YOLOv13保姆级教程+AKConv模块：可变形卷积+自适应核优化，mAP提升3.23%，召回率&mAP50~95显著提升（论文涨点模块已验证）

原创 已于 2025-08-10 16:24:31 修改 · 2.5k 阅读 · 1 GEO检测
于 2025-08-06 22:42:31 首次发布

在这里插入图片描述
在这里插入图片描述
绿色线条为优化后的YOLOv13

文章目录

移植

创建ultralytics\cfg\models\v13\yolov13-AKConv.yaml

nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov13n.yaml' will call yolov13.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.50, 0.25, 1024]   # Nano
  s: [
标签
#YOLO #android #javascript
了解本专栏 订阅专栏 解锁全文
YOLOv8-Seg改进：自适应改变核大小卷积AKConv，效果优于标准卷积核和DSConv |2023.11月最新成果
会AI的学姐
11-27 1242
AKConv 中，通过新的坐标生成算法定义任意大小的卷积核的初始位置。 为了适应目标的变化，引入了偏移量来调整每个位置的样本形状。 此外，我们通过使用具有相同大小和不同初始采样形状的 AKConv 来探索神经网络的效果。 AKConv 通过不规则卷积运算完成高效特征提取的过程，为卷积采样形状带来更多探索选择。直接代替标准卷积使用
YOLO11改进|卷积篇|引入可变核卷积AKConv
A1983Z的博客
10-02 3930
YOLO11中添加AKConv卷积
MobileNetV3-Faster RCNN 多类别工程机械检测实战｜3189 张 VOC&YOLO 不平衡数据集智慧工地设备监管全流程
lin_xiu的博客
08-29 11
本文选用作为本工程机械检测任务最优算法，彻底解决单阶段算法、Transformer 算法在长尾不平衡数据集、工地复杂遮挡场景、边缘部署落地的短板。通过 FocalLoss 损失函数、类别加权、多尺度特征融合等定制化优化策略，完美适配 3189 张 10 类别工程机械数据集的检测难点，实现了主流设备、稀有小众设备的高精度识别。
YOLOv8改进教程|加入可改变核卷积AKConv模块，效果远超DSConv！
热门推荐
深度学习炼丹师，偶尔分享炼丹技术!
05-15 1万+
论文速览：：AKConv是2023年11月发表的一种可变卷积核，赋予卷积核任意数量的参数和任意采样形状，以解决具有固定样本形状和正方形的卷积核不能很好地适应不断变化的目标的问题点可以为网络开销和性能之间的权衡提供更丰富的选择。AKConv的核心思想在于它为卷积核提供了任意数量的参数和任意采样形状，能够使用任意数量的参数(如1,2,3,4,5,6,7等)来提取姝征，这在标准卷积和可变形卷积中并未实现。AKConv能够根据硬件环境，使卷积参数的数星呈线性增减（(非常适用于轻量化模型)。
标注格式全解 | 全网独家复盘检测/语义/实例/全景分割标签适配、助力YOLO/U-Net/MaskRCNN/Mask2Former数据集精准落地
qq_36130719的博客
09-02 27
在计算机视觉算法研发与工业落地流程中，数据集标注是模型训练的前置核心基石，标注任务类型、标签格式与训练模型不匹配是算法迭代、项目落地中最高频、最致命的工程问题。大量研发人员完成高精度人工标注后，因标签格式选型错误、存储规范不符、任务适配混淆，导致模型训练报错、梯度不收敛、精度持续偏低、指标涨点无效，甚至需要全额返工重标，极大消耗人力、时间成本，严重拖慢项目交付周期。计算机视觉主流任务分为2D目标检测、语义分割、实例分割、全景分割。
菠萝瑕疵病变缺陷检测数据集VOC+YOLO格式1090张4类别
FL1623863129的博客
09-01 298
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["defects_black_spots","defects_holes","defects_white_fungus","pineapple"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)defects_white_fungus（白色霉菌缺陷） 框数 = 2263，占有图片数 = 996。
道路病害目标检测数据集 | 道路坑洞 道路病害 路面检测 智能养护 多目标分类 YOLO格式9025期
qq_2529413168的博客
08-28 388
道路病害目标检测数据集 | 道路坑洞 道路病害 路面检测 智能养护 多目标分类 YOLO格式9025期
读懂YOLO的下一阶段：从单帧识别到端边云视觉智能
大牛直播SDK
08-31 378
随着YOLO向多任务、开放词汇、端到端推理和边缘部署持续演进，实时视觉的竞争焦点已从单帧精度转向完整系统的确定性。本文基于大牛直播SDK（SmartMediaKit），系统分析视频接入、低延迟解码、原始帧输出、YOLO推理、目标跟踪、规则判断、事件录像与平台联动，并结合工业视觉、机器人、无人机、GB28181安防和运营商场景，探讨端边云协同、数据闭环及模型插件化的工程价值。
深度学习实战第三篇：YOLOv8/v11/v12 到底选哪个？工业场景选型指南
richard_yuu的博客
08-30 419
案例项目 AOI 芯片焊盘缺陷检测（YOLO + ONNX + C++），完整源码见 D:\WorkSpace\CodeSpace\aoi_code_plain\aoi_code。每个版本还有 nano、small、medium、large、extra-large 五种大小。后来我发现，选型其实很简单：分类用 nano、检测用 small、OBB 用 small。你想训练一个芯片检测模型，不知道选哪个版本、哪个大小、哪个任务类型。超参数调优、早停策略、学习率调度，AOI 项目的训练全记录。
AI大模型学习（19）：YOLO26模型量化压缩与ONNX部署实战——嵌入式端高速推理，落地边缘AI检测
isoft888的专栏，致力于C#/python分享物联网、大数据，神经网络的等领域，欢迎讨论交流！
09-01 214
<think>我们被要求根据内容生成一篇≤150字的文章摘要。用户给出的内容是关于YOLO26模型量化压缩与ONNX部署实战的深度技术文章，涵盖痛点、量化方法、模型选型、导出和量化步骤等。 需要生成摘要，字数不超过150字。摘要应概括核心内容：边缘部署痛点（延迟、体积、功耗）、量化方案（PTQ/QAT等）、YOLO26量化友好设计、ONNX导出与INT8量化流程，以及效果指标（从256MB到64MB，85ms到48ms等）。 注意字数限制，要用简洁语言。可先写大意，然后计数（中文字符）。这里没有严格要求字符
SOP行为监控系统 开源项目yolo
最新发布
a111776的博客
09-02 196
<think>我们根据要求生成≤150字的文章摘要。内容是关于SOP行为监控系统开源项目yolo，基于YoloDotNet的工业级机器视觉检测系统。摘要需简洁概括项目核心。注意字数限制。</think>基于YoloDotNet的工业级视觉检测系统，采用模块化插件架构，配置驱动，支持SOP合规检测、缺陷检测等场景。集成YOLO检测/分割/姿态/OBB模型，提供ROI管理、相机服务、MVVM界面。SOP模块通过姿态估计与状态机实现违规判定。MIT开源。
【电赛每日一题·第19期】9×7全覆盖+63格不漏一只动物：2025电赛H题野生动物巡查系统，国一SLAM+YOLO11n深度拆解
飞多学堂的博客
08-28 18
你得做一架。
【计算机毕业设计】基于 YOLOv8 的口罩检测 Web 系统
Michael_Jay的博客
08-30 201
本项目基于 YOLOv8 实现口罩佩戴状态检测，并在原有 Python / PyQt 程序基础上提供本机 Web 使用方式。项目包含 Web 入口、图片视频摄像头检测、模型训练、训练结果可视化、模型文件管理和本地检测记录等能力，适用于校园、公共场所等口罩佩戴识别场景的课程设计与演示。
YOLO26 计算机视觉 - YOLO26图片与视频推理 & 摄像头与实时检测
java1234的博客
08-28 238
大家好，我是 Java1234 小锋老师。本课程将系统讲解 YOLO26 的完整知识体系，涵盖 YOLO26 简介、HelloWorld 项目实现、模型架构解析、图片与视频推理、摄像头实时检测、数据集与标注、训练自己的 YOLO26 模型、多任务（分割 / 姿态 / 分类 / OBB）以及模型导出等内容。
深度学习24物体检测算法R-CNN、SSD、YOLO
2401_87118211的博客
08-30 222
每次选择的锚框的大小是不同的，在这种情况下，怎样使这些大小不一的锚框变成一个batch？Mask R-CNN 是基于 Faster R-CNN 修改而来的，改进在于。兴趣区域汇聚层（RoI Pooing）与一般的汇聚层有什么不同？Fast R-CNN 相对于 R-CNN 更快的原因。Faster R-CNN 和 Mask R-CNN。Faster R-CNN 的改进。Faste R-CNN 的改进。
一文讲清楚YOLOv26模型
Michael_Jay的博客
08-28 341
v26做的事很简单：把v11的C3k2模块扒开，把里面的卷积核分布重新调了一下，再引入一个轻量级注意力分支。，插在SPPF后面，不增加多少计算量，但让模型对小物体的响应更敏感。听着不错，但别激动，这是在他们自己蒸馏过的权重上跑的，你用官方预训练模型直接微调未必能复现。，比如遥感图像、无人机视角、细胞检测，v26值得一试——它的多尺度特征融合确实比v11友好，尤其是对16x16以下的目标，召回率肉眼可见提升。，比如行人、车辆、工业缺陷，v11完全够用，换v26收益极小，还得重新适配部署环境。
YOLOv8官方底层源码学习，从输入图像走通黑盒模型全流程
惜哉剑气疏的博客
08-28 229
无
YOLO 航拍金具不平衡样本涨点｜2538 张输电悬垂线夹 VOC/YOLO 双格式数据集，无人机线路巡检全流程落地
getusushu的博客
08-31 21
悬垂线夹（Yoke、Yoke Suspension）是高压架空输电线路核心承重金具，承担导线悬挂、载荷传递功能，长期受风力振动、锈蚀、外力撞击极易出现松动、开裂、脱落故障，一旦失效会引发导线落地、大面积停电事故。传统运维依靠人工登塔、地面望远镜巡检，山区、跨河杆塔人员难以抵达，高空作业存在坠落安全隐患；无人机航拍海量图像人工筛查效率极低，两类线夹外观结构相近、远距离拍摄属于微小金属小目标，山林、铁塔钢架背景干扰强，人工漏检、错分率超 40%。传统灰度阈值、轮廓匹配算法仅能识别近距离清晰线夹，无法区分。
YOLO 多尺度红外增强｜3930 张 7 类变电站设备 VOC/YOLO 数据集实战，多尺度小目标分类、无人机 / 机器人红外巡检落地全流程
lin_xiu的博客
08-28 38
变电站高压一次设备是电网能量转换、线路分合流核心载体，包含避雷器、断路器、套管、电流互感器、两类隔离开关、绝缘子七大类关键构件。设备接头松动、瓷件老化、内部铁芯损耗会产生局部温升，红外热成像可捕捉肉眼无法识别的温度异常，是电力预防性运维核心手段。传统人工红外巡检存在多重行业痛点：变电站设备密集，单站红外图片数千张，人工逐帧标注设备种类、定位发热点位耗时 3-5 天；远距离航拍、机器人拍摄下互感器、绝缘子属于微型小目标，灰度红外图像对比度低、钢架背景干扰强，人工漏检率超 40；
服装分类识别检测数据集VOC+YOLO格式2682张10类别
FL1623863129的博客
08-31 311
标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["bag","dress","hat","jacket","pants","shirt","shoe","shorts","skirt","sunglass"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)bag（包） 框数 = 1462，占有图片数 = 1462。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

YOLO君

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值