《YOLO11魔术师专栏》将从以下各个方向进行创新（更新日期24.10.12）：
【原创自研模块】【多组合点优化】【注意力机制】
【主干篇】【neck优化】【卷积魔改】
【block&多尺度融合结合】【损失&IOU优化】【上下采样优化 】
【小目标性能提升】【前沿论文分享】【训练实战篇】
【pose关键点检测】【yolo11-seg分割】
订阅者可以申请发票，便于报销
定期向订阅者提供源码工程，配合博客使用
YOLO11魔术师专栏
主页链接：
💡💡💡为本专栏订阅者提供创新点改进代码，改进网络结构图，方便paper写作！！！
💡💡💡适用场景：红外、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
💡💡💡适用任务：所有改进点适用【检测】、【分割】、【pose】、【分类】等
💡💡💡全网独家首发创新，【自研多个自研模块】，【多创新点组合适合paper 】！！！
☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️ ☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️
包含注意力机制魔改、卷积魔改、检测头创新、损失&IOU优化、block优化&多层特征融合、 轻量级网络设计、24年最新顶会改进思路、原创自研paper级创新等
🚀🚀🚀 本项目持续更新 | 更新完结保底≥80+ ，冲刺100+ 🚀🚀🚀
🍉🍉🍉 联系WX: AI_CV_0624 欢迎交流！🍉🍉🍉
⭐⭐⭐专栏涨价趋势 199->259->299，越早订阅越划算⭐⭐⭐
💡💡💡 2024年计算机视觉顶会创新点适用于YOLOv5、YOLOv7、YOLO8、YOLOv10、YOLO11等各个YOLO系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络 ！！！
💡💡💡重点：通过本专栏的阅读，后续你也可以设计魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！
🏆🏆🏆🏆🏆🏆🏆🏆
主页链接：
目录如下：
☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️
☁️☁️☁️原创自研模块
🏆🏆🏆多组合点优化
💡💡💡注意力机制
🌰 🌰 🌰主干篇
🏆🏆🏆neck优化
🍅🍅🍅卷积魔改
✨✨✨block&多尺度融合结合
💡💡💡损失&IOU优化
🌟🌟🌟上下采样优化
🏆🏆🏆轻量化改进
🚀🚀🚀小目标性能提升
⭐ ⭐ ⭐写作必备
🌰 🌰 🌰SPPF & Detect改进
💡💡💡yolo11-seg分割
🌰 🌰 🌰pose关键点检测
☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️☁️
☁️☁️☁️原创自研模块
1. 新一代高效可形变卷积DCNv4如何做二次创新？高效结合SPPF
2. 自研独家创新MSAM注意力，通道注意力升级，魔改CBAM
3. SPPF原创自研 | SPPF_attention，重新设计加入注意力机制
4. 原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
5. 自研检测头 | 独家创新（SC_C_11Detect）检测头结构创新，实现涨点
6. 原创自研 | 一种新颖的跨通道交互的高效率通道注意力EMCA，ECA改进版
7. SPPF原创自研创新 | SPPF创新结构，重新设计全局平均池化层和全局最大池化层
8. 自研独家创新DSAM注意力 ，基于BiLevelRoutingAttention注意力升级
🏆🏆🏆多组合点优化
💡💡💡注意力机制
2.EMA：基于跨空间学习的高效多尺度注意力，效果优于ECA、CBAM、CA
3.新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测
4.轻量级自注意力机制CoordAttention | CVPR2021
5.SKAttention注意力，自适应地调整其感受野大小，效果优于SENet
7.双重注意力机制DoubleAttention，有效地捕获图像中不同位置和不同特征的重要性
8. SimAM（无参Attention），一种轻量级的自注意力机制
9.极化自注意力Polarized Self-Attention，一种更加精细的双重注意力机制
10.用于微小目标检测的上下文增强和特征细化网络ContextAggregation
11. 动态稀疏注意力的双层路由方法BiLevelRoutingAttention | CVPR2023
12. 可变形自注意力Attention，暴力涨点 | 即插即用系列最新发表
13. 最新移动端高效网络架构 CloFormer，清华团队最新即插即用系列
14. 上下文锚点注意力（CAA） | CVPR2024 PKINet 遥感图像目标检测
15. 轻量级的 Mixed Local Channel Attention (MLCA)，加强通道信息和空间信息提取能力
16. 卷积和注意力融合模块(CAFMAttention) | 2024年最新成果
17. CAMixing:卷积-注意融合模块和多尺度提取能力 | 2024年最新成果
18. 一种新颖的可扩张残差（DWR）注意力模块，增强多尺度感受野特征，助力小目标检测
19.注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点
22. 通道优先卷积注意力（Channel Prior Convolutional Attention，CPCA）| 中科院 发布
23. 蒙特卡罗注意力(MCAttn)模块，基于尺度变化的注意力网络
24. 一种新的空间和通道协同注意模块，充分挖掘通道和空间注意之间的协同作用
25. 一种新颖的高效融合注意力机制，结合C3k2二次创新，2024年最新注意力成果
26. 可变形双级路由注意力（DBRA），魔改动态稀疏注意力的双层路由方法
🍅🍅🍅卷积魔改
1.分布移位卷积（DSConv）,提高卷积层的内存效率和速度
2. AKConv（可改变核卷积），即插即用的卷积，幸福涨点
3.大型分离卷积注意力模块，实现暴力涨点同时显著减少计算复杂性和内存
4. 可变形大核注意力，一种采用大卷积核来充分理解体积上下文的简化注意力机制
7. DCNv3算子，基于DCNv2算子引入共享投射权重、多组机制和采样点调制 | CVPR2023
9. 动态卷积DynamicConv ，CVPR2024 ParameterNet
10. 动态蛇形卷积（Dynamic Snake Convolution），实现暴力涨点 | ICCV2023
11. 新的partial convolution（PConv）结合C3k2 | CVPR2023
12. 可变形条带卷积(DSCN)，魔改轻量DCNv3二次创新
13. DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测
14. 轻量化双卷积DualConv，完成涨点且计算量和参数量显著下降
15.具有切片操作的SimAM注意力，魔改SimAM助力小目标检测
🌰 🌰 🌰主干篇
1. 一种极简的神经网络模型 VanillaNet,华为诺亚
2. EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计 |ICCV2023
3. 轻量化之王MobileNetV4 开源 | Top-1 精度 87%，手机推理速度 3.8ms，原地起飞！
4. 微软新作StarNet：超强轻量级Backbone | CVPR 2024
🏆🏆🏆neck优化
1. Gold-YOLO，遥遥领先，超越所有YOLO | 华为诺亚NeurIPS23
✨✨✨block&多尺度融合结合
1.分层特征融合策略MSBlock | 南开大学提出YOLO-MS
2.ECVBlock即插即用的多尺度融合模块，助力小目标涨点
3.多级特征融合金字塔（HS-FPN），助力小目标检测| 2024年最新论文
4. LSKblockAttention助力旋转目标检测，南开大学提出LSKNet：遥感旋转目标检测新SOTA
5. 一种新的路径融合GFPN：包含跳层与跨尺度连接 ，小目标到大目标一网打尽
7. 华为诺亚2023极简的神经网络模型 VanillaNet---VanillaBlock助力检测，实现暴力涨点
8. 一种基于内容引导注意力(CGA)的混合融合，实现暴力涨点 | IEEE TIP 2024 浙大
10. PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点
11. RepViTBlock和C3k2进行结合实现二次创新 | CVPR2024清华RepViT
12. 「一夜干掉MLP」的KAN ，全新神经网络架构一夜爆火
14. 全局到局部可控感受野模块GL-CRM ，量身为为多尺度变化而设计
💡💡💡损失&IOU优化
1.一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好
2.Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等
3.Powerful-IoU更好、更快的收敛IoU，效果秒杀CIoU、GIoU等 | 2024年最新IoU
4. 一种新的基于Wasserstein距离的小目标检测评估方法，助力小目标涨点
5. 一种新的自适应阈值焦点损失函数loss，更多的注意力分配给目标特征
6. SlideLoss，解决简单样本和困难样本之间的不平衡问题
7. Unified-loU，用于高品质目标检测的统一loU ，2024年8月最新IoU
🌟🌟🌟上下采样优化
2.超轻量高效动态上采样DySample，效果秒杀CAFFE，助力小目标检测
🚀🚀🚀小目标性能提升
1.新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测
2.用于微小目标检测的上下文增强和特征细化网络ContextAggregation
3.ECVBlock即插即用的多尺度融合模块，助力小目标涨点
4.超轻量高效动态上采样DySample，效果秒杀CAFFE，助力小目标检测
5.一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好
6.多级特征融合金字塔（HS-FPN），助力小目标检测| 2024年最新论文
8. 一种新的路径融合GFPN：包含跳层与跨尺度连接 ，小目标到大目标一网打尽
11. 一种新的基于Wasserstein距离的小目标检测评估方法，助力小目标涨点
12. 卷积和注意力融合模块(CAFMAttention) | 2024年最新成果
13. 新颖的多尺度前馈网络(MSFN) | 2024年4月最新成果
14. CAMixing:卷积-注意融合模块和多尺度提取能力 | 2024年最新成果
15. 一种新颖的可扩张残差（DWR）注意力模块，增强多尺度感受野特征，助力小目标检测
17.注意力机制改进 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点
18. 一种新的自适应阈值焦点损失函数loss，更多的注意力分配给目标特征
19. PKIBlock多尺度卷积核，优势无需膨胀，即插即用小目标涨点
22. 多头检测器提升小目标检测精度
24.具有切片操作的SimAM注意力，魔改SimAM助力小目标检测
25. 全局到局部可控感受野模块GL-CRM ，量身为为多尺度变化而设计
🏆🏆🏆轻量化改进
1.分布移位卷积（DSConv）,提高卷积层的内存效率和速度
2. 华为Ghostnet，超越谷歌MobileNet | CVPR2020
3. 华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22
4. 华为GhostNet再升级，全系列硬件上最优极简AI网络G_ghost | IJCV22
5. 通用倒瓶颈（UIB）搜索块结合C3k2二次创新 | 轻量化之王MobileNetV4
6. 动态卷积DynamicConv ，CVPR2024 ParameterNet
7. 轻量级改进 | 逐元素乘法（star operation）二次创新，微软新作StarNet
10. 轻量化双卷积DualConv，完成涨点且计算量和参数量显著下降
☁️☁️☁️SPPF & Detect改进
1.多级特征融合金字塔（HS-FPN），助力小目标检测| 2024年最新论文
2. 新一代高效可形变卷积DCNv4如何做二次创新？高效结合SPPF
💡💡💡paper创新篇
🌰 🌰 🌰pose关键点检测
1.自己数据集从labelme标注到生成yolo格式的关键点数据以及训练教程
2. 具有切片操作的SimAM注意力，魔改SimAM助力pose关键点检测能力
4. SPPF原创自研创新 | SPPF创新结构，助力pose检测
5. 自研独家创新DSAM注意力 ，助力pose关键点检测能力
6. 自研独家创新BSAM注意力 ，助力pose关键点检测能力
7. 可变形双级路由注意力（DBRA），魔改动态稀疏注意力的双层路由方法，助力pose检测
8. 独家创新（SC_C_11Detect）检测头结构创新，助力手势pose关键点检测
9. DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，结合C3k2二次创新
10. 新一代高效可形变卷积DCNv4结合SPPF二次创新助力关键点检测
💡💡💡yolo11-seg分割
1. 多头检测器提升分割精度
2. 自研独家创新DSAM注意力 ，基于BiLevelRoutingAttention注意力升级，助力分割
3. 具有切片操作的SimAM注意力，魔改SimAM助力分割
4. SPPF_attention，重新设计加入注意力机制，助力分割
5. DCNv4更快收敛、更高速度、更高性能 ，结合C3k2二次创新助力分割
⭐ ⭐ ⭐写作必备
☁️☁️☁️训练实战篇
1.YOLO11 全新发布！（原理介绍+代码详见+结构框图）
2. 解决创新点在自己数据集不涨点现象，通过EMA多尺度注意力举例阐述并提出解决方案