YOLOv11改进 - 卷积Conv | SAConv可切换空洞卷积：自适应融合多尺度特征，优化小目标与遮挡目标感知

YOLOv8改进 | SAConv可切换空洞卷积（附修改后的C2f+Bottleneck）

本文给大家带来的改进机制是可切换的空洞卷积SAC）是一种创新的卷积网络机制，专为增强物体检测和分割任务中的特征提取而设计。SAC的核心思想是在相同的输入特征上应用不同的空洞率进行卷积，并通过特别设计的开关函数来融合这些不同卷积的结果。这种方法使得网络能够更灵活地适应不同尺度的特征，从而更准确地识别和分割图像中的物体。通过本文你能够了解到：可切换的空洞卷积的基本原理和框架，能够在你自己的网络结构中进行添加(值得一提的是一个SAConv大概可以降低0.3GFLOPs)。

YOLOv8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本专栏已更新150多种不同的改进方法，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。2️⃣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，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，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。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学

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。

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缝合改进Conv | SAConv在YOLOv11中的应用可切换空洞卷积与性能提升（附代码）

在本篇文章中，我们将深入探讨如何通过引入**SAConv**（Switchable Atrous Convolution，可切换空洞卷积）来优化YOLOv11网络结构，特别是在卷积操作方面的创新。我们会解析SAConv的核心原理和架构设计。

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

YOLOv11 | SAConv与C3k2融合架构技术详解，替换传统下采样Conv

动态感受野调节：适应不同尺度目标多分支特征融合：保持高频细节信息硬件感知设计：内存连续访问优化智慧交通：多尺度车辆检测mAP提升6.2%医疗影像：微小病变检出率提升8.7%卫星遥感：小目标识别F1-score提升9.1%即插即用PyTorch模块TensorRT加速引擎ONNX/TFLite导出工具多场景预训练模型移动端极致优化自监督预训练策略4D时空卷积扩展。

YOLOv13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 已更新种不同的改进方案，专栏内的每篇文章皆，均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏，，只为更好的满足论文发表的要求。专栏内容，专栏实时评分，全网最高，质量保证。🎫。。

YOLO11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

YOLOv11改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总

YOLOv10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。

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。

YOLO26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⁉️ 本专栏已更新260多种不同的改进方法，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

YOLOv8 SAConv可切换空洞卷积

在YOLOv8中引入SAConv（Switchable Adaptive Convolution）可切换空洞卷积可以显著提高模型的性能，尤其是在目标检测的多尺度目标检测性能和鲁棒性方面。SAConv是一种可以根据输入图像的特征信息动态调整空洞卷积核扩张速率的卷积操作，它可以更好地捕获不同尺度特征信息，并增强模型对尺度变化的鲁棒性。SAConv可以根据不同尺度特征信息动态调整空洞卷积核扩张速率，从而更好地捕获不同尺度特征信息。SAConv可以增强模型对尺度变化的鲁棒性，使其能够在复杂场景中更准确地检测目标。

Pytorch实现各种2d卷积示例

普通卷积 使用nn.Conv2d()，一般还会接上BN和ReLu 参数量NNCin*Cout+Cout(如果有bias，相对来说表示对参数量影响很小，所以后面不考虑) class ConvBNReLU(nn.Module): def __init__(self, C_in, C_out, kernel_size, stride, padding, affine=True): super(ConvBNReLU, self).__init__() self.op = nn.Sequential( nn.Conv2d(C_in, C_out, kernel_size, stride

智能网联汽车电子电气架构（下）

从资产的表现形式， 可以分为数据、 软件、 硬件、 服务等， 而从需要保护的业务过程和活动、 所关注信息的角度， 资产类型可包括基于 ECU 的控制功能、 与特定车辆相关的信息、 车辆状态信息、 用户信息、 配置信息、 特定的软件、 内容等。面向新一代 EEA 的安全需求， 基于芯片提供的 OTP， 或SHE\HSM 的安全存储能力， 实现系统关键数据（身份、 密钥等关键信息） 的安全存储， 保证系统的关键数据不被盗取、 破坏、 改写。结合攻击者的动机与识别出的系统用例， 分析对汽车电子系统可能的攻击。

源码编译部署篇（二）源码编译milvus成功后如何启动standalone并调试成功！

由于Milvus官方文档只提及如何使用docker安装部署Milvus，关于源码安装方式篇幅较少，因此，我整理撰写了如何通过源码编译方式成功安装Milvus，详见此篇。之所以选择这种复杂的安装方式，可以调试源码进而熟悉Milvus如何搭建整个框架支持AI上层应用功能。根据上篇步骤部署虽然可以成功，然而，我却不能成功启动Milvus服务，这个问题困扰了一两天，现在终于得以解决并能成功调试Milvus源码。接下来，分为三个部分介绍如何启动和成功调试。

MiniMaxH3+ComfyUI本地部署：一键整合包、工作流搭建与报错排查

本地部署视频生成模型时，模型权重、推理框架与自定义节点的匹配是核心挑战。MiniMaxH3作为多模态生成模型，通常依赖ComfyUI这类节点式工作流引擎实现可视化调度。一键整合包将Python环境、PyTorch算子、模型文件预置封装，大幅降低部署门槛，并通过半精度加载、显存碎片回收等机制优化推理速度。在文生视频、图生视频与批量生成场景中，清晰的节点链路和参数调优能力直接影响输出质量与显存占用。针对模型不识别、节点执行失败等高频问题，系统排查命令行日志与模型目录可快速定位故障。本文以MiniMaxH3整合包

STM32CubeMX定时器配置

因为只有当 CH2 处于 输入模式 时，硬件才能把这根脚送进滤波器（TI2FP2通道之前要滤波），再生成 TI2FP2 这条支路供 Slave-Mode 控制器使用，也就是说TI2FP2 并不是“独立存在”的，但在CubeMX配置时：如下图，我们只设置Slave Mode和TI1FP1，之后，CH1就自动配置为 Input Capture 了，下图发现，Channel1只能 Input Capture 或者Disable。哪来的主定时器和从定时器呢？把待测 PWM 的高电平当“门”，连接到ETR。

Nginx配置Cookie安全属性：HttpOnly、Secure、SameSite实战指南

Cookie是Web应用中维持用户状态的核心机制，其安全配置直接关系到会话管理与身份认证的可靠性。从原理上讲，HttpOnly属性可防止XSS攻击窃取Cookie，Secure属性确保Cookie仅在HTTPS加密连接中传输，而SameSite属性则用于控制跨站请求时Cookie的发送行为，能有效防御CSRF攻击。这些安全属性的技术价值在于构建纵深防御体系，提升应用的整体安全性。在现代浏览器（如Chrome 80+）默认将未明确声明的Cookie视为SameSite=Lax的背景下，正确配置这些属性变得尤为

FortiOS 存在身份验证绕过导致命令执行漏洞(CVE-2024-55591)

FortiOS 是 Fortinet 公司开发的操作系统，作为 Fortinet 安全平台的核心，提供全面的网络安全功能。 它将网络和安全功能无缝集成，支持跨本地、云、混合和融合 IT/OT/IoT 基础设施环境的统一管理。 FortiOS 7.6 版本引入了生成式人工智能助手、数据保护、托管服务和单一代理等新功能，进一步增强了其安全性和性能。

数字 IC 笔试面试必考点（1）FPGA 芯片架构

FPGA 芯片架构是非常重要的，如果你不了解 FPGA 芯片内部的详细架构，那么...

一文吃透 SAP HANA SDA：把分散数据当作本地数据来用的那把钥匙

摘要：SAP HANA SDA（Smart Data Access）技术详解：150字精要 SAP HANA SDA是一种数据虚拟化技术，允许在不复制数据的情况下访问远端数据源。核心功能包括： 通过Remote Source定义连接配置 创建Virtual Table作为本地代理 支持谓词下推优化查询性能 与SDI技术协同工作扩展数据集成能力 典型应用场景包括： 跨系统联邦查询 冷热数据分层管理 混合云数据整合 远程表复制（RTR）实现近实时数据同步 实施要点： 需关注适配器能力差异 合理运用查询下推优化

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。

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。