SPPF | https://blog.csdn.net/shangyanaf/article/details/143258938 |
| 5 | 【YOLOv11改进-SPPF】 Focal Modulation :使用焦点调制模块替代SPPF | SPPF | https://blog.csdn.net/shangyanaf/article/details/143280849 |
| 6 | 【YOLO11改进 – SPPF】 AIFI : 基于注意力的尺度内特征交互，保持高准确度的同时减少计算成本 | SPPF | https://blog.csdn.net/shangyanaf/article/details/143388430 |
| 7 | 【YOLO11改进 – 采样】HWD: Haar小波降采样,用于语义分割的降采样模块，减少特征图的空间分辨率 | 采样 | https://blog.csdn.net/shangyanaf/article/details/143429137 |
特征融合
| 1 | 【YOLOv11改进 – 特征融合】SDI：多层次特征融合模块，替换contact操作 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143233436 |
| 2 | 【YOLOv11改进 – 特征融合】 GELAN:YOLOV9 通用高效层聚合网络，高效且涨点 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143256244 |
| 3 | 【YOLOv11改进 – 特征融合】Slim-neck：目标检测新范式，既轻量又涨点 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143314827 |
| 4 | 【YOLOv11改进 – 特征融合NECK】CARAFE：轻量级新型上采样算子，助力细节提升 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143134074 |
| 5 | 【YOLOv11改进 – 特征融合】DySample ：超轻量级且高效的动态上采样器 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143248563 |
| 6 | 【YOLO11改进 – 特征融合】FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143386943 |
| 7 | 【YOLO11改进 – 特征融合】 GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143530088 |
| 8 | 【YOLO11改进 – 特征融合】ASF-YOLO：SSFF融合+TPE编码+CPAM注意力，提高检测和分割能力 | 特征融合 | https://blog.csdn.net/shangyanaf/article/details/143530787 |
主干
| 1 | 【YOLOv11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 | Backbone | https://blog.csdn.net/shangyanaf/article/details/143315275 |
| 2 | 【YOLOv11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 | Backbone | https://blog.csdn.net/shangyanaf/article/details/143315038 |
| 3 | 【YOLO11改进 – Backbone主干】2024最新轻量化网络MobileNetV4替换YOLO11的BackBone | Backbone | https://blog.csdn.net/shangyanaf/article/details/143494907 |
| 4 | 【YOLO11改进 – Backbone主干】微软 EfficientViT替换YOLO11的BackBone: 高效视觉transformer与级联组注意力，平衡速度与精度 | Backbone | https://blog.csdn.net/shangyanaf/article/details/143496026 |
| 5 | 【YOLO11改进 – Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。 | Backbone | https://blog.csdn.net/shangyanaf/article/details/143506618 |
| 6 | 【YOLO11改进】SwinTransformer骨干网络： 基于位移窗口的层次化视觉变换器 | Backbone | https://blog.csdn.net/shangyanaf/article/details/143529324 |
C3k2融合
| 1 | 【YOLO11改进 – C3k2融合】C3k2融合SCConv(Self-Calibrated Convolutions): 自校准卷积 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143335641 |
| 2 | 【YOLO11改进 – C3k2融合】C3k2融合SCConv( Spatial and Channel Reconstruction Convolution) ：即插即用的空间和通道重建卷积 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143335895 |
| 3 | 【YOLO11改进 – C3k2融合】C3k2融合Diverse Branch Block（DBB）二次创新：多样分支模块 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143350687 |
| 4 | 【YOLO11改进 – C3k2融合】C3k2融合PPA二次创新：并行化注意力设计 | 小目标 | C3k2融合 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143332221 |
| 5 | 【YOLO11改进 – C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略，轻量化网络结构 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143358187 |
| 6 | 【YOLO11改进 – C3k2融合】C3k2融合动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143431559 |
| 7 | 【YOLO11改进 – C3k2融合】C3k2DWRSeg二次创新C3k2_DWR：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143435663 |
| 8 | 【YOLO11改进 – C3k2融合】C3k2融合DWRSeg二次创新C3k2_DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143494332 |
| 9 | 【YOLO11改进 – C3k2融合】C3k2融合Deformable-LKA二次创新C3k2_DLKA：可变形大核注意力 | C3k2融合 | 注意力机制 | https://blog.csdn.net/shangyanaf/article/details/143494142 |
| 10 | 【YOLO11改进 – 特征融合】C3k2融合ODConv(Omni-Dimensional Dynamic Convolution)：全维度动态卷积 | C3k2融合 | 卷积Conv | https://blog.csdn.net/shangyanaf/article/details/143532233 |
多模块融合改进
| 1 | 【YOLO11改进- 多模块融合改进】CPCA + CARAFE : 通道先验卷积注意力与上采样算子的融合改进，助力细节提升！ | 多模块融合改进 | https://blog.csdn.net/shangyanaf/article/details/143428926 |
| 2 | 【YOLO11改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点 | 多模块融合改进 | https://blog.csdn.net/shangyanaf/article/details/143434474 |
| 3 | 【YOLO11改进- 多模块融合改进】ResBlock + CBAM: 基于ResBlock的通道+空间注意力，增强特证提取 | 多模块融合改进 | https://blog.csdn.net/shangyanaf/article/details/143369644 |
| 4 | 【YOLO11改进- 多模块融合改进】ResBlock + GAM: 基于ResBlock的全局注意力机制ResBlock_ GAM，增强特证提取 | 多模块融合改进 | https://blog.csdn.net/shangyanaf/article/details/143369878 |
– YOLO算法 – YOLO11 – YOLOV11 – 目标检测 – 机器学习 – YOLO算法是什么 – YOLO算法原理 – YOLO11教程 – YOLO11源码解析 – YOLOV11入门指南 – YOLOV11项目实战 – 目标检测技术 – YOLO在目标检测中的应用 – 机器学习与YOLO算法 – 深度学习与YOLOV11的结合 – YOLO11图像识别 – YOLOV11模型训练 – YOLO算法优化 – YOLO目标检测应用场景 – 机器学习在目标检测中的应用 – 计算机视觉与YOLO算法 – YOLO算法改进方法 – YOLOV11在小目标检测中的应用 – YOLO11如何提高精度 – YOLO与深度学习目标检测 – YOLO11最新版本 – YOLOV11创新点 – YOLO11与YOLOv8对比 – YOLO目标检测最佳实践 – 目标检测算法发展趋势 – YOLO算法在智能安防中的应用 – YOLO11在医疗图像中的应用 – YOLO算法性能对比 – YOLO11在交通监控中的应用 – YOLOV11分类任务 – YOLO目标检测mAP提升 – YOLO算法遮挡物检测 – YOLO11目标追踪技术 – YOLO11的关键点检测 – YOLOV11 OBB检测 – YOLOv8小目标检测 – YOLOV11遮挡物识别优化 – YOLO11算法在大规模数据集的应用
![[Kaggle]：使用Kaggle服务器训练YOLOv5模型 （白嫖服务器）-网硕互联帮助中心](https://www.wsisp.com/helps/wp-content/uploads/2025/04/20250427235529-680ec3f1364f5-220x150.png)
评论前必须登录！
注册