yolo系列

1. 基础组件 Conv DWConv Bottleneck C3 SPP Focus Contract Expand Concat

YOLOv8可以完成检测、分类、分割任务 1. yolov8网络结构 YOLOv8 2. 基础组件 2.1 C2f C（Cross Stage Partial） ：继承了 YOLOv5 中 CSP 的

data 存放一些超参数的配置文件，如.yaml文件。yolov5有大约30个超参数用于各种训练设置，更好的初始猜测会产生更好的最终结果。 hyps文件夹：存放超参数配置文件 hyps.scratch

准备自己的数据集 Fruit26数据集 创建Fruit25文件夹，用于一会儿保存划分好的训练集、测试集和验证集 split.py 通过split.py来将标注好的图片划分为训练集、测试集和验证集 编写

1. 添加步骤 1.1 models/common.py 加入新增的网络结构 1.2 在models/yolo.py注册组件 1.3 models/yolov5_xxx.yaml 新建一个文件夹，修改

本文将检测变为一个regression problem（回归问题），YOLO 从输入的图像，仅仅经过一个神经网络，直接得到一些bounding box以及每个bounding box所属类别的概率。

论文地址 MobileViT网络是由苹果公司提出的，将CNN和ViT的优势相结合，提高了在移动视觉任务中的性能。 以往的研究主要集中在轻量卷积神经网络和自注意力ViTs，其中CNN具有局部感知性，参数

CBAM是由通道注意力机制和空间注意力机制组成。 空间注意力可使神经网络更加关注图像中对分类起决定作用的像素区域而忽略无关紧要的区域，通道注意力则用于处理特征图通道的分配关系，同时对两个维度进行注意力

CA的优势 不仅考虑了通道信息，还考虑了方向相关的位置信息 足够的灵活和轻量，能够简单的插入到轻量级网络的核心模块中 可以作为预训练模型用于多种任务中，如检测和分割，均有不错的性能提升 成功加入了CA