《RT-DETR魔术师》专栏介绍 & CSDN独家改进创新实战 & 专栏目录

RT-DETR魔术师专栏介绍：

https://blog.csdn.net/m0_63774211/category_12497375.html

✨✨✨魔改创新RT-DETR

引入前沿顶会创新（CVPR2023，ICCV2023等），助力RT-DETR

基于ultralytics优化，与YOLO完美结合

重点：通过本专栏的阅读，后续你也可以自己魔改网络，在网络不同位置（Backbone、head、detect、loss等）进行魔改，实现创新！！！

目录

1.Backbone改进

2.注意力机制改进

3.卷积变体改进

4.IOU&LOSS改进 

5. Neck优化

6.手把手入门教程

---

1.Backbone改进

1.1 HGBlock完美结合PPHGNetV2 GhostConv

RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 GhostConv-CSDN博客

1.2 HGBlock完美结合PPHGNetV2 RepConv

RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 RepConv-CSDN博客

1.3 VanillaNet一种新视觉Backbone，极简且强大！华为诺亚2023

RT-DETR算法优化改进：Backbone改进 | VanillaNet一种新视觉Backbone，极简且强大！华为诺亚2023-CSDN博客

1.4 EfficientViT，基于级联分组注意力模块的全新实时网络架构，better speed and accuracy | CVPR2023

RT-DETR算法优化改进：Backbone改进 | EfficientViT，基于级联分组注意力模块的全新实时网络架构，better speed and accuracy | CVPR2023-CSDN博客

1.5  EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计 | ICCV2023

RT-DETR算法优化改进：Backbone改进 | EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计 | ICCV2023-CSDN博客

 1.6 LSKNet：遥感旋转目标检测新SOTA | ICCV 2023

RT-DETR算法优化改进：Backbone改进 | LSKNet：遥感旋转目标检测新SOTA | ICCV 2023-CSDN博客

1.7 Next-vit，用于现实工业场景的下一代视觉 Transformer

RT-DETR算法优化改进：Backbone改进 | Next-vit，用于现实工业场景的下一代视觉 Transformer-CSDN博客

1.8 RIFormer：无需TokenMixer也能达成SOTA性能的极简ViT架构 | CVPR2023 RT-DETR算法优化改进：Backbone改进｜RIFormer：无需TokenMixer也能达成SOTA性能的极简ViT架构 | CVPR2023-CSDN博客

1.9 支持Paddle轻量级 rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等版本

RT-DETR算法优化改进：轻量级Backbone改进 | 支持Paddle轻量级 rtdetr-r18、rtdetr-r34、rtdetr-r50、rtdetr-r101等版本-CSDN博客

20 SENet v2，Squeeze-Excitation模块融合Dense Layer，效果秒杀SENet

RT-DETR算法优化改进：SENet v2，Squeeze-Excitation模块融合Dense Layer，效果秒杀SENet-CSDN博客

2.注意力机制改进

2.1  一种新颖的动态稀疏注意力(BiLevelRoutingAttention) | CVPR2023

RT-DETR算法优化改进：一种新颖的动态稀疏注意力(BiLevelRoutingAttention) | CVPR2023-CSDN博客

2.2 新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测 | NeurIPS2022 

RT-DETR算法优化改进：新颖的多尺度卷积注意力（MSCA），即插即用，助力小目标检测 | NeurIPS2022-CSDN博客

2.3  多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM等 | 即插即用系列

RT-DETR算法优化改进：多维协作注意模块MCA，暴力涨点，效果秒杀ECA、SRM、CBAM等 | 即插即用系列-CSDN博客

2.4  一种新颖的可扩张残差（DWR）注意力模块，加强不同尺度特征提取能力

RT-DETR算法优化改进： 一种新颖的可扩张残差（DWR）注意力模块，加强不同尺度特征提取能力-CSDN博客

2.5 轻量级上采样CARAFE算子 

RT-DETR算法优化改进：轻量级上采样CARAFE算子 | 注意力机制大作战-CSDN博客

2.6  自研独家创新BSAM注意力 ，基于CBAM升级

RT-DETR算法优化改进：自研独家创新BSAM注意力 ，基于CBAM升级 | 注意力机制大作战-CSDN博客

2.7  一种新颖的自适应空间相关性金字塔注意力

RT-DETR手把手教程：一种新颖的自适应空间相关性金字塔注意力-CSDN博客
 

3.卷积变体改进

3.1 可变形大核注意力（D-LKA Attention），超越自注意力，实现暴力涨点 | 2023.8月最新发表 RT-DETR算法优化改进：可变形大核注意力（D-LKA Attention），超越自注意力，实现暴力涨点 | 2023.8月最新发表-CSDN博客

3.2 大型分离卷积注意力模块（ Large Separable Kernel Attention），实现暴力涨点同时显著减少计算复杂性和内存 | 2023.8月最新发表 RT-DETR算法优化改进：大型分离卷积注意力模块（ Large Separable Kernel Attention），实现暴力涨点同时显著减少计算复杂性和内存 | 2023.8月最新发表-CSDN博客

3.3 SCConv，空间和通道重建卷积 | CVPR2023 

RT-DETR算法优化改进：SCConv，空间和通道重建卷积 | CVPR2023 | 卷积变体大作战-CSDN博客

3.4 SPD-Conv，低分辨率图像和小物体涨点明显 RT-DETR算法优化改进：SPD-Conv，低分辨率图像和小物体涨点明显，涨点神器，无脑直接使用！！！-CSDN博客

3.5 一种新的partial卷积（PConv） | CVPR2023 FasterNet

RT-DETR算法优化改进：一种新的partial卷积（PConv） |CVPR2023 FasterNet | 卷积变体大作战-CSDN博客

3.6 AKConv（可改变核卷积），即插即用的卷积，效果秒杀DSConv | 2023年11月最新发表

RT-DETR算法优化改进：AKConv（可改变核卷积），即插即用的卷积，效果秒杀DSConv | 2023年11月最新发表-CSDN博客 3.7 轻量化自研设计双卷积重新设计backbone和neck，完成涨点且计算量和参数量显著下降

RT-DETR算法优化改进：轻量化自研设计双卷积重新设计backbone和neck，完成涨点且计算量和参数量显著下降-CSDN博客

3.8 DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测 RT-DETR算法优化改进：DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等 ，助力检测-CSDN博客

4.IOU&LOSS改进 

4.1 MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等

RT-DETR算法优化改进：Loss改进 | MPDIoU新型边界框相似度度量，效果秒杀GIoU 、 DIoU 、CIoU 、 EIoU等 | ELSEVIER 2023-CSDN博客

 4.2 Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU） | 2023.11

RT-DETR算法优化改进：Loss改进 | Inner-MPDIoU | Inner-IoU基于辅助边框的IoU损失，高效结合新型边界框相似度度量（MPDIoU） | 2023.11-CSDN博客

4.3  Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11

RT-DETR算法优化改进：Inner-IoU基于辅助边框的IoU损失，高效结合 GIoU, DIoU, CIoU，SIoU 等 | 2023.11-CSDN博客

4.4  提出一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好

RT-DETR算法优化改进：提出一种新的Shape IoU，更加关注边界框本身的形状和尺度，对小目标检测也很友好 | 2023.12.29收录-CSDN博客

4.5 新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点

RT-DETR算法优化改进：新颖的Shape IoU结合 Inner-IoU，基于辅助边框的IoU损失的同时关注边界框本身的形状和尺度，小目标实现高效涨点_shape-iou概述-CSDN博客

 4.6 更加聚焦的IoU损失Focaler-IoU，二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等

RT-DETR算法优化改进:更加聚焦的IoU损失Focaler-IoU，二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等 | 2024年最新IoU-CSDN博客

4.7 Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU

RT-DETR算法优化改进:Powerful-IoU更好、更快的收敛IoU | 2024年最新IoU-CSDN博客

5. Neck优化

5.1 新的设计范式Slim Neck助力RT-DETR 

RT-DETR算法优化改进：新的设计范式Slim Neck助力RT-DETR | Neck改进-CSDN博客

RT-DETR算法优化改进:更加聚焦的IoU损失Focaler-IoU，二次创新如何结合Shape IoU、MPDIoU、GIoU、DIoU、CIoU等 | 2024年最新IoU-CSDN博客

6. block优化

6.1 多层次特征融合（SDI）结合PConv、DualConv、GSConv，实现二次创新

RT-DETR算法优化改进：多层次特征融合（SDI）结合PConv、DualConv、GSConv，实现二次创新 | UNet v2最新论文-CSDN博客

7.手把手入门教程

7.1 注意力机制如何添加在网络的不同位置进行创新优化

RT-DETR手把手教程，注意力机制如何添加在网络的不同位置进行创新优化，EMA注意力为案列-CSDN博客

7.2 NEU-DET钢材表面缺陷检测任务 | 不同网络位置加入EMA注意力进行魔改

RT-DETR手把手教程：NEU-DET钢材表面缺陷检测任务 | 不同网络位置加入EMA注意力进行魔改-CSDN博客

持续更新中

重点，新开专栏优惠力度史无前例，后期恢复到299！！！