本文分析了YOLO系列目标检测框架从v5到v11的核心技术演进，重点对比了架构设计和损失函数两方面的优化。架构上，YOLOv11通过C3K2模块、C2PSA注意力机制和深度可分离卷积，实现了动态特征融合与轻量化设计；损失函数方面，引入NWD Loss和DFL+Focal Loss组合，增强了对小目标和密集场景的处理能力。这些改进使YOLOv11在计算效率、检测精度和场景适应性上均有显著提升，推动了

摘要： 本文系统分析了YOLOv5目标检测框架中浅层与深层特征的协同机制。通过New CSP-Darknet53主干网络提取多级特征（C3-C5），结合PAN结构的双向特征融合策略，实现细节与语义信息的互补。浅层特征（32×32）保留空间细节利于小目标检测，深层特征（8×8）具有强语义表达，而双向路径（自顶向下/自底向上）通过特征拼接与采样完成多尺度信息交互。实验表明，这种分层设计有效平衡了定位精

本文分析了YOLO系列目标检测框架从v5到v11的核心技术演进，重点对比了架构设计和损失函数两方面的优化。架构上，YOLOv11通过C3K2模块、C2PSA注意力机制和深度可分离卷积，实现了动态特征融合与轻量化设计；损失函数方面，引入NWD Loss和DFL+Focal Loss组合，增强了对小目标和密集场景的处理能力。这些改进使YOLOv11在计算效率、检测精度和场景适应性上均有显著提升，推动了

本文针对ResNet18模型剪枝进行了优化改进，主要包含三个方面：1) 将剪枝目标层从底层conv1调整为中间层layer2.0.conv1，减少对基础特征的破坏；2) 采用基于激活值的前向传播方法评估通道重要性，优先剪除低激活通道；3) 改进微调策略，动态解冻关联层并使用更低学习率(0.0001)进行10轮微调。这些优化有效提升了剪枝后模型的稳定性和性能表现，特别是通过中间层剪枝和基于特征贡献的

本文探讨了深度学习模型剪枝的必要性与实现方法，针对移动端设备资源受限问题，提出基于PyTorch的结构化通道剪枝方案。以ResNet18在CIFAR-10任务为例，详细阐述了6步流程：环境初始化、原始模型训练、卷积层剪枝（通过L2范数评估通道重要性）、剪枝后结构调整（BN层和残差连接适配）、模型微调及效果评估。重点展示了如何计算通道重要性、生成剪枝掩码、替换卷积层，并解决剪枝引发的后续层通道匹配问

通常我们在设计或者使用模型网络结构的时候，每一层的卷积数，核心大小和数量等等原因都有他们的作用和有意义，今天就来分享一下基础，怎么计算卷积神经网络的输入输出尺寸，这有利于在后面自己设计网络时候用到。

本文针对ResNet18模型提出了一种全局残差块剪枝方法，重点裁剪了layer1至layer4中的所有残差块，同时保留第一层卷积conv1以维护基础特征提取能力。文章详细阐述了剪枝策略设计原理与代码实现，通过L1范数对残差块内的卷积层进行通道剪枝，并同步调整批归一化层参数。实验结果显示，该方法在保证模型精度的同时显著减少了参数量，为深度学习模型压缩提供了有效的实践方案。（150字）

最近一个小项目用到yolo的内容，需要用到darknet，因此需要进行darknet进行编译，因为之前也干过这个事情，不过当时只是为了验证，并没有对当时遇到的问题做记录。此次再次用到，应该是遇到了同样的坑，所以讲这次遇到的问题做了一次记录。opencv也用了很久，对它的各种编译都是很熟悉了，之前编译的时候都是用的cmake的方式，非常方便，也因此自己编译了一个常用的版本（够用就行），而且是静态库的

YoloV5-OBB通过引入旋转框检测能力，显著提升了模型在倾斜目标场景下的检测性能。其核心改进包括旋转框表示、角度编码策略和旋转IoU计算等。虽然带来了一定的计算开销，但在需要精确检测旋转目标的场景下，这种改进是非常有价值的。未来，随着硬件加速和算法优化的进步，旋转目标检测技术将在更多领域得到广泛应用。

通常我们在设计或者使用模型网络结构的时候，每一层的卷积数，核心大小和数量等等原因都有他们的作用和有意义，今天就来分享一下基础，怎么计算卷积神经网络的输入输出尺寸，这有利于在后面自己设计网络时候用到。