YOLO11改进|全网首发|YOLO11中添加自适应轻量级通道分割和洗牌模块ALSS

可以将C3k2_MSAMCS放在neck，或者backbone和neck同时修改，具体看自己数据集的涨点情况决定

SSA 基于注意力机制的思想，通过对输入特征图的不同空间位置赋予不同的权重，使模型能够有选择性地关注重要的空间区域。它利用轻量级的计算模块来生成注意力权重，避免了自注意力机制中过高的计算成本，同时能在水平和垂直方向上扩大感受野，有效聚合相邻位置的信息，从而更好地捕捉空间上下文。生成水平方向注意力权重：先在水平方向选取大小为 1×K 的带状区域，对其进行全局平均池化（GAP）操作，将特征压缩。接着通过一个卷积层（Conv）和 Sigmoid 函数，生成水平方向的注意力权重。水平方向信息聚合。

https://www.jianshu.com/p/71804c97123d

本研究提出融合FMA（傅里叶调制注意力）和DML（动态混合层）模块改进YOLOv11目标检测模型。FMA通过傅里叶变换增强全局特征捕获能力，DML采用动态卷积优化局部特征提取。实验表明，改进后的模型在精度提升15%的同时降低30%计算量，特别适用于复杂场景下的实时检测任务。文章详细介绍了模块原理、网络结构及实现方法，并提供了三种改进配置方案（C3k2_FMA、C3k2_DML、C2PSA_DML）的yaml文件和核心代码实现。

双卷积由组卷积和异构卷积组成，执行 3×3 和 1×1 卷积运算代替其他卷积核仅执行 1×1 卷积，YOLOv7 Conv，从而轻量化YOLOv7-tiny

本文提出了一种基于YOLOv8的茄子病害智能检测系统，旨在解决传统人工检测效率低、误差大的问题。系统采用YOLOv8模型进行训练，通过C2f模块优化骨干网络、PAN-FPN结构增强特征融合，并引入解耦检测头提升分类精度。使用包含3478张标注图像的数据集（涵盖果肉腐烂、蛀虫、健康和黄斑病四类），模型达到95%以上的检测精度，单图推理仅需数十毫秒。系统支持实时视频分析，可部署于田间设备，显著降低人力成本，提升病害防治效率。配套源码、模型权重及数据集已打包，便于复现与应用开发。

YOLO26 稳定训练改进摘要： 本文档介绍了YOLO26新增的稳定训练策略，包括标签平滑、梯度裁剪和学习率预热三个核心改进。新增的train_stable.py文件集中管理这些参数：标签平滑(0.05)用于缓解分类过拟合，梯度裁剪(10.0)防止异常更新，学习率预热(3epoch)让训练更平稳。特别解决了原框架中标签平滑参数被过滤的问题，通过运行时补丁实现质量权重保留的目标软化。梯度裁剪在AMP环境下正确处理了梯度缩放，学习率预热支持动量、偏置等参数的渐进调整。这些改进使模型训练更稳定，同时保持原始接口简

算子适配核心:1. 提前检查: 导出ONNX前就检查算子兼容性2. 渐进替换: 一次替换一个, 每次验证精度3. 精度对齐: 替换后mAP损失<0.5%为合格4. 工具辅助: onnxsim简化 + Netron可视化5. 平台差异: 不同NPU的算子支持不同YOLOv26N的NPU友好设计, 使不兼容算子控制在0-3个算子适配不是"导出→报错→换算子"的试错过程，而应该是"设计→检查→替换→验证"的系统化流程。提前识别问题，才能避免部署时的返工。

本文介绍了一个基于YOLO11算法的柑橘果实检测系统，旨在解决传统人工分拣效率低、误差率高的问题。该系统采用YOLO11目标检测网络，通过创新的C3k2模块、轻量化解耦检测头等技术，显著提升了检测精度和速度。数据集包含1210张标注图像，训练后模型达到95%以上的平均精度，可实时识别柑橘位置、数量及表面状态。系统支持嵌入式设备部署，适用于果园采摘机器人、分选流水线等场景，为智慧农业提供高效的技术解决方案。配套源码、模型权重和数据集已打包提供，便于复现与二次开发。

LowerIncisalincision（下中切牙切缘点） 占有图片数 = 1571。UpperIncisalincision（上中切牙切缘点） 占有图片数 = 1571。PosteriorNasalSpine（后鼻棘） 占有图片数 = 1571。AnteriorNasalSpine（前鼻棘） 占有图片数 = 1571。Subspinale（上齿槽前点/前鼻棘下点） 占有图片数 = 1571。Supramentale（颏上点） 占有图片数 = 1571。

要：该数据集采用 YOLO 标注格式，包含 1,420 张番茄图像，按 7:2:1 划分为训练集、验证集和测试集，用于未成熟、转熟期、半成熟和成熟四类番茄成熟度检测模型的训练与评估。

将数据集划分为训练集、测试集、验证集。训练集：验证集：测试集=8：1：1。包含图片信息和标注的object信息（坐标、类别)在ultralytics/datasets/下新建。参数需要传入你想要预测的图片或者视频或者文件夹。，主函数中只能同时运行一个，其余代码需要注释掉。：这个文件里保存了我们模型训练的所有超参数。，保存，然后继续下一张，直到标注完成。快捷键w进行标注，输入标签名，比如说。参数需要传入数据集对应的yaml文件。YOLO格式标签生成的是txt文件。打开数据集文件进行标注。

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):[“crop”,“weed”]+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)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：706。标注数量(xml文件个数)：706。标注数量(txt文件个数)：706。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

yolo模型微调训练

本项目基于 YOLOv8 实现口罩佩戴状态检测，已从原 PyQt6 桌面程序扩展为本机 Web 系统。系统支持图片识别、视频识别、浏览器摄像头识别、检测历史、模型管理和训练指标查看。

地平线BPU部署核心:1. BPU是CNN专用加速器, 不是通用NPU2. 天工开物工具链是必经之路3. YOLOv8适配关键: C2f拆解 + 检测头简化4. 混合精度: backbone INT8 + head FP165. 能效比是BPU的最大优势(32-39 FPS/W)选型建议: 追求能效选地平线, 追求生态选Jetson地平线BPU在能效比上有着显著优势，特别适合对功耗敏感的边缘场景。理解BPU的架构特性，做好YOLOv8的算法适配，就能在3W功耗下实现100+FPS的实时检测。

yolov11 obb数据集准备说明

摘要：APSC自适应多谱卷积模块是针对视觉任务中多尺度、多方向特征建模的优化方案。针对传统方法在尺度融合、方向感知和通道利用等方面的不足，APSC创新性地提出四大机制：1）自适应尺度路由动态分配注意力权重；2）跨路径共振实现局部与方向特征双向增强；3）空洞卷积显式建模对角结构；4）通道精炼门控动态校准特征响应。该模块在目标检测中显著提升斜向目标识别能力，在图像分割中改善边缘连续性，已成功应用于自动驾驶、医疗影像等多个领域，兼具精度提升与计算高效的特点，支持从嵌入式到云端的全场景部署。（149字）

Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models——统一的实时端到端视觉模型