YOLOv12涨点改进| ICLR 2027投稿 |卷积创新改进篇| 引入YOLOv14中的CircularConv循环卷积，适合目标检测、实例分割、鱼眼目标检测、广角目标检测、遥感目标检测，涨点改进

原创 于 2026-08-21 13:57:24 发布 · 4 阅读 · 1 GEO检测

一、本文介绍

🔥本文给大家介绍使用 CircularConv循环卷积 改进YOLOv12网络模型，核心优势可以概括为：将普通卷积在水平方向上的零填充替换为循环填充，使全景图最左侧和最右侧重新建立真实空间连接，让卷积能够跨越三百六十度展开边界获取连续邻域信息，从而减少人为边界、跨边界目标割裂以及上下文信息缺失问题。它与SphereAAttn配合后，一个负责解决经度方向首尾不连续问题，一个负责处理纬度方向的信息密度差异，共同增强YOLOv12对等的目标检测能力。

🔥欢迎订阅我的专栏、带你学习使用最新-最前沿-独家YOLOv12创新改进！🔥

YOLOv12专栏改进目录：YOLOv12改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、A2C2f二次创新、独家创新等几百种创新点改进。

全新YOLOv12改进专栏订阅链接：全新YOLOv12创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

本文目录

一、本文介绍

二、CircularConv循环卷积介绍

2.1 CircularConv循环卷积结构图

2.2  CircularConv循环卷积模块的作用：

2.3 CircularConv循环卷积模块的原理

2.4 D-AAttn可变形区域注意力模块的优势

三、完整核心代码

四、手把手教你配置模块和修改tasks.py文件

1.首先在ultralytics/nn/newsAddmodules创建一个.py文件

2.在ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改tasks.py文件

五、创建涨点yaml配置文件

🚀 创新改进1🔥: yolov12n_A2C2f_CircularConv.yaml

🚀 创新改进2🔥: yolov12n_CircularConv.yaml

六、正常运行

二、CircularConv循环卷积介绍

摘要：实时目标检测器在受控条件下可实现卓越的检测精度，但在面对非理想输入场景（如鱼眼畸变、游戏渲染内容、航拍图像及360°全景图）时，其性能会急剧下降。我们提出 YOLOv14——一个统一的自适应检测框架，该框架通过四种互补机制来应对上述场景变化，这些机制均基于一种全新的“自适应路由与调制（ARM）”范式进行形式化描述。与传统的无监督领域自适应方法不同，我们的方法采用“目标先验引导源域增强（TP-SDA）”技术：仅需离线使用 50 张未标注的目标图像来估计风格统计量；而对抗性对齐则作为一种轻量级正则化手段，而非主要的自适应驱动机制。通过上述组件的协同作用，YOLOv14 在 COCO val2017 数据集上取得了 49.1 mAP 的检测精度，且单帧处理时间为 2.91 毫秒（T4 GPU），相较于 YOLOv12s，在鱼眼场景、全景图、无人机图像及游戏风格化图像上的 mA

标签
#YOLO #YOLOv12涨点改进 #目标检测 #YOLOv14 #人工智能
#CircularConv卷积 #循环卷积
了解本专栏 订阅专栏 解锁全文
OpenCV‑DNN 部署 YOLOv8n‑ONNX 完整流程详解
雪的季节
08-18 322
cpp：YOLOv8 网络固定输入尺寸，图片要缩放至 640×640 送入网络。：置信度阈值，低于该值的候选框直接丢弃。：非极大抑制 IOU 阈值，重叠大于该值的同类别框，只保留置信最高的一个。
R语言实战：从Raw Counts到TPM/FPKM的完整转换指南（含代码调试技巧）
weixin_28559803的博客
03-29 445
本文详细介绍了在R语言环境中将RNA-seq原始计数(raw counts)转换为TPM/FPKM值的完整流程，包含代码实现和常见错误调试技巧。通过具体案例演示如何正确处理基因长度和测序深度因素，实现表达量标准化，为生物信息学分析提供可靠数据基础。特别适合需要进行转录组数据分析的研究人员和实验室技术人员参考。
T-Box功能详解及应用
wgl110110的博客
11-14 5500
T - BOX，其全称为 Telematics Box，作为远程 / 车载通信模块，是一款集车身网络与无线通讯功能于一体的智能终端设备。它充当了多媒体车机与 TSP（汽车远程服务提供商）以及互联网之间的无线路由器角色，为用户创造了远程访问的可能。用户借助T - BOX能够对车辆配备的各个 ECU（电子控制单元）进行远程操控，包括远程启动或停止发动机开启或关闭空调天窗后备箱门车门，以及实现闪灯鸣笛等功能。
《动手学YOLO》——目标检测基础
lonelymanontheway的博客
08-18 452
概述、简介、概念、边界框、锚框、交并比、NMS、评价指标、算法、R-CNN、Fast R-CNN、Faster R-CNN、SSD、
YOLO26涨点改进| ICLR 2027投稿 | 卷积创新改进篇| 引入YOLOv14中的CircularConv循环卷积，适合目标检测、实例分割、鱼眼目标检测、广角目标检测、遥感目标检测，涨点改进
最新发布
Ai缝合怪、助力小伙伴高效发论文
08-21 250
本文提出了一种基于CircularConv循环卷积的YOLO26改进模型，用于解决全景图像检测中的边界不连续问题。该方法通过将普通卷积的水平零填充替换为循环填充，使图像左右边界建立真实连接，有效减少了人为边界带来的目标割裂和上下文信息缺失。实验表明，该改进模型在全景场景下检测性能显著提升，与SphereAAttn模块配合可同时处理经度和纬度方向的信息连续性。文章详细介绍了模块原理、代码实现和配置方法，并提供了两种改进方案的yaml配置文件，为全景目标检测任务提供了有效的技术方案。
Ultralytics 提供的一个强大的目标检测框架，支持多种任务，包括但不限于图像分类、目标检测和实例分割。以下是关于如何安装 YOLOv8 并运行其基
m0_64023286的博客
08-18 217
YOLOv8 使用教程 YOLOv8 是 Ultralytics 提供的一个强大的目标检测框架，支持多种任务，包括但不限于图像分类、目标检测和实例分割。以下是关于如何安装 YOLOv8 并运行其基本功能的详细介绍。 安装 YOLOv8 要使用 YOLOv8，首先需要安装 ultralytics 库。可以通过以下命令完成：
YOLOv10 训练实操教程：从预训练模型开始，端到端无 NMS 的“减负“之路
qq_65148539的博客
08-19 445
YOLOv10 训练实操全记录：从清华官方权重微调 2 类跌倒检测数据集，20 epochs 仅约 9 分钟，mAP50 达 0.920，少样本 fall 类 0.928。端到端无 NMS 架构，推理后处理仅 0.1ms。手把手排掉 3 个坑：torch 2.6 权重加载失败（weights_only）、numpy 2.x trapz 移除、续训文件名自动切换崩溃。全部数字来自真实运行，附损失曲线与六段式教程，开箱即用。
yolo 11
qq_32381773的博客
08-18 230
YOLO，即You Only Look Once，是一种基于深度学习的实时目标检测算法，其核心理念在于将目标检测任务转化为一个单一的回归问题，从输入图像直接预测目标的类别和边界框。YOLO的关键在于其单阶段的设计，这与传统的两阶段检测器形成鲜明对比，两阶段检测器，如Faster R-CNN，首先生成候选区域，然后对这些区域进行分类和边界框回归，虽然这种方法在精度上有优势，但速度相对较慢。YOLO的设计简化了这一流程，使得目标检测的速度得到了极大的提升。
YOLOv5 训练实操教程：从预训练模型开始，10 分钟跑通目标检测
qq_65148539的博客
08-18 379
YOLOv5 训练实操教程：从预训练模型 yolov5n.pt 出发，手把手演示环境搭建、数据集配置、训练日志解读到验证推理全流程。深度拆解 Anchor 聚类机制、C3 跨阶段连接、SPPF 多级池化与 GIoU 损失原理，8GB 显卡即可复现，适合目标检测入门与进阶学习者。
无人机视角航拍高速公路车辆巡检检测数据集VOC+YOLO格式727张1类别
FL1623863129的博客
08-20 174
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)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。标注规则：对类别进行画矩形框，超过10米外不标注。重要说明：数据集没有划分训练验证测试集需自行划分。图片数量(jpg文件个数)：727。标注数量(xml文件个数)：727。标注数量(txt文件个数)：727。使用标注工具：labelImg。标注类别名称:["car"]图片分辨率：640x360。
YOLOv8 Windows + CPU 环境搭建与 DMS 数据集测试训练
weixin_40521770的博客
08-19 246
本文详细记录了在Windows11系统下使用CPU配置搭建YOLO目标检测训练环境的完整流程。通过Conda创建Python3.12环境，安装PyTorch CPU版本和Ultralytics库后，成功完成最小训练测试（1个epoch）。重点说明了如何将X-AnyLabeling标注的JSON数据转换为YOLO格式，构建标准数据集目录结构，并创建YAML配置文件。测试结果显示模型能正确识别4个类别，最终生成best.pt和last.pt模型文件，验证了环境配置和数据准备的有效性。
【免费】基于YOLO26的车辆车牌识别系统(深度学习+LPRNet+CCPD+PyQt6) 人工智能 机器视觉 计算机视觉 锋哥原创出品，必属精品
java1234的博客
08-18 801
本文介绍了一个基于YOLO26的车辆车牌识别系统，该系统采用深度学习技术实现车牌自动识别。系统主要由车牌检测（YOLO26-Pose）和字符识别（LPRNet）两阶段组成，支持处理倾斜、双层车牌，并能区分蓝牌、绿牌和黄牌。系统采用Python3.11开发，PyQt6构建图形界面，包含图片/视频/摄像头识别、历史记录查询等功能，数据存储在MySQL数据库中。测试表明系统能有效识别多种车牌类型，适合停车场管理等场景应用。项目完整源码已提供下载链接。
YOLO 跌倒检测系统：让机器“看懂“老人摔倒
陈锐的技术笔记
08-20 309
跌倒检测AI系统摘要（149字）** 本项目开发了一套基于YOLOv8-Pose的纯CPU实时跌倒检测系统，专为养老监护场景优化。通过17点骨骼关键点检测（模型仅6.5MB）结合多目标跟踪和四层遮挡恢复机制，在普通CPU上实现20+FPS处理速度。系统采用运动学特征提取（躯干角度/下降速度）与多阶段状态机判决，显著降低误报率。全部计算本地完成，无需GPU支持，硬件成本控制在500元内，功耗低于15W，满足养老院/家庭场景对隐私保护、低成本和长期稳定运行的核心需求。
火情监测新方案：无人机红外-可见光多模态火点烟雾数据集（含YOLOv11实战）
2403_88545703的博客
08-20 219
火情监测新方案：无人机红外-可见光多模态火点烟雾数据集（含YOLOv11实战） |
智慧交通新助力：无人机航拍道路损伤分割数据集（含YOLOv11-seg实战）
2403_88545703的博客
08-19 401
智慧交通新助力：无人机航拍道路损伤分割数据集（含YOLOv11-seg实战）
【计算机科学与应用】基于SPDConv-EMA与自适应加权融合的改进YOLO11n风机叶片缺陷检测方法
汉斯出版社旗下编辑，定期更新计算机前沿论文
08-17 206
本文针对无人机航拍风机叶片缺陷检测中的技术难点，提出了一种改进的YOLO11n检测方法。通过融合SPDConv模块保护小目标空间信息、引入C3k2_EMA模块增强缺陷区域响应、设计AWFF模块优化多尺度特征融合，显著提升了检测性能。实验表明，改进模型在风机叶片表面缺陷数据集上的mAP@0.5达到86.7%，较原模型提升2.5个百分点，同时保持轻量化优势。该方法有效解决了小目标细节丢失、背景干扰和多尺度特征融合不足等问题，为风机叶片缺陷智能检测提供了新思路。
无人机视角红树林植株胚轴检测数据集VOC+YOLO格式380张3类别
FL1623863129的博客
08-15 91
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):["hongshufanzhiti","kaihua","youmiaofanzhiti"]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)对应中文类别名：["红树繁殖体", "开花", "幼苗繁殖体"]图片数量(jpg文件个数)：380。标注数量(txt文件个数)：380。
YOLO 航拍微小金具涨点｜2721 张输电线路防震锤 2 类 VOC/YOLO 数据集，Stokes/Spiral 型识别、无人机线路巡检全流程落地
lin_xiu的博客
08-18 27
高压架空输电线路长期受气流振动、风霜腐蚀，防震锤作为核心减振金具，可抵消导线风振、避免线夹疲劳断股。行业主流分为 Stokes 哑铃式、Spiral 螺旋式两类防震锤，两类外观结构差异较大，无人机远距离航拍下均属于毫米级微小线性小目标，山林、农田、铁塔杂乱背景极易造成漏检、错分。传统人工徒步登塔、地面望远镜巡检存在高空坠落风险，单条百公里线路人工读图筛查数千张航拍图耗时 3 天以上；传统轮廓匹配、阈值分割算法仅能识别近距离清晰防震锤，无法区分两种型号，无法支撑台账统计、缺陷溯源标准化运维流程。
YOLOv8 训练实操教程：从预训练模型开始，Ultralytics 统一 API 入门
qq_65148539的博客
08-18 330
YOLOv8 训练实操教程：Ultralytics 统一 API 起点，Anchor-Free + DFL 分布回归将同配置 mAP50 从 0.46 提升到 0.68。深度拆解 C2f 梯度流、DFL 16-bin 期望回归、Task-Aligned 标签分配与解耦头设计，pip 一键安装，检测/分割/分类/姿态统一调用。
树莓派 5 + TFLite 边缘部署实战：YOLOv8 目标检测跑出 30fps 的完整方案
雨1986的博客
08-19 724
本文记录在树莓派 5 上部署 YOLOv8 目标检测模型的全流程实战，从 PyTorch 模型训练到 ONNX 中间格式转换，再到 TFLite INT8 量化部署，完整打通"训练→转换→量化→推理"链路。通过 NEON 指令集优化、多线程配置、XNNPACK 后端加速等手段，在 Raspberry Pi 5（8GB）上实现 YOLOv8n 模型 30.5 FPS 的实时检测性能。文末附完整踩坑记录和性能优化检查清单，适合做边缘 AI 部署、嵌入式机器学习、IoT 智能视觉的开发者参考。
一站式AI数据自动化标注与训练平台：零门槛玩转YOLO全系列模型
2403_88545703的博客
08-16 251
一站式AI数据自动化标注与训练平台：零门槛玩转YOLO全系列模型
YOLO 做AI视觉检测适合什么项目：从样本、工位到边缘部署的实施路径
zedyer的博客
08-19 712
YOLO 适合边界清楚、目标可见、时延可量化的视觉检测任务，但它不是完整质检系统。本文结合 RK3566 边缘测试与真实识别终端约束，说明样本、工位、阈值、边缘部署、观测和回滚怎么设计。
python3英文视频教程(全87集).zip
目录网盘文件永久链接python3英文视频教程－1.mp4python3英文视频教程－2.mp4python3英文视频教程－3.mp4python3英文视频教程－4.mp4python3英文视频教程－5.mp4python3英文视频教程－6.mp4python3英文视频教程－7.mp4python3英文视频教程－8.mp4python3英文视频教程－9.mp4python3英文视频教程－10.mp4python3英文视频教程－11.mp4python3英文视频教程－12.mp4python3英文视频教程－13.mp4python3英文视频教程－14.mp4python3英文视频教程－15.mp4..............
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
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