内含各种Head检测头、标签分配策略、损失函数Loss、Backbone、Neck、写作|指标、NMS等全方位创新点改进

改进YOLO11专栏《芒果YOLO11原创改进》，只需要订阅这一个就可以查看所有的YOLO11改进。

全新芒果YOLOv8改进专栏来袭： 专栏地址👉： 芒果YOLO11改进专栏，内含170+篇内容

目前已有 170+ 篇，其中包括《head检测头》、《标签分配策略》、《损失函数Loss》、《Backbone》、《Neck》、《写作|指标》、《NMS》等全方位创新点改进

更多新内容持续更新中…
改进源码教程 | 目录详情如下🥇

YOLO11 多个创新点组合改进 篇

芒果YOLO11改进组合143：动态标签分配ATSS + 损失函数NWDLoss组合改进，共同助力VisDrone小目标检测高效涨点

芒果YOLO11改进组合144：动态标签分配ATSS+新颖高效AsDDet检测头组合改进，共同助力VisDrone涨点1.8%，小目标高效涨点

芒果YOLO11改进组合148：动态标签分配ATSS+新颖轻量化非对称多级压缩LADH检测头组合改进，LADH作为原创可以发表SCI顶刊论文，小目标高效涨点

芒果YOLO11组合改进150：即插即用｜Dynamic ATSS动态标签分配策略+DynamicHead检测头：改进全网唯一，通过结合预测 IoU 和锚 IoU 进行物体检测

芒果YOLO11组合改进152：即插即用｜Dynamic ATSS动态标签分配策略+新颖共享ShareSepHead检测头：改进全网唯一，通过结合预测 IoU 和锚 IoU 进行物体检测

芒果YOLO11组合改进155：全网首发改进Adaptive Head检测头+Dynamic ATSS动态标签分配策略：即插即用 | 数据集高效涨点mAP提升

芒果YOLO11改进87：检测头篇之RepBiPAN结构 + DETRHead检测头，为YOLO11目标检测使用不一样的检测头，用于提升检测精度

芒果YOLO11组合改进156：全网首发改进GWDLoss损失函数+Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升

芒果YOLO11组合改进160：改进遮挡损失函数Repulsion Loss +Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升

芒果YOLO11改进162：组合改进创新点篇：遮挡损失函数Repulsion Loss + NWDLoss｜ Repulsion 解决目标遮挡场景下的目标检测，为解决密集人群检测中遮挡设计的损失函数

芒果YOLO11改进170:组合改进LADH检测头+GWD Loss损失函数:即插即用｜用于目标检测的高精度边界框，提高了模型性能

---

YOLO11 标签分配策略 改进篇

芒果YOLO11改进30：动态标签分配策略篇之WDLA：最新改进Wasserstein Distance Label Assignment，用于小目标检测，提升小目标检测精度，芒果独家原创，全网独一份

芒果YOLO11改进54：动态标签分配策略篇之Nanodet：使用NanoDet动态标签分配策略，同时集成Generalized Focal Loss损失，进行模型轻量化，来打造新颖YOLO11检测器

芒果YOLO11改进68：动态标签分配策略篇之ATSS：自适应训练样本选择Adaptive Training Sample Selection策略

芒果YOLO11改进91：动态标签分配策略篇之Nanodet：同时集成VFL全新损失，来打造新颖YOLO11检测器

芒果YOLO11改进99：动态标签分配策略篇之RFLA标签分配：改进ECCV顶会，用于微小物体检测的基于高斯感受野的标签分配，并针对YOLO11来进行适配优化，打造新颖YOLO11模型

芒果YOLO11改进151：Dynamic ATSS动态标签分配策略：改进全网唯一，DynamicATSS动态标签分配，通过结合预测 IoU 和锚 IoU 进行物体检测的动态标签分配

芒果YOLO11改进159：无 NMS 训练的一致双重分配｜即插即用，双标签分配策略改进

update

---

YOLO11 注意力机制改进 篇

芒果YOLO11改进01：免费｜注意力机制SKNet：选择性内核网络结构，不同关注会产生融合层神经元有效感受野

芒果YOLO11改进02：免费｜注意力机制GAM：用于保留信息以增强渠道空间互动

芒果YOLO11改进03：免费｜注意力机制ShuffleAttention：深度卷积神经网络的随机注意力

芒果YOLO11改进04：免费｜注意力机制SimAM：用于卷积神经网络的简单、无参数注意力模块

芒果YOLO11改进05：免费｜最新结合即插即用CA(Coordinate attention) 注意力机制，CVPR 顶会助力分类检测涨点！

芒果YOLO11改进168:即插即用,最新注意力机制EMA:具有跨空间学习的高效多尺度注意力模块，ICCASSP论文

芒果YOLO11改进169:注意力机制MLLA:即插即用｜融合 Mamba 设计精髓的线性注意力视觉Transformer

update

---

YOLO11 多任务改进 篇

芒果YOLO11改进分割任务《实例分割必看》：提升篇133：从零开始训练 YOLOv8实例分割教程说明，芒果改进推荐教程

芒果YOLO11姿态估计Pose任务改进《姿态估计Pose必看》：提升篇134：从零开始训练 YOLO11姿态估计教程说明，芒果改进推荐教程

芒果YOLO11旋转检测改进《旋转检测必看》提升篇135：从零开始训练 YOLO11旋转检测教程说明，芒果改进推荐教程

update

---

YOLO11 检测头 Head/Detect 改进篇

芒果YOLO11改进21:检测头Head篇：即插即用｜新颖轻量化非对称多级压缩LADH检测头，原创改进适配YOLOv8高效检测头，检测头新颖性改进，全网首发独一份

芒果YOLOv8改进22：检测头Head篇：即插即用｜《新颖高效AsDDet检测头》独一无二的结构改进，公开数据集mAP高效涨点，即插即用｜检测头新颖改进，性能高效涨点，全网首发独一份

芒果YOLO11改进26：检测头Head篇：即插即用｜增加卷积CNN小目标检测头、超多种Transformer小目标检测头

芒果YOLO11改进55：检测头篇ShareSepHead：即插即用｜原创改进ShareSepHead新颖检测头升级版，更省参数量，更高效，打造新型YOLO11检测器，精度高效涨点

芒果YOLOv8改进93：检测头篇之感知聚合SERDet检测头：简单高效涨点，即插即用｜检测头新颖改进，全网无重复 YOLO11专属打造

芒果YOLO11改进106：检测头篇DynamicHead动态检测头：基于DynamicHead，二次原创提出SATNeXt模块，提出全新的动态DynamicSatDetect

芒果YOLO11改进121：检测头篇ASFFHead，原创设计Adaptively Spatial Feature Fusion Head全新自适应空间特征检测头，即插即用，助力小目标检测涨点

芒果YOLO11改进146：OBB旋转检测头Head篇：即插即用｜轻量化非对称多级压缩LOADH旋转检测头，原创改进适配YOLOv8高效检测头，检测头新颖改进，全网首发独一份

芒果YOLO11改进147：姿态估计Head篇：即插即用｜轻量化非对称多级压缩LOADH旋转检测头，原创改进适配YOLO11高效检测头，检测头新颖改进，全网首发独一份

芒果YOLO11改进149:检测头篇:ImplicitHead 隐性知识检测头| 即插即用，独家新颖更新，精度高效涨点

芒果YOLO11改进154：全网首发改进Adaptive Head检测头：即插即用 | 数据集高效涨点mAP提升3%+118FPS，动态视觉特征定位

update

---

YOLO11 IoU损失函数 改进篇

芒果YOLO11改进08：损失函数EfficiCLoss｜即插即用 | 首发最新改进｜结合EfficiCLoss损失函数，小目标强势涨点，新的增强预测帧调整并加快帧回归率

芒果YOLO11改进09：全新XIoU损失函数：首发最新改进｜结合XIoU损失函数，相比较CIoU改进轻松涨点，YOLO改进Trick，提升网络模型性能、收敛速度和鲁棒性打造全新YOLO11检测器

芒果YOLO11改进17:即插即用 | 损失函数Repulsion Loss｜Repulsion 解决目标遮挡场景下的目标检测，为解决密集人群检测中遮挡设计的损失函数，打造高效

芒果YOLO11改进19:即插即用 | 最新改进 多种损失函数｜多种损失函数IoU 篇：YOLO11涨点Trick，改进添加SIoU损失函数、EIoU损失函数、GIoU损失函数、α-IoU

芒果YOLO11改进29：多种损失函数IoU篇：FocalLoss结合变种IoU套装：包含Focal-EIoU｜Focal-SIoU｜Focal-CIoU、GIoU等，YOLOv8 模型高效涨点

芒果YOLO11改进32：损失函数IoU篇之Wise-IoU：最新YOLOv8结合最新WIoU损失函数，超越CIoU, SIoU性能，涨点神器｜让YOLO模型高效涨点，目标检测的新损失

芒果YOLO11改进49：损失函数IoU篇之NWDLoss：即插即用｜YOLO11小目标检测高效涨点2%，改进用于小目标检测的归一化高斯 Wasserstein Distance Loss，提升小目标

芒果YOLO11改进63：损失函数IoU篇之Focaler-(Any) IoU：即插即用，最新 IoU论文，可支持XIoU、WIoU、SIoU、DIoU等基础上改进|更加关注联合损失的交叉点,YOLO

芒果YOLO11改进64：损失函数IoU篇之GWD：即插即用 首发原创新颖｜全网唯一更新GWDLoss改进博客，在Visdrone数据集上验证，基于高斯Wasserstein距离，提升YOLO11

芒果YOLO11改进67：损失函数IoU篇之MPDIoU：超越现有多种G/D/C/EIoU，高效准确的边界框回归的损失

芒果YOLO11改进79：损失函数IoU篇之全新Inner-IoU损失函数：全网首发|最新论文|扩展到其他SIoU、CIoU等主流损失函数，带辅助边界框的损失

芒果YOLO11改进85：损失函数IoU篇之PIoU Loss：PIoU v2损失增强了专注于中等质量锚盒的能力，v1版本使用非单调聚焦机制更直接、更快的边界框回归损失

芒果YOLO11改进89：损失函数IoU篇之Shape-IoU：考虑边界框形状和比例的更准确的指标

芒果YOLO11改进98：损失函数IoU篇之KLD Loss：即插即用 原创首发更新KLDLoss改进博客，通过 Kullback-Leibler 散度学习用于目标检测的高精度边界框，提升YOLO11

芒果YOLO11改进126：Loss篇基于InnerIoU的思想：独家提出InnerXIoU，InnerWIoU，InnerPIoU，InnerSIoU等等，针对小目标检测提点

芒果YOLOv8改进127：Loss篇02基于InnerIoU思想：独家提出InneNWD，InnerEffIoU，InnerMPDIoU，InnerAIoU等等，针对小目标检测提点

芒果YOLO11改进128：原创Loss篇基于Focal和Inner的思想：独家提出Focal-InnerXIoU，Focal-InnerWIoU，Focal-InnerPIoU等，针对小目标检测提点

芒果YOLO11改进129：原创Loss篇基于Focal和Inner的思想：独家提出Focal-InnerNWD，Focal-InnerEffcicIoU，F-IPIoU等，提升YOLO11检测性能

芒果YOLO11改进130：Loss篇基于FocalerIoU思想：独家提出FocalerNWD，FocalerEffiCIoU，FocalerMPDIoU等等，针对小目标检测提点

芒果YOLO11改进131：Loss篇基于FocalerIoU的思想：独家提出FocalerXIoU，FocalerWIoU，FocalerPIoU，FocalerSIoU等等，针对小目标检测提点

芒果YOLO11改进136：旋转检测Loss损失函数篇之KFIoU：即插即用 ICLR2023顶会论文，独家首发原创新颖｜独家更新YOLO11_KFIoU改进博客

芒果YOLO11改进145：旋转检测Loss损失函数KLD：即插即用 NeurIPS顶会论文，独家首发原创新颖｜通过 Kullback-Leibler 散度学习用于目标检测的高精度边界框

芒果YOLO11改进153：损失函数angleLoss：即插即用 | 独家首发原创新颖｜公开数据集DOTA高效无损涨点0.5% | 旋转检测

芒果YOLO11改进167:Loss损失函数篇UIoU:即插即用｜Unified-IoU函数关注不同质量预测框之间的权重分配，动态转移模型，提升高质量检测精度

update

---

YOLO11 分类损失函数 改进篇

芒果YOLO11改进56：分类损失函数Loss篇PolyLoss：即插即用｜最新改进PolyLoss顶会论文ICLR，分类损失函数的多项式展开视角，提升YOLO11检测精度

芒果YOLO11改进57：分类损失函数Loss篇VariFocalNet：即插即用｜最新改进VariFocal损失函数，全面提升密集场景下的目标检测，提升YOLO11检测精度

芒果YOLO11改进58：分类损失函数Loss篇QualityFocal：即插即用｜最新改进QualityFocal损失函数，学习更好的分类分数和定位质量的联合表示，提升YOLO11检测精度

芒果YOLO11改进59：分类损失函数Loss篇FocalLoss：即插即用｜最新改进FocalLoss损失函数，提高处理不平衡数据分类场景下的任务性能，提升YOLO11检测精度

---

YOLO11 主干 Backbone 篇

芒果YOLO11改进13：独家原创改进最新 CFNet 核心结构｜即插即用 | 首发改进显著提升检测性能，小目标检测涨点必备

芒果YOLO11改进14：即插即用 | 改进最新 Swin Transformer V2 核心结构｜改进Swin Transformer V2升级版本：在基础SwinTransformer v2 结构

芒果YOLO11改进15：即插即用 | 最新结构CBiF、BiFB，小目标检测涨点，原创即插即用

芒果YOLO11改进16:即插即用 | 改进最新 BiFPN 结构｜改进特征融合网络 BiFPN 结构，融合更多有效特征

芒果YOLO11改进20:最新改进 FasterNeXt｜独创结构FasterNeXt，超10个数据集上已涨点，可直接写模型改进，源于最新CVPR2023主干系列Faster

芒果YOLO11改进23：主干Backbone篇GhostNet：原创改进高效 GhostNet 网络，华为出品，打造全新检测器

芒果YOLO11改进25：主干Backbone篇BiFormer：顶会CVPR2023即插即用，小目标检测涨点必备，首发原创改进，基于动态查询感知的稀疏注意力机制、构建高效金字塔网络架构

芒果YOLO11改进27：主干Backbone篇EfficientRep结构：最新论文出品｜结合设计硬件感知神经网络设计的高效 Repvgg的ConvNet 网络结构 ，该网络涨点利器

芒果YOLO11改进28：主干Backbone篇DAMOYOLO结构：最新改进提出 CReToNeXt 结构，基于阿里达摩院出品的DAMOYOLO核心网络模型进行改进，打造高性能检测器

芒果YOLO11改进31：主干Backbone篇QARepNeXt结构：最新原创提出改进 QARepNeXt 结构，基于最新 QARepVGG 结构，美团提出的一种量化感知方法：再一次让 RepVGG

芒果YOLO11改进33：主干Backbone篇之MAE结构：当MAE遇见卷积操作，最新原创 ConvNeXtv2 升级版，高效涨点，使用 Masked Autoencoders 共同设计和缩放

芒果YOLO11改进34：主干Backbone篇之MobileViTv2：全网首发最新苹果续作加强版 MobileViTv2结构（二），提出移动视觉 Transformer 的可分离自注意力机制，高效

芒果YOLO11改进35：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局

芒果YOLO11改进36：特征融合Neck篇：原创设计EffQAFPN 结构，具有量化感知神经网络设计的高效网络结构 ，该网络结构表现强势

芒果YOLO11改进37：主干Backbone篇之Conv2Former：原创结合Conv2Formers改进结构，Transformer 风格的卷积网络视觉基线模型，超越ConvNeXt结构

芒果YOLO11改进38：主干Backbone篇之InceptionNeXt：当 Inception 遇到 ConvNeXt 系列，即插即用，小目标检测涨点必备改进

芒果YOLO11改进39：主干Backbone篇之RepLKNet：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点

芒果YOLO11改进43：主干Backbone篇之DenseNet：设计核心最新提出DenseOne密集网络，从另一个视角改进YOLO目标检测模型，打造高性能检测器

芒果YOLO11改进42：主干Backbone篇之RepGhostNeXt：基于重参数化结构，实现硬件高效的RepGhost 模块、打造全新YOLOv8检测器

芒果YOLO11改进41：主干Backbone篇之PPHGNetv2：全网首发，目标检测新范式骨干PPHGNetv2，百度出品，提升YOLOv8检测能力

芒果YOLO11改进40：主干Backbone篇之LEF：：黑夜小目标检测，ICANN会议出品，原创LEF模块，增强图像增强组成

芒果YOLO11改进44：主干Backbone篇之MobileViT：：结合最新 ICLR2022 顶会|轻量通用的MobileViT结构（一）Transformer，轻量级、通用且移动友好的视觉转换

芒果YOLO11改进52：主干Backbone篇EfficientNetV2升级版：并对EfficientNetV2进行原创网络结构的改进，更小的模型和更快的训练，模型高效提升

芒果YOLO11改进53：主干Backbone篇EfficientNet：重新思考卷积神经网络的模型扩展，YOLO系列高效涨点

芒果YOLO11改进60：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器

芒果YOLO11改进62：主干Backbone篇之PvT核心网络：：首发改进ICCV顶会，特征金字塔在Vision Transormer的首次应用，又快又好

芒果YOLO11改进66：主干Backbone篇LSKNet：最新ICCV2023顶会｜大选择性卷积核的领域首次探索，改进遥感旋转目标检测SOTA

芒果YOLO11改进69：主干Backbone篇RCS-OSA结构：改进新颖的YOLO架构，基于通道Shuffle的重参数化卷积，将特征级联和计算效率相结合，以提取更丰富的信息并减少时间消耗

芒果YOLO11改进70：主干Backbone篇RepVIT结构：最新重参数化结构 顶会2023 二次改进升级版，最新开源移动端网络架构，速度贼快

芒果YOLO11改进71：主干Backbone篇D-LKA结构：D-LKA结构的基础上进行多种改进结构，同时拥有Attention和大卷积核的能力，高效改进

芒果YOLO11改进72：主干Backbone篇Swin Transformer：在基础SwinTransformer结构的基础上进行多种改进结构，集成Transformer和CNN的优势

芒果YOLO11改进75：主干Backbone篇RepVGG结构：简单但功能强大的卷积神经网络架构

芒果YOLO11改进78：主干Backbone篇之MSBlock：即插即用 | 集成YOLO-MS论文SOTA核心结构，原汁原味YOLO11改进升级版，打破性能瓶颈

芒果YOLO11改进81：主干Backbone篇之DCNv3结构：即插即用｜使用pytorch代码实现，并针对YOLO11专门优化模块

芒果YOLO11改进82：主干Backbone篇之DCNv1、DCNv2结构：可变形卷积网络Deformable Convolutional Networks，以及改进的深度和跨网络以及网络规模学习

芒果YOLO11改进84：主干Backbone篇之Generalized ELAN核心结构：并进行适应性缩放大小，广义的高效层聚合网络GELAN，同时考虑该网络考虑了轻量级、推理速度

芒果YOLO11改进86：主干Backbone篇之Shift-ConvNets：24年最新论文Shift-ConvNets：稀疏/移位操作让小卷积核也能达到大卷积核效果，来打造新颖YOLOv8检测器

芒果YOLO11改进92：主干Backbone篇之UniRepLKNet：极简高效，UniRepLKNet作为改进升级版RepLKNet(博客内附源代码)，适用于图像识别，即插即用打破性能瓶颈

芒果YOLO11改进100：主干Backbone篇：基于CVPR顶会论文的SwinV2核心结构，提出独家原创SwinV2TRX、SwinV2TRY、SwinV2TRXZ等新结构

芒果YOLO11改进101：即插即用 | 基于CFNet提出多种原创结构CSCFocalNeXt, ReNLANFocalNeXt, CPNFocalNeXt, C3_FocalNeXt, C2f_F

芒果YOLO11改进102：即插即用：集中特征金字塔Centralized Feature Pyramid 高效涨点改进

芒果YOLO11改进103：即插即用 | 基于BiFormer提出多种原创结构CSCBiF, ReNLANBiF, CPNBiF, C3_Biformer, C2f_Biformer，提升小目标检测

芒果YOLO11改进104：基于ConvNeXtv2提出多种原创结构CPNConvNeXtv2, CSCConvv2, ReNLANConvv2, C3_Conv2等，即插即用，提升小目标检测

芒果YOLO11改进107：主干Backbone篇：基于MS思想，提出CrossMScaleB核心结构，增强实时目标检测器的多尺度特征表示

芒果YOLO11改进108：基于QARep提出多种＜独家原创结构＞：ReNLANQARep, QARep, CSCQARep, C3QARep, C2fQARep等，即插即用提升小目标检测

芒果YOLO11改进108：主干篇Mobileone，即插即用，轻量化骨干神经网络，移动端仅需1ms的高性能主干

芒果YOLO11改进109：基于RepLKNet提出多种＜独家原创结构＞ReNLANRepLK, CPNRepLK, CSCRepLK, C2fRepLK等，即插即用，提升

芒果YOLO11改进111：即插即用 | 基于EMO提出多种＜独家原创＞结构：ReNLANRMB, CSRMBC, CPNRMB, C3_RMB, C2f_RMB，提升小目标检测

芒果YOLO11改进112：基于FasterNet提出多种原创结构CSCFasterNeXt, ReNLANFaster, C3_Faster，C2f_Faster等，即插即用，提升小目标检测

芒果YOLO11改进113：基于Ghost提出多种原创结构ReNLANGhost, CSCGhost, CPNGhost, C3_Ghost, C2f_Ghost等，即插即用，提升小目标检测

芒果YOLO11改进114：基于MobileViT提出多种＜独家原创结构＞：ReNLANMVB, CPNMVB, CSCMVB, C3MVB, C2fMVB等，即插即用，提升小目标检测

芒果YOLO11改进115：基于MobileViTv2提出多种＜独家原创结构＞ReNLANMVBv2, CPNMVBv2, CSCMVBv2, C2fMVBv2等，即插即用，提升小目标检测

芒果YOLO11改进116：基于MobileViTv3提出多种＜独家原创结构＞：ReNLANMVBv3, CPNMVBv3, CSCMVBv3, C2fMVBv3等，即插即用，提升小目标检测

芒果YOLO11改进118：主干篇Acmix，即插即用，Self-Attention与CNN正确的融合范式，性能速度全面提升

芒果YOLO11改进120：主干篇ELAN，即插即用，最新efficient Layer Aggregation Networks结构，高效的聚合网络设计，提升性能

芒果YOLO11改进122：主干篇GCNet，统一为全局上下文建模global context结构，即插即用，助力小目标检测，轻量化的同时精度性能涨点

芒果YOLO11改进132：独家首发基于FasterNeXt提出多种原创结构ReNLANFaster, CSCFasterNeXt，C2f_FasterNeXt等，即插即用，提升小目标检测

芒果YOLO11改进157：即插即用 | 秩引导的块设计核心CIB结构，设计一种秩引导的块设计方案，旨在通过紧凑型架构设计减少被显示为冗余的阶段的复杂性

芒果YOLO11改进158：即插即用 | 高效的 PartialSelfAttention 结构，大大增强了模型的性能，并带来了性能的改进

芒果YOLO11改进164:Backbone主干篇:即插即用|RepHELAN重参化异构高效层聚合网络，异构大型卷积核的利用，实现多尺度感受野的同时保留与小目标相关的信息

芒果YOLO11改进165:即插即用Neck篇:表层辅助融合SAF结构Superficial Assisted Fusion，通过双向连接维护浅层主干信息，增强网络检测小目标的能力

芒果YOLO11改进166:即插即用Neck篇:高级辅助融合AAF结构Advanced Assisted Fusion，通过多向连接丰富了输出层的梯度信息，增强小目标检测

update

---

YOLO11 特征融合 Neck 篇

芒果YOLO11改进11：即插即用 | 首发最新改进｜最新论文设计高效 RepFPN 结构，具有硬件感知神经网络设计高效 Repvgg 式 ConvNet 网络结构，最新FPN改进结构

芒果YOLO11改进18:即插即用 | 全网独家首发最新改进 GhostSlimFPN｜独家首发最新原创结合新颖的GhostSlimFPN范式网络结构，进一步提升性能

芒果YOLO11改进24：特征融合Neck篇AFPN结构：用于目标检测的渐近特征金字塔网络AsymptoticFPN，加强非相邻层的直接交互，YOLO系列高效涨点

芒果YOLO11改进73：特征融合Neck篇之新颖Gather-and-Distribute机制：低阶高阶新颖融合，增强了多尺度特征融合能力，实现了延迟和准确性的理想平衡

芒果YOLO11改进74：特征融合Neck篇之RepBiPAN 结构独家版Neck：该网络结构独一无二，为目标检测打造全新融合网络，增强定位信号，对于小目标检测的定位具有重要意义

芒果YOLO11改进76：特征融合Neck篇之Lowlevel Feature Alignment机制：集特征对齐、信息融合和信息注入于一体，增强模型对不同尺寸物体的检测能力

芒果YOLO11改进77：特征融合Neck篇之原创 HFAMPAN 结构：信息高阶特征对齐融合和注入，全局融合多级特征，将全局信息注入更高级别

芒果YOLO11改进83：特征融合Neck篇之RepNCSPFPN特征融合和金字塔结构【二】 ：广义的高效层聚合融合网络GELAN，考虑该网络考虑了轻量级、推理速度

芒果YOLO11改进88：特征融合Neck篇之RepBiSF全新序列融合结构RepBiPAN + SSFF：深度创新，该网络结构独一无二，为目标检测打造全新融合网络，对于小目标检测的定位具有重要意义

芒果YOLO11改进94：特征融合Neck篇之Scale-sequence-feature-fusion 结构：新颖尺度序列特征融合结构，有效地利用所有金字塔特征图之间的相关性，即插即用提升精度性能

芒果YOLO11改进117：Neck篇，即插即用，CCFM重构跨尺度特征融合模块，构建CCFM模块，助力小目标检测涨点

芒果YOLO11改进163:即插即用Neck篇:新颖多分支辅助MAFPN | Multi-Branch Auxiliary FPN，实现更丰富的特征交互和融合，增强其多尺度表征能力

update

---

YOLO11 上采样 改进篇

芒果YOLO11改进06：上采样Dysample：顶会ICCV2023，轻量级图像增采样器，通过学习采样来学习上采样，计算资源需求小

芒果YOLO11改进110：上采样篇，即插即用，上采样CARAFE：顶会ICCV出品，轻量级通用上采样算子，只引入很少的参数量和计算代价

update

---

YOLO11 NMS 改进篇

芒果YOLO11改进07：独家首发最新EfficiCL-NMS改进点，新的增强预测帧率

芒果YOLO11改进10：即插即用 | 原创改进创新点 DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS改进

芒果YOLO11改进18: 即插即用 | 最新改进 XIoU_NMS｜独家首发最新原创XIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能、收敛速度和鲁棒性

芒果YOLO11改进45：NMS篇：独家首发最新原创WIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能精度

芒果YOLO11改进161：NMS篇：独家首发最新原创ShapeIoU_NMS、PIoU_NMS改进点，改进有效可以直接当做自己的原创改进点来写，提升网络模型性能精度

update

---

YOLO11 卷积 Conv 篇

芒果YOLO11改进12:即插即用 | 独家原创改进最新PWConv核心结构｜来自最新CVPR2023顶会

芒果YOLO11改进86：主干Backbone篇之Shift-ConvNets：24年最新论文Shift-ConvNets：稀疏/移位操作让小卷积核也能达到大卷积核效果，来打造新颖YOLOv8检测器

芒果YOLOv8改进105：卷积Conv篇：DO-DConv卷积提高性能涨点，使用over-parameterized卷积层提高CNN性能

芒果YOLO11改进119：卷积SPConv篇，即插即用，去除特征图中的冗余，FLOPs 和参数急剧下降，提升小目标检测

芒果YOLO11改进123：卷积篇ODConv，动态卷积ODConv，全维度动态卷积有效提升精度，即插即用 | 打造高性能检测

芒果YOLO11改进124：主干篇CSPNeXt，小目标检测专用，COCO数据集验证，协调参数量和计算量的均衡，即插即用 | 打造高性能检测

芒果YOLO11改进125：PicoDet 主干系列：优化YOLO11轻量化网络结构，0.99M，150FPS，移动端超轻量目标检测算法PicoDet

芒果YOLO11改进137：卷积AKConv篇，即插即用，具有任意采样形状和任意数量的参数的卷积内核

芒果YOLO11改进138：基于Conv2Former提出多种＜独家原创结构＞ReNLANConv2F, CPNConv2F, CSCConv2F, C2fConv2F等，即插即用，提升小目标检测

芒果YOLO11改进139：基于DenseNet提出多种＜独家原创结构＞ReNLANDense, CPNDense, CSCDense, C2fDense等，即插即用，提升小目标检测

芒果YOLO11改进140：基于 GhostNetV2 提出多种＜独家原创结构＞ReNLANGhostV2, CPNGhost, CSCGhostV2, C2fGhostV2等，即插即用，提升小目标检

芒果YOLO11改进141：提出多种＜独家原创结构＞ReNLANLSK, CPNLSK, CSCLSK, C2fLSK等，基于LSKNet，即插即用

芒果YOLO11改进142：基于 MSBlock 提出多种＜独家二次改进结构＞ReNLANMSB, CPNMSB, CSCMSB, C2fMSB等，即插即用，提升小目标检测

update

---

YOLO11 指标/写作 篇

芒果YOLO11改进47：写作篇：一文了解YOLO11如何打印FPS指标

芒果YOLO11改进46：训练调优篇：一文了解YOLO11进化超参数：《超参数搜索调优解析》训练教程（附训练代码）

芒果YOLO11改进48：训练调优篇：一文了解YOLOv8使用自定义改进后的模型同时《加载官方预训练权重》教程，附代码

芒果YOLO11改进50：写作篇：新增YOLOv8的实验对比Loss指标，即插即用，将多种改进算法的Loss精度曲线图绘制到一张图上，便于获取更多精度数据，丰富实验数据(内附源代码)

芒果YOLO11改进61：SCI期刊写作必备篇：新增一键生成YOLO11等主流模型同款图表｜绘制目标检测领域YOLO论文常见的性能对比折线图，包含多种不同功能风格对比图表

芒果YOLO11改进65：写作篇：新增YOLO11实验对比COCOmAP指标，即插即用，输出自定义数据集中small、medium、large大中小目标的mAP值，适用于自定义数据集（内附源代码）

芒果YOLO11改进80：写作篇：YOLO11将检测图片进行可视化：效果超过YOLOv8模型，丰富改进模型的检测展示

芒果YOLO11改进95：多任务之目标对象计数篇：目标对象计数，深度集成版来了！支持自定义数据集训练自定义模型

芒果YOLO11改进96：提升篇：YOLO11使用SAHI切片辅助推理：《SAHI切片辅助推理解析》推理教程（附推理源代码）

芒果YOLO11改进97：提升篇：深度集成版YOLO11热力图来了！支持自定义数据集训练出来的模型

芒果YOLO11改进171：写作篇：新增YOLO11的实验对比Loss指标，即插即用，将多种改进算法的Loss精度曲线图绘制到一张图上，便于获取更多精度数据，丰富实验数据(内附源代码)

update