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

必读内容

船新的YOLOv12改进专栏~

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YOLOv12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论文，熟悉完整的发表流程，已帮助多名同学成功发表论文。

专栏内容每周更新3-5篇，质量保证。专栏价格会随着文章数量的增加而增加，早订阅早优惠~
一次订阅，永久使用！ 可开发票用于报销。

5️⃣ 专栏内容会持续更新，最近更新时间：2025-3-11。

---

YOLOv12模型结构

---

YOLOv12改进目录一览（持续更新中ing）

项目介绍

在大家购买专栏后，加入学习群便可获得全部的程序文件，下方仅为列出的部分文件截图。在获取到文件后，只需按照将程序放在个人项目中即可运行，训练。群内有我录制的关于如何改进模型的视频，方便大家下载学习。可自行组合成不同的模块，实现针对你数据集的有效涨点。

专栏购买链接：YOLOv12改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

---

项目环境版本如下（按照个人硬件配置即可）

• Python：3.12.3
• PyTorch：2.2.0
• CUDA：12.1
• 编辑器：VS Code
• Ultralytics：8.3.63

---

— 基础篇—

1、YOLOv12 在自定义数据集上的训练实践与技术探索 —— 附 整体模型结构图 及 代码解析

2、安装YOLOv12中所需的Flash Attention（flash-attn），保姆级配置教程，将YOLOv11环境变成YOLOv12

3、使用AutoDL训练YOLOv12计算机视觉网络模型（AutoDL+Xftp+VS Code），附详细操作步骤

4、YOLOv12目标检测模型性能评价指标详解，涉及混淆矩阵、F1-Score、IoU、mAP、参数量、计算量等，一文打尽所有评价指标

5、YOLOv12改进前必看 - YAML模型配置文件详细解读（再也不用担心通道数不匹配） 附网络结构图

6、YOLOv12模型应用过程中的报错处理及疑问解答，涉及环境搭建、模型训练、模块改进、论文写作

7、YOLOv12训练前的准备，将数据集划分成训练集、测试集验证集（附完整脚本及使用说明）

8、YOLOv12改进入门篇 | 手把手讲解改进模块如何实现高效涨点，以SimAM注意力模块为例

9、【YOLOv12原文翻译】YOLOv12: Attention-Centric Real-Time Object Detectors

10、YOLOv12中的A2C2f模块详解，涉及区域注意力模块（A2）和 R-ELAN 结构详解

---

论文写作 — 丰富工作量

1、论文必备 - YOLOv12统计数据集中大、中、小目标数量，附完整代码和详细使用步骤

2、论文必备 - 绘制YOLOv12模型在训练过程中，精准率，召回率，mAP_0.5，mAP_0.5:0.95，以及各种损失的变化曲线

3、论文必备 - YOLOv12输出模型每一层的耗时和GFLOPs，深入比较每一层模块的改进效果

4、论文必备 - YOLOv12热力图可视化，支持指定模型，指定显示层，设置置信度，以及10种可视化实现方式

5、论文必备 - YOLOv12训练前一键扩充数据集，支持9种扩充方法，支持图像和标签同步扩充

6、论文必备 - YOLOv12计算COCO指标和TIDE指标，小目标检测必备，更全面的评估和指导模型性能，包含完整步骤和代码

---

卷积层 — 发文常客

正在更新~

---

Backbone/主干网络

1、YOLOv12改进策略【Backbone/主干网络】| 2023 U-Net V2 替换骨干网络，加强细节特征的提取和融合

2、YOLOv12改进策略【Backbone/主干网络】| 替换骨干网络为：Swin Transformer，提高多尺度特征提取能力

3、YOLOv12改进策略【Backbone/主干网络】| ICLR-2023 替换骨干网络为：RevCol 一种新型神经网络设计范式

4、YOLOv12改进策略【Backbone/主干网络】| 2023-CVPR 替换骨干网络为 LSKNet （附网络详解和完整配置步骤）

5、YOLOv12改进策略【Backbone/主干网络】| 2023-CVPR 替换骨干网络为 ConvNeXt V2 （附网络详解和完整配置步骤）

6、YOLOv12改进策略【Backbone/主干网络】| CVPR-2024 替换骨干网络为 PKINet 获取多尺度纹理特征，适应尺度变化大的目标

7、YOLOv12改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 RMT，增强空间信息的感知能力

8、YOLOv12改进策略【Backbone/主干网络】| CVPR 2024 替换骨干网络为 UniRepLKNet，解决大核 ConvNets 难题

---

Conv和Transformer — 发文热点

1、YOLOv12改进策略【Conv和Transformer】| CVPR-2023 BiFormer 稀疏自注意力，减少内存占用（二次改进A2C2f）

2、YOLOv12改进策略【Conv和Transformer】| 2024 AssemFormer 结合卷积与 Transformer 优势，弥补传统方法不足（二次改进A2C2f）

3、YOLOv12改进策略【Conv和Transformer】| CVPR-2021 Bottleneck Transformers 简单且高效的自注意力模块（二次改进A2C2f）

4、YOLOv12改进策略【Conv和Transformer】| TPAMI-2024 Conv2Former 利用卷积调制和大核卷积简化自注意力机制（二次改进A2C2f）

5、YOLOv12改进策略【Conv和Transformer】| CVPR-2024 Single-Head Self-Attention 单头自注意力（二次改进A2C2f）

6、YOLOv12改进策略【Conv和Transformer】| ACmix 卷积和自注意力的结合，充分发挥两者优势

7、YOLOv12改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新A2C2f)

8、YOLOv12改进策略【Conv和Transformer】| GRSL-2024 最新模块 卷积和自注意力融合模块 CAFM 减少图像中的噪声干扰

9、YOLOv12改进策略【Conv和Transformer】| 2023 引入CloFormer中的双分支结构，融合高频低频信息（含二次创新A2C2f）

10、YOLOv12改进策略【Conv和Transformer】| CVPR-2022 Deformable Attention Transformer 可变形注意力 动态关注目标区域（二次改进A2C2f）

11、YOLOv12改进策略【Conv和Transformer】| ICCV-2023 iRMB 倒置残差移动块 轻量化的注意力模块（二次改进A2C2f）

12、YOLOv12改进策略【Conv和Transformer】| ECCV-2024 Histogram Transformer 直方图自注意力 适用于噪声大，图像质量低的检测任务（二次改进A2C2f）

---

YOLO和Mamba — 最新热点

正在更新~

---

模型轻量化 — 加速推理

1、YOLOv12改进策略【模型轻量化】| MoblieNet V4：2024 轻量化网络 移动生态系统的通用模型

2、YOLOv12改进策略【模型轻量化】| MoblieNet V3：基于搜索技术和新颖架构设计的轻量型网络模型

3、YOLOv12改进策略【模型轻量化】| ShuffleNet V1：一个用于移动设备的极其高效的卷积神经网络

4、YOLOv12改进策略【模型轻量化】| Shufflenet V2：通过通道划分构建高效网络，高效的CNN架构设计的实用指南

5、YOLOv12改进策略【模型轻量化】| MoblieOne：改进的1毫秒移动主干网，引入结构重参数化，提高模型检测效率

6、YOLOv12改进策略【模型轻量化】| MobileViT V1：高效的信息编码与融合模块，获取局部和全局信息

7、YOLOv12改进策略【模型轻量化】| GhostNet V1：基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构

8、YOLOv12改进策略【模型轻量化】| GhostNet V2：NeurIPS-2022 Spotlight 利用远距离注意力增强廉价操作

9、YOLOv12改进策略【模型轻量化】| RepViT：CVPR-2024 轻量级的Vision Transformers架构

10、YOLOv12改进策略【模型轻量化】| FasterNet： CVPR-2023 高效快速的部分卷积块

11、YOLOv12改进策略【模型轻量化】| VanillaNet：华为的极简主义骨干网络

12、YOLOv12改进策略【模型轻量化】| EMO：ICCV 2023，结构简洁的轻量化自注意力模型

13、YOLOv12改进策略【模型轻量化】| StarNet：CVPR-2024 超级精简高效的轻量化模块

14、YOLOv12改进策略【模型轻量化】| PP-LCNet：轻量级的CPU卷积神经网络

15、YOLOv12改进策略【模型轻量化】| EfficientNet v1 ：高效的移动倒置瓶颈结构

16、YOLOv12改进策略【模型轻量化】| EfficientNet v2：加速训练，快速收敛

17、YOLOv12改进策略【模型轻量化】| MoblieNetV1：用于移动视觉应用的高效卷积神经网络

18、YOLOv12改进策略【模型轻量化】| MoblieNetV2：线性瓶颈，倒置残差，含模型详解和完整配置步骤

19、YOLOv12改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型

---

注意力机制篇 — 发文必备

1、YOLOv12改进策略【注意力机制篇】| 2024 PPA 并行补丁感知注意模块，提高小目标关注度

2、YOLOv12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

3、YOLOv12改进策略【注意力机制篇】| ICML-2021 引入SimAM注意力模块（一个简单的，无参数的卷积神经网络注意模块）

4、YOLOv12改进策略【注意力机制篇】| GAM全局注意力机制： 保留信息以增强通道与空间的相互作用

5、YOLOv12改进策略【注意力机制篇】| 2023 MCAttention 多尺度交叉轴注意力 获取多尺度特征和全局上下文信息

6、YOLOv12改进策略【注意力机制篇】| 2024 SCSA-CBAM 空间和通道的协同注意模块 二次创新A2C2f

7、YOLOv12改进策略【注意力机制篇】| 2024 SCI TOP FCAttention 即插即用注意力模块，增强局部和全局特征信息交互

8、YOLOv12改进策略【注意力机制篇】| EMA 即插即用模块，提高远距离建模依赖

9、YOLOv12改进策略【注意力机制篇】| NAM 即插即用模块，重新优化通道和空间注意力

10、YOLOv12改进策略【注意力机制篇】| 2024 蒙特卡罗注意力（MCAttn）模块，提高小目标的关注度（二次改进A2C2f）

11、YOLOv12改进策略【注意力机制篇】| CVPR2024 CAA上下文锚点注意力机制

12、YOLOv12改进策略【注意力机制篇】| 引入Shuffle Attention注意力模块，增强特征图的语义表示

13、YOLOv12改进策略【注意力机制篇】| Mixed Local Channel Attention (MLCA) 融合通道、空间、局部和全局信息的新型注意力

14、YOLOv12改进策略【注意力机制篇】| ICLR2023 高效计算与全局局部信息融合的 Sea_Attention 模块（含A2C2f二次创新）

15、YOLOv12改进策略【注意力机制篇】| ICCV2023 聚焦线性注意力模块 Focused Linear Attention 聚焦能力与特征多样性双重提升

16、YOLOv12改进策略【注意力机制篇】| WACV-2021 Triplet Attention 三重注意力模块 - 跨维度交互注意力机制优化

17、YOLOv12改进策略【注意力机制篇】| SENet V2 优化SE注意力机制，聚合通道和全局信息

18、YOLOv12改进策略【注意力机制篇】| CVPRW-2024 分层互补注意力混合层 H-RAMi 针对低质量图像的特征提取模块

19、YOLOv12改进策略【注意力机制篇】| CVPR-2023 FSAS 基于频域的自注意力求解器 结合频域计算和卷积操作 降低噪声影响

20、YOLOv12改进策略【注意力机制篇】| Large Separable Kernel Attention (LSKA) 大核可分离卷积注意力 二次创新A2C2f

21、YOLOv12改进策略【注意力机制篇】| WACV-2024 D-LKA 可变形的大核注意 针对大尺度、不规则的目标图像

22、YOLOv12改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA，轻量化注意力模块 提高模型效率

---

损失函数篇

1、YOLOv12改进策略【损失函数篇】| 利用MPDIoU，加强边界框回归的准确性

2、YOLOv12改进策略【损失函数篇】| Slide Loss，解决简单样本和困难样本之间的不平衡问题

3、YOLOv12改进策略【损失函数篇】| 替换激活函数为Mish、PReLU、Hardswish、LeakyReLU、ReLU6

4、YOLOv12改进策略【损失函数篇】| Inner-IoU损失：通过辅助边界框计算IoU提升检测效果(Inner_GIoU、Inner_DIoU、Inner_CIoU、Inner_EIoU、Inner_SIoU)

5、YOLOv12改进策略【损失函数篇】| Shape-IoU：考虑边界框形状和尺度的更精确度量

6、YOLOv12改进策略【损失函数篇】| 2024 引进Focaler-IoU损失函数 加强边界框回归

7、YOLOv12改进策略【损失函数篇】| NWD损失函数，提高小目标检测精度

8、YOLOv12改进策略【损失函数篇】| 引入Soft-NMS，提升密集遮挡场景检测精度，包括GIoU-NMS、DIoU-NMS、CIoU-NMS、SIoU-NMS、 EIou-NMS

9、YOLOv12改进策略【损失函数篇】| 将激活函数替换为带有注意力机制的激活函数 ARelu

10、YOLOv12改进策略【损失函数篇】| WIoU v3：针对低质量样本的边界框回归损失函数

---

Neck — 加强特征融合

1、YOLOv12改进策略【Neck】| ECCV-2024 RCM 矩形自校准模块 优化颈部网络

2、YOLOv12改进策略【Neck】| GSConv+Slim Neck：混合深度可分离卷积和标准卷积的轻量化网络设计

3、YOLOv12改进策略【Neck】| BiFPN：双向特征金字塔网络-跨尺度连接和加权特征融合

4、YOLOv12改进策略【Neck】| 使用CARAFE轻量级通用上采样算子

5、YOLOv12改进策略【Neck】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络，提高小目标检测精度

6、YOLOv12改进策略【Neck】| GFPN 超越BiFPN 通过跳层连接和跨尺度连接改进v12颈部网络

7、YOLOv12改进策略【Neck】| 2023 显式视觉中心EVC 优化特征提取金字塔，对密集预测任务非常有效

8、YOLOv12改进策略【Neck】| 有效且轻量的动态上采样算子：DySample

9、YOLOv12改进策略【Neck】| ArXiv 2023，基于U - Net v2中的的高效特征融合模块：SDI

10、YOLOv12改进策略【Neck】| PRCV 2023，SBA：特征融合模块，描绘物体轮廓重新校准物体位置，解决边界模糊问题

11、YOLOv12改进策略【Neck】| NeurIPS 2023 融合GOLD-YOLO颈部结构，强化小目标检测能力

12、YOLOv12改进策略【Neck】| HS-FPN：高级筛选特征融合金字塔，加强细微特征的检测

13、YOLOv12改进策略【Neck】| TPAMI 2024 FreqFusion 频域感知特征融合模块 解决密集图像预测问题

---

Head/检测头

1、YOLOv12改进策略【Head】| 引入RT-DETR中的RTDETRDecoder，替换检测头

2、YOLOv12改进策略【Head】| 增加针对 大目标 的检测层 （四个检测头）

3、YOLOv12改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化模型（独家改进）

4、YOLOv12改进策略【Head】| ASFF 自适应空间特征融合模块，改进检测头Detect_ASFF

5、YOLOv12改进策略【Head】| 添加专用于小目标的检测层 附YOLOv1~YOLOv12的检测头变化详解

6、YOLOv12改进策略【Head】| （独家改进）检测头添加Conv2Former 利用卷积调制操作和大核卷积简化自注意力机制，提高网络性能

7、YOLOv12改进策略【Head】| （独家改进）结合 ICME-2024 中的PPA注意力模块，自研带有注意力机制的小目标检测头

8、YOLOv12改进策略【Head】| （独家改进）轻量化检测头：利用 EfficientNet 中的移动倒置瓶颈模块 MBConv 改进检测头

---

特殊场景 — 小目标改进

1、YOLOv12改进策略【小目标改进】| ASF-YOLO 注意力尺度序列融合模块改进颈部网络，提高小目标检测精度

2、YOLOv12改进策略【小目标改进】| NWD损失函数，提高小目标检测精度

3、YOLOv12改进策略【小目标改进】| 2024 蒙特卡罗注意力（MCAttn）模块，提高小目标的关注度

4、YOLOv12改进策略【小目标改进】| 2024 PPA 并行补丁感知注意模块，提高小目标关注度

5、YOLOv12改进策略【小目标改进】| SPD-Conv 针对小目标和低分辨率图像的检测任务

6、YOLOv12改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLOv1~YOLOv12的检测头变化详解

7、YOLOv12改进策略【小目标改进】| 2024-TOP 自适应阈值焦点损失（ATFL）提升对小目标的检测能力

8、YOLOv12改进策略【小目标改进】| Shape-NWD：融合改进，结合Shape-IoU和NWD 更好地适应小目标特性

9、YOLOv12改进策略【小目标改进】| NeurIPS 2023 融合GOLD-YOLO颈部结构，强化小目标检测能力

---

独家融合改进 — 达到论文发表要求

正在更新~

---

模型剪枝

待续~

---

模型蒸馏

待续~