YOLOv11改进 | 注意力篇 | YOLOv11引入CA注意力机制

YOLOv11改进策略 | 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制

YOLO 是一种单阶段目标检测算法，以其快速和准确的检测能力著称。它能够在单次推理中输出完整的检测结果，包括多个物体的边界框和类别概率。: 通过自适应调整通道特征的权重，提高网络的表达能力。: 结合空间和通道注意力，增强特征表示。: 简化版通道注意力机制，避免了过多参数的引入。: 利用坐标信息加强特征定位能力。: 一种基于窗口划分和自注意力机制的网络架构，具有优秀的全局特征建模能力。

自学历程07-CA注意力机制

CA注意力机制，通过将位置信息嵌入到通道注意力中，来增强移动网络的性能。

YOLOv12：以注意力为中心的实时目标检测器

长期以来，改进YOLO框架的网络架构一直是研究重点，但主要集中在基于CNN的改进上，尽管注意力机制已被证明在建模能力上具有显著优势。这是因为基于注意力的模型在速度上无法与基于CNN的模型相媲美。本文提出了一种以注意力为核心的YOLO框架——，它在保持与先前基于CNN模型相当速度的同时，充分利用了注意力机制的性能优势。YOLOv12在精度上超越了所有流行的实时目标检测器，同时保持了具有竞争力的速度。例如，YOLOv12-N在T4 GPU上以1.64毫秒的推理延迟实现了40.6%mAP。

YOLOv12模型详解及代码复现

YOLOV12算法详解及Python代码复现

YOLOv11改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA、Swin Transformer等注意力和多头注意力机制

这篇文章带来一个经典注意力模块的汇总，虽然有些模块已经发布很久了，但后续的注意力模块也都是在此基础之上进行改进的，对于初学者来说还是有必要去学习了解一下，以加深对模块，模型的理解。

YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。

YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

YOLOv5算法改进（23）— 更换主干网络GhostNet + 添加CA注意力机制 + 引入GhostConv

本节课就让我们结合论文来对YOLOv5进行组合改进（更换主干网络GhostNet + 添加CA注意力机制 + 引入GhostConv），希望同学们学完本节课可以有所启迪，并且后期可以自行进行YOLOv5算法的改进！🌈

YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进

Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。

YOLOv13改进策略【注意力机制篇】| 添加SE、CBAM、ECA、CA经典注意力，即插即用

SE、CBAM、ECA、CA 四大经典注意力在 YOLOv13（iMoonLab/yolov13，ultralytics 8.3.63）上的完整迁移：v13 结构插入点分析、FullPAD_Tunnel 层号顺移、parse_model 注册分支与可直接复制的 yaml，附四模块实测参数量对比。

YOLOv11 改进 | 模块即插即用

YOLOv11 是一种单阶段目标检测算法，其核心设计目标在于实现检测速度与精度的平衡。其架构延续了 YOLO 系列“端到端”检测的思路，通过统一的网络结构完成特征提取、多尺度特征融合及最终的边界框预测与分类任务。骨干网络（Backbone）颈部网络（Neck）和检测头（Head）。骨干网络负责从输入图像中提取多层次的语义特征。

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论

打开LWIP_DEBUG的打印信息调试

在lwip 2.1.2的版本，打开的debug 调试的步骤： 1.在debug.h 文件中找到debug打印的定义 默认LWIP_DEBUG这个宏没有定义， 2.在lwipopt.h 文件中或者其他文件定义 一下LWIP_DEBUG这个宏， 3.在opt.h 中可以打开各种宏的调试信息， /* --------------------------------------- ---------- Debugging options ---------- ---------...

论文阅读 Quantum Convolutional neural network

在传统的局域序参量（如磁化强度 ⟨Xi⟩）无法有效区分某些拓扑相（如 Haldane 相）时，字符串序参量（SOP）提供了一种方法来识别这些相。字符串序参量的定义通常涉及多个远离的站点之间的长程关联，通常具有如下形式：Zi,Xk,Zj是泡利矩阵（Pauli operators）。指数项 eiπ∑k=ijXk表示一个相位因子。这意味着我们要计算两个远离站点 i,j 的Z 分量的关联，同时考虑它们之间的X 作用。这个非局域的字符串序参量可以用来检测对称保护拓扑（SPT）相。

P4语言实战：如何用Barefoot Tofino实现自定义网络协议（避坑指南）

本文是一份详尽的P4语言实战指南，重点讲解如何利用Barefoot Tofino可编程交换芯片实现自定义网络协议。内容涵盖从P4编程模型解析、自定义协议头定义，到匹配-动作流水线构建、性能优化及生产环境部署的全过程，并特别分享了在资源管理、字节序、调试技巧等方面的宝贵避坑经验，旨在帮助网络开发者和研究人员掌握数据平面编程的核心能力。

vivado下ECO操作-不重新综合实现修改属性并生成.bit

ECO即engineer change order，即工程变更指令，可以对设计做局部小改动并只对改动部分重新布局布线并生成.bit。在一个工程动辄编译几个小时情况下，可以在调试中节省大量时间。比如我们在调试中，需要改变时钟占空比或者相位，需要改变寄存器初值等等，此时用ECO暂时改动，待验证后在重新编译无疑是最有效率的方法。 实现ECO通常有两种方式，一是通过vivado界面完成，另一种方法就是tcl脚本。所有的ECO操作都可以通过tcl操作完成，有的操作用vivado界面无法完成，只能通过tcl。以下主要

CentOS7全隔离环境部署Nvidia Tesla A100 40G驱动与CUDA工具包实战

本文详细介绍了在CentOS7全隔离环境下部署Nvidia Tesla A100 40G显卡驱动与CUDA工具包的实战经验。通过构建本地YUM仓库、解决驱动依赖问题以及三重验证法，确保Tesla A100与CUDA 11.7的完美兼容。同时分享了Anaconda3离线部署技巧，帮助用户在隔离环境中高效搭建Python GPU开发环境。

脑肿瘤MRI图像分割实战：基于U-Net的深度学习完整指南

脑肿瘤是中枢神经系统最常见的疾病之一，全球每年有超过30万人被诊断为原发性脑肿瘤。在临床诊断和治疗过程中，磁共振成像（MRI）已成为评估脑肿瘤的标准影像学检查方法。然而，手动分割MRI图像中的肿瘤区域是一项耗时且依赖于专家经验的工作，不同医生之间可能存在显著差异。

【异常】Claude Code 在 Windows CMD 中出现重影现象的排查与解决

Windows CMD运行Claude Code时出现文字重影、乱码等问题，原因是传统CMD对现代ANSI终端控制序列支持不足。解决方案包括：1）推荐安装Windows Terminal（完全支持ANSI标准）；2）使用PowerShell 7；3）优化CMD设置（启用虚拟终端、UTF-8编码）；4）关闭Claude Code视觉特效。建议优先使用Windows Terminal以获得最佳体验，这是最彻底的解决方案。其他方案仅能部分改善或缓解问题。

深入浅出：使用Python爬取链家二手房数据

在数据驱动的时代，房地产数据作为社会经济的重要指标，一直是数据分析师、投资者和研究人员关注的焦点。链家作为国内领先的房产中介平台，其二手房数据具有较高的真实性和时效性。然而，官方API的访问限制和数据获取的门槛，让很多初学者望而却步。本文将带你从零开始，使用Python编写一个符合robots.txt规范的链家二手房爬虫，获取标题、户型、价格等信息。文章不仅会提供完整代码，还会深入讲解反爬策略、请求头伪装、数据解析、异常处理等实战技术。目录前言：为什么要写这篇博客？一、爬虫前的准备：法律与道德。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

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。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition