【轻量化篇】YOLOv8改进实战 | 更换主干网络 Backbone 之 ShuffleNetV2，高效 CNN 架构设计

YOLOv8改进 更换轻量化模型MobileNetV3

本文在yolov8的结构中更换了轻量化模型MobileNetV3，可以在移动设备和资源受限的环境下进行实时图像分类和目标检测任务，助力涨点！！！

YOLOv8改进 | Conv篇 | 利用YOLO-MS的MSBlock轻量化网络结构（既轻量又长点）

本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块，我们将其用于C2f中组合出一种新的结构，来替换我们网络中的模块可以达到一种轻量化的作用，我将其用于我的数据集上实验，包括多个类别的数据集，其在轻量网络结构的同时，却能够提高一定的mAP精度，所以这是一种十分高效的模块，该网络结构非常适合那些模型精度已经无法提到，想要从轻量化模型的角度入手的读者使用。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

YOLOv5改进实战 | 更换主干网络Backbone（三）之轻量化模型Shufflenetv2

深度学习之路：Yolov8升级版CVPR2023 FasterNet在性能上超越ShuffleNet、MobileNet、MobileViT，融入PConv结构实现参数优化与性能提升

通过对Yolov8升级版的探讨以及与其他目标检测模型的性能对比，我们可以清晰地看到其在CVPR2023的升级中取得的显著性能提升。引入FasterNet和PConv结构，使得Yolov8在速度和准确性方面均取得了更好的平衡。这一系列改进为目标检测任务的实际应用提供了更为可靠的解决方案，使得Yolov8成为涨点神器的典范。在未来，随着深度学习领域的不断发展，我们有理由期待更多颠覆性的技术革新，为计算机视觉领域带来更多惊喜。深度学习之路永无止境，期待着更多卓越的模型和算法的涌现，为人工智能的发展铺平道路。

yolov8 模型架构轻量化 | 极致提速度

当想要提升模型在通用计算平台上的FPS（每秒帧数或帧率）时，可以从模型架构的三个关键角度出发进行优化：模型的参数数量、浮点数运算的复杂度以及模型架构的简洁性。1. 模型的参数是否足够少参数数量是影响模型推理速度的重要因素之一。参数越少的模型，其计算量和内存占用通常也越小，因此推理速度更快。优化策略模型剪枝：通过移除模型中不重要的参数（如权重较小的连接）来减少参数数量。知识蒸馏：使用一个更大的教师模型来指导一个小模型的训练，使得小模型能够学习到教师模型的性能，同时保持较小的参数规模。选择轻量级模型。

YOLOv8改进实战 | 更换主干网络Backbone之PoolFormer篇

YOLOv8 更换主干网络之 ShuffleNetv2：轻量级目标检测的未来

本文将深入研究 ShuffleNetv2 的核心概念，探讨其在 YOLOv8 中的应用，并提供示例代码和实际操作指南，帮助读者更好地理解和应用这一技术。YOLOv8 作为 YOLO 系列的最新版本，引入了 ShuffleNetv2 作为主干网络，以实现更高的性能和更低的计算复杂度。：ShuffleNetv2 与 YOLOv8 的检测头（Detection Head）结合，将提取的特征与预测边界框的信息进行融合，以生成最终的目标检测结果。：收集和准备你的目标检测数据集，确保它包含了你关注的目标类别。

YOLOv8改进 | Conv篇 | AKConv轻量级架构下的高效检测（既轻量又提点）

本文给大家带来的改进内容是AKConv（可变核卷积）是一种创新的卷积神经网络操作，它旨在解决标准卷积操作中的固有缺陷（采样形状是固定的），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）来提取特征，这在标准卷积和可变形卷积中并未实现​​。(同时我修改了AKConv在训练到最后一个轮次报错和版本警告的问题RuntimeError: CUDA error: device-side assert triggered)

主干网络篇 | YOLOv8 更换主干网络之 ShuffleNetv2 | 《ShuffleNet v2：高效卷积神经网络架构设计的实用指南》

YOLOv8 更换主干网络 ShuffleNetv2 手把手教程

YOLOv8改进 | 主干篇 | 利用MobileNetV1替换Backbone（轻量化网络结构）

本文给大家带来的改进机制是MobileNetV1，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性，这个模型非常适合轻量化的读者来使用。适用检测目标：轻量化网络结构适合轻量化的读者。

YOLOv5算法改进（12）— 如何去更换主干网络（1）（包括代码+添加步骤+网络结构图）

本篇文章通过案例的方式给大家讲解如何在YOLOv5算法中更换主干网络，文章的特色就是比较浅显易懂，附加了很多的网络结构图，通过结构图的形式向大家娓娓道来，希望大家学习之后能够有所收获！🌈

YOLOV5/YOLOV8改进：引入ConvNeXt V2主干，有效提升计算机视觉性能

需要注意的是，为了使ConvNeXt V2主干网络适用于YOLOV5和YOLOV8，我们对其进行了适当的调整和微调。具体而言，我们根据YOLOV5和YOLOV8的网络结构，在ConvNeXt V2主干网络前面添加了几个卷积层，以确保输入和输出的特征图大小一致。在计算机视觉领域，目标检测是一项重要的任务，而YOLOV5和YOLOV8作为经典的目标检测算法，一直受到广泛关注。总结起来，我们在YOLOV5和YOLOV8中引入了ConvNeXt V2主干网络，通过增强特征表示能力，有效提升了目标检测的性能。

YOLOv8改进 | 主干篇 | SwinTransformer替换Backbone（附代码 + 详细修改步骤 +原理介绍）

本文给大家带来的改进机制是利用Swin Transformer替换YOLOv8中的骨干网络其是一个开创性的视觉变换器模型，它通过使用位移窗口来构建分层的特征图，有效地适应了计算机视觉任务。与传统的变换器模型不同，Swin Transformer的自注意力计算仅限于局部窗口内，使得计算复杂度与图像大小成线性关系，而非二次方。这种设计不仅提高了模型的效率，还保持了强大的特征提取能力。Swin Transformer的创新在于其能够在不同层次上捕捉图像的细节和全局信息，使其成为各种视觉任务的强大通用骨干网络。

Yolov8轻量化：RepGhost，通过重参数化实现硬件高效的Ghost模块

Ghost模块是Yolov8中的重要组成部分，它用于提取图像特征。然而，传统的Ghost模块在计算量上可能存在一些问题，特别是在资源受限的设备上。RepGhost通过对Ghost模块进行重参数化，使得模块在硬件上更加高效。本文介绍了Yolov8轻量化的改进方法RepGhost，该方法通过对Ghost模块进行重参数化，实现了在硬件上的高效计算。通过将Ghost模块的卷积操作分解为轻量级的卷积和残差连接，RepGhost减少了计算量，并提高了目标检测的效率。

ADS中HB仿真自动优化报错问题解决心得

在ADS HB仿真中自动优化出现报错被强制暂停，解决方法如下

altium room 布局_ALtium 16相同重复模块PCB布局，复制布局走线

自己做了实际工程以后发现PCB器件名字后缀太长了，所以文章最后写了一下后缀的调整方法。第一种方法：1、建立子原理图如下，文件名CANM 2、之后新建一个顶层文件，文件名TOP，之后design—create sheet symbol form sheet or hdl。选择CANM，并放置到TOP中，如下 3、由于我们要多次调用CANM所以使用repeat命令修改如下： 4、之后根据自己的定义，连...

在工作台 LS-DYNA 中检索和变换反作用力分量

在结构仿真中，通常需要由施加的位移或速度边界条件产生的反作用力。此外，通常需要根据用户定义的坐标系解析反作用力分量。在本文中，详细介绍了在Workbench （WB） LS-DYNA 中，相对于用户定义的坐标系检索和变换反作用力分量的过程。

QGIS-空间分析-核密度分析

本文在QGIS软件中使用核密度估计法分析全球历年的地震数据，旨在分析出地震频发且严重的区域，为地震防控提供参考依据。全球历年地震数据来源于网络，仅用于技术学习探索。通过核密度分析，可以观察到南美、美国西部海岸线和太平洋北部区域在全球地震分布状态中是最为集中和强烈的。

NDIAurora 6D、5D传感器裸线焊接与烧录 6D传感器型号：10001742；5D传感器型号：610157

NDI Aurora 6D、5D传感器裸线焊接与烧录

Kubernetes+EdgeX：构建企业级AI边缘推理平台

设备：工业摄像头（RTSP协议，输出1920x1080视频流）；AI模型：YOLOv8训练的轴承裂纹检测模型（识别“裂纹”“正常”两种类型）；目标：摄像头采集图像→EdgeX传输数据→K8s推理服务检测→结果反馈到报警器（HTTP协议）。Kubernetes+EdgeX的组合，为企业构建AI边缘推理平台提供了标准化、可扩展标准化：K8s的容器编排和EdgeX的设备管理，都是行业标准，避免“重复造轮子”；可扩展：支持从单边缘节点到 thousands of nodes 的规模，满足企业的增长需求；

编程实践：寒武纪-LLM&VLM模型量化&部署

本文介绍了在MLU370-S4平台上对大模型（LLM/VLM）进行量化的两种方法：SmoothQuant和WeightOnly。以Qwen2-VL-2B模型为例，详细说明了两种量化方式的命令行参数配置，包括必须设置的per_channel选项和量化参数调整建议。量化完成后，提供了模型部署的具体命令示例，包含设备分配、端口设置、并行度等关键参数。文章强调在MLU370芯片上需要手动设置block_size，并指出两种量化方式只能二选一使用。配套资料已上传至百度网盘供参考。

YOLOv8魔改系列：将CIoU替换成Wise-IoU，飞速涨点

将YOLOv8中CIoU替换成Wise-IoU，实现飞速涨点

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件，这是C++版本的破解文件

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。