嘿我整理了一份YOLO核心组件“百科”嘿好久不见。消失了近半月的时间来处理公司的事情事实上我也是很想念观众朋友们的最近整理了一个专辑专门来学习yolo目标检测算法里面的核心组件让yolo不再黑盒让改进不再难产yolo算法每年几次更新但是我们好像还没有从跟踪过改进路线呢这个专辑就是为了让yolo不再神秘拆开来看步步为营分析yolo算法的推算过程。所以在「探物 AI」这个公众号里我打磨了一个专辑 ——《YOLO核心组件》。我把YOLO系列里反复出现的那些核心模块掰开揉碎了整理成了一份学习地图。目前已经收录了近50个必知必会的组件还在持续生长中。目录是这样的一、注意力机制 — 让网络知道该往哪看SE注意力机制— 通道注意力经典中的经典CBAM注意力机制— 通道 空间双管齐下ECA注意力机制— 高效版通道注意力轻量化首选CA注意力机制— 坐标注意力保留位置信息C2PSA注意力机制— YOLO11里的新成员二、特征融合模块 — 多尺度特征融会贯通FPN特征金字塔— 自顶向下开创多尺度融合先河PANet路径聚合— 双向奔赴的特征融合BiFPN加权特征金字塔— 带权重的双向融合SPP空间金字塔池化— 多尺度池化增大感受野SPPF快速空间金字塔— SPP的亲弟弟更快三、骨干网络组件 — 特征提取的核心骨架残差块 Residual Block— 跳跃连接训练深网络的基石CSP跨阶段部分连接— 减少计算量增强梯度流C3模块— YOLOv5的CSP改进版C3k2模块— YOLO11的高效CSP小而精E-ELAN扩展高效层聚合— YOLOv7的多分支聚合GELAN广义高效层聚合— YOLOv9的可扩展聚合RepVGG重参数化卷积— 训练多分支推理单分支四、激活函数 — 引入非线性的灵魂ReLU— 最基础但很管用LeakyReLU— 解决Dead ReLU问题Mish— 平滑自门控YOLOv4的最爱SiLU / Swish— YOLOv5/v8的标配五、损失函数 — 告诉网络什么才是对的IoU损失— 交并比一切的基础GIoU损失— 解决IoU0的问题DIoU损失— 加上中心点距离约束CIoU损失— 再考虑宽高比三合一SIoU损失— 连角度都算上了DFL分布焦点损失— 分布式边界框回归Focal Loss— 专治正负样本不平衡二元交叉熵 BCE— 多标签分类的老朋友六、检测头组件 — 最终的分类和回归耦合检测头— 分类回归共享特征解耦检测头— 分类回归分开走YOLOX带火的Anchor-Based检测— 基于锚框的传统方案Anchor-Free检测— 扔掉锚框更简洁七、归一化方法 — 稳定训练加速收敛BatchNorm批量归一化— 最常用的那个GroupNorm分组归一化— 小batch时的救星八、下采样与上采样 — 放大缩小收放自如MaxPool最大池化— 简单粗暴取最大Conv卷积下采样— 步长卷积可学习Focus切片下采样— YOLOv5的招牌操作最近邻上采样— 最简单的放大转置卷积上采样— 可学习的上采样九、轻量化模块 — 又快又好才是王道深度可分离卷积— 分离通道和空间轻量利器Ghost模块— 用线性变换白嫖特征图SPDConv— 小目标检测专用下采样十、标签分配策略 — 谁才是正样本IoU匹配— 固定阈值简单直接TAL任务对齐分配— YOLOv8的动态分配策略一致双重分配— YOLOv10的NMS-Free方案十一、数据增强方法 — 数据不够增强来凑Mosaic数据增强— 四图拼接YOLOv4带火的MixUp数据增强— 图像混合提升泛化CutMix数据增强— 区域替换更强正则基本的从注意力机制到特征融合从损失函数到检测头从归一化到标签分配……我几乎把YOLO的每一个核心零件都拆了出来。每一篇我都会尽量用“容易理解的话”把原理讲清楚告诉你它解决什么问题、在YOLO里怎么用。如果这正是你需要的点个关注星标一下「探物 AI」。后面我会一个一个慢慢更新咱们一起把这些模块过一遍。明天见大概25天的时间介绍完吧