{"id":13640985,"url":"https://github.com/iscyy/ultralyticsPro","last_synced_at":"2025-04-20T07:31:32.125Z","repository":{"id":228391529,"uuid":"773847019","full_name":"iscyy/ultralyticsPro","owner":"iscyy","description":"🔥🔥🔥专注于改进YOLOv8模型，NEW - YOLOv8 🚀 RT-DETR 🥇 in PyTorch \u003e, Support to improve backbone, neck, head, loss, IoU, NMS and other modules🚀","archived":false,"fork":false,"pushed_at":"2024-10-31T15:54:37.000Z","size":2111,"stargazers_count":196,"open_issues_count":1,"forks_count":16,"subscribers_count":6,"default_branch":"main","last_synced_at":"2024-10-31T16:33:35.483Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":"agpl-3.0","status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/iscyy.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":"CONTRIBUTING.md","funding":null,"license":"LICENSE","code_of_conduct":null,"threat_model":null,"audit":null,"citation":"CITATION.cff","codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-03-18T13:59:43.000Z","updated_at":"2024-10-31T15:54:41.000Z","dependencies_parsed_at":"2024-10-03T10:50:55.982Z","dependency_job_id":"feee28d4-2373-4469-a0ec-f701d6082409","html_url":"https://github.com/iscyy/ultralyticsPro","commit_stats":null,"previous_names":["iscyy/ultralyticspro"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/iscyy%2FultralyticsPro","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/iscyy%2FultralyticsPro/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/iscyy%2FultralyticsPro/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/iscyy%2FultralyticsPro/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/iscyy","download_url":"https://codeload.github.com/iscyy/ultralyticsPro/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":223821981,"owners_count":17208775,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2024-08-02T01:01:16.534Z","updated_at":"2025-04-20T07:31:32.109Z","avatar_url":"https://github.com/iscyy.png","language":"Python","funding_links":[],"categories":["Summary","对象检测_分割"],"sub_categories":["资源传输下载"],"readme":"🔥🔥🔥 专注于YOLO11，YOLOv8、YOLOv10、RT-DETR、YOLOv7、YOLOv5改进模型，Support to improve backbone, neck, head, loss, IoU, NMS and other modules🚀\n\n![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/0df9ce2fcc1f4b9f87abc20b83ac785d.png)\n\n🌟 全新的YOLO系列改进项目**ultralyticsPro**来袭，最新改进点更新🚀2025\n\n-------\n🍉🍉🍉**如何获取YOLO改进的完整版代码?**  \nultralyticsPro 项目的完整版代码, 需要订阅后才能获取, 可以加芒果QQ：**2434798737**，或者点击链接 通过 👉[bilibili哔哩哔哩](https://space.bilibili.com/1532780812) 私信, 进行项目订阅  \n订阅后，实时获取最新的《YOLO改进项目完整版代码》100%可运行,同时也适合新手 \n----------\n\nultralyticsPro项目改进系列有：YOLO11，YOLOv8、YOLOv10、RT-DETR 改进模型，改进哪个模型就可以订阅哪个\n\n### - 芒果YOLO改进项目: ultralyticsPro\n\n改进项目合集（改进哪个模型就订阅哪个模型即可，订阅后可以看对应的《完整版改进项目源码》，比如改进 YOLO11 项目，订阅以下 YOLO11 项目即可）\n\n🍈 - ultralyticsPro系列 - 芒果YOLOv12改进项目： 👉 **优惠价￥ 58**（新上）\n\n🍇 - ultralyticsPro系列 - 芒果 YOLO11 改进项目：  👉 **优惠价￥ 68**\n\n🍉 - ultralyticsPro系列 - 芒果 YOLOv8 改进项目：  👉 **优惠价￥ 98**\n\n🍈 - ultralyticsPro系列 - 芒果YOLOv10改进项目： 👉 **优惠价￥ 68**\n\n🍌 - ultralyticsPro系列 - 芒果RT-DETR改进项目： 👉 **优惠价￥ 58**\n\n🍈 - ultralyticsPro系列 - 芒果 YOLOv7 改进项目：  👉 **优惠价￥ 68**\n\n🍌 - ultralyticsPro系列 - 芒果 YOLOv5 改进项目：  👉 **优惠价￥ 68**\n需要订阅多个项目可优惠\n\n---------------------\n\n### - New：芒果YOLO改进 - 剪枝 项目（以下任意YOLO版本模型之一，均为￥ 45）4月30号之前\n（订阅了以上改进项目之一 的减 - 10，仅需 ￥ 35）\n\n支持\n🍈 - 芒果YOLOv12剪枝项目\n🍈 - 芒果 YOLO11 剪枝项目\n🍈 - 芒果 YOLOv8 剪枝项目\n🍈 - 芒果 YOLOv10 剪枝项目\n🍈 - 芒果 RT-DETR 剪枝项目\n🍈 - 以及 基于ultralytics库的算法均支持\n\n支持 目标检测Detect、旋转检测OBB、实例分割OBB、姿态估计Pose 等多任务剪枝策略(任一)\n\n包含的剪枝方法\n- L1范数 剪枝\n- L2范数 剪枝\n- DepGraph 剪枝\n- Magnitude 剪枝\n- Slimming 通道剪枝\n- BNScale（网络瘦身学习）剪枝策略\n- Random （随机重要性估计）剪枝\n- LAMP（基于幅度修剪的层自适应稀疏性）剪枝\n- FPGM（通过几何中值过滤器剪枝）剪枝\n- Gaussian 剪枝\n- ...\n\n更多新剪枝策略，持续更新中...\n\n剪枝效果：在某公开数据集进行剪枝测试, 参数量降70%, 精度几乎保持不变(+-1%)\n\n--------\n\n订阅方式：联系QQ：**2434798737** 或者 👉[bilibili哔哩哔哩](https://space.bilibili.com/1532780812)  私信\n\n---\n\n### 🚀🚀🚀使用说明\n\n**本项目持续维护，持续更新原创内容**\n\n该项目基于 官方的 [**ultralytics**](https://github.com/ultralytics/ultralytics) 项目v8.3.x版本，使用稳定可靠，环境已配好，适合零基础小白以上的用户使用\n\n配套bilibili视频教程链接：[bilibili: 芒果学AI](https://space.bilibili.com/1532780812) （可 bilibili 私信）\n\n### 🔥🔥🔥目前为`订阅制` ，需要订阅的联系QQ：**2434798737** 或者点击链接 通过 👉[bilibili哔哩哔哩](https://space.bilibili.com/1532780812) 私信\n\n1.  🍈《ultralyticsPro改进项目》基于官方ultralytics项目8.3.x-最新稳定版本，兼容所有官方的更新\n \n2.  🍉订阅《ultralyticsPro改进项目》即可获取本项目里面改进点对应的《YOLO核心代码模块文件》，加入《YOLO改进后的核心代码文件》就可以直接运行。保证本项目中已有的改进点都能正常运行实验 \n3.  🏅️用户可以添加博主的联系方式 QQ：**2434798737** ⭐⭐⭐（或者点击链接 通过 👉[bilibili哔哩哔哩](https://space.bilibili.com/1532780812) 私信 \n4.  🚀该项目持续更新：内容包括：改进 **新的标签分配策略、检测头Head、损失函数Loss、主干Backbone、Neck部分、分类损失函数、NMS改进、写作技巧、性能指标技巧** \n\n5.  🍌在此基础上新建了一个《芒果YOLO项目改进交流群》便于项目改进交流和答疑，并在群里同步更新新的内容\n\n6.  🌰新增以《视频教程》辅助来说明应该怎么改 \n7.  🌟多任务改进篇：支持**OBB旋转检测、姿态估计、图像分割任务、图像分类**等各类改进 \n\n8.  🍊重点：支持该项目相关改进的答疑服务\n\n---\n\n### 项目相关链接\n#### 2.1 视频教程\n\nbilibili视频教程链接：[bilibili: https://space.bilibili.com/1532780812](https://space.bilibili.com/1532780812) （可 bilibili 私信）\n\n更多视频看 [哔哩哔哩：芒果学AI🎈](https://space.bilibili.com/1532780812)\n\n---\n\n### 🏅️🏅️订阅说明\n\n需要订阅的联系QQ：**2434798737** \n\n如果QQ加不上，可以（点击链接 通过 👉[bilibili哔哩哔哩](https://space.bilibili.com/1532780812) 私信，留下你的QQ并备注订阅YOLO改进项目\n\n![46f4207a62903e320d1ec96a160697d.jpg](https://i-blog.csdnimg.cn/direct/e63b2d46962d4064a1107624fc98e886.png)\n扫描QQ二维码也可\n\n\n---\n\n\n**本项目持续维护，持续更新原创内容**\n\n\n### 主要特性🚀\n\n🚀支持更多的YOLO系列算法模型改进(持续更新...)\n\nultralyticsPro 改进项目 汇总了多种主流 YOLO系列检测模型，一套代码集成多种模型: \n\n- 内置集成 YOLO11 模型改进、YOLOv8 模型改进、YOLOv10 模型改进、RT-DETR 模型改进、YOLOv5 模型改进、 YOLOv7 模型网络结构、等持续更新中...\n\n\n🚀支持更多的网络模型组件\n\n\u003cdiv align=\"center\"\u003e\n  \u003cb\u003eultralyticsPro Structural Module Components\u003c/b\u003e\n\u003c/div\u003e\n\u003ctable align=\"center\"\u003e\n  \u003ctbody\u003e\n    \u003ctr align=\"center\" valign=\"bottom\"\u003e\n      \u003ctd\u003e\n        \u003cb\u003e不同Conv卷积 模块改进\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003eLabel Alignment 不同标签分配策略 改进\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003eHead检测头\u003c/b\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n    \u003ctr valign=\"top\"\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eARConv自适应旋转 卷积\u003c/li\u003e\n        \u003cli\u003eDCNv4 卷积\u003c/li\u003e\n        \u003cli\u003eDCNv3 卷积\u003c/li\u003e\n        \u003cli\u003eDCNv2 卷积\u003c/li\u003e\n        \u003cli\u003eDoConv 卷积\u003c/li\u003e\n        \u003cli\u003eDRConv 卷积\u003c/li\u003e\n        \u003cli\u003eDSConv 卷积\u003c/li\u003e\n        \u003cli\u003eDyConv 卷积\u003c/li\u003e\n        \u003cli\u003eGSConv 卷积\u003c/li\u003e\n        \u003cli\u003eLdConv 卷积\u003c/li\u003e\n        \u003cli\u003eODConv 卷积\u003c/li\u003e\n        \u003cli\u003ePinwheelConv 卷积\u003c/li\u003e\n        \u003cli\u003ePWConv 卷积\u003c/li\u003e\n        \u003cli\u003eRepConv 卷积\u003c/li\u003e\n        \u003cli\u003eRFAConv 卷积\u003c/li\u003e\n        \u003cli\u003eSAConv 卷积\u003c/li\u003e\n        \u003cli\u003eSCConv 卷积\u003c/li\u003e\n        \u003cli\u003eShiftConv 卷积\u003c/li\u003e\n        \u003cli\u003eTBConv 卷积\u003c/li\u003e\n        \u003cli\u003eRFAConv 卷积\u003c/li\u003e\n        \u003cli\u003eSPConv 卷积\u003c/li\u003e\n        \u003cli\u003eTVConv 卷积\u003c/li\u003e\n        ...\n        \u003cli\u003e更多卷积改进更新中\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eDynamicATSS 标签分配策略\u003c/li\u003e\n        \u003cli\u003eATSS 标签分配策略\u003c/li\u003e\n        \u003cli\u003eTAL 标签分配策略\u003c/li\u003e\n        \u003cli\u003eSimOTA 标签分配策略\u003c/li\u003e\n        \u003cli\u003ev5LA 标签分配策略\u003c/li\u003e\n        \u003cli\u003ev6LA 标签分配策略\u003c/li\u003e\n        \u003cli\u003ev7OTA 标签分配策略\u003c/li\u003e\n        \u003cli\u003eNMS free 标签分配策略\u003c/li\u003e\n        \u003cli\u003eVariFocalNet 标签分配策略\u003c/li\u003e\n        \u003cli\u003eYOLO11-NanoDet 标签分配策略\u003c/li\u003e\n        \u003cli\u003eGFL 标签分配策略\u003c/li\u003e\n        \u003cli\u003eYOLO11-DotD 标签分配策略\u003c/li\u003e\n        \u003cli\u003eYOLO11-SimD 标签分配策略\u003c/li\u003e\n        \u003cli\u003ev10LA 标签分配策略\u003c/li\u003e\n        \u003cli\u003e更多Label Alignment不同标签分配策略改进更新中\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cul\u003e\n          \u003cli\u003eAdaptiveHead\u003c/li\u003e\n          \u003cli\u003eARHead\u003c/li\u003e\n          \u003cli\u003eAsDDet\u003c/li\u003e\n          \u003cli\u003eDynaConvHead\u003c/li\u003e\n          \u003cli\u003eDynamicHead\u003c/li\u003e\n          \u003cli\u003eImplicitHead\u003c/li\u003e\n          \u003cli\u003eLiteShiftHead\u003c/li\u003e\n          \u003cli\u003eSERDet\u003c/li\u003e\n          \u003cli\u003eShareSepHead\u003c/li\u003e\n          \u003cli\u003eCoordHead\u003c/li\u003e\n          \u003cli\u003eDOHead\u003c/li\u003e\n          \u003cli\u003edrhead\u003c/li\u003e\n          \u003cli\u003eDSHead\u003c/li\u003e\n          \u003cli\u003eDYHead\u003c/li\u003e\n          \u003cli\u003eGSHead\u003c/li\u003e\n          \u003cli\u003eLADH\u003c/li\u003e\n          \u003cli\u003eLDHead\u003c/li\u003e\n          \u003cli\u003eODHead\u003c/li\u003e\n          \u003cli\u003ePinwheelHead\u003c/li\u003e\n          \u003cli\u003epwhead\u003c/li\u003e\n          \u003cli\u003eRFAHead\u003c/li\u003e\n          \u003cli\u003eSAUHead\u003c/li\u003e\n          \u003cli\u003eSCHead\u003c/li\u003e\n          \u003cli\u003eSPHead\u003c/li\u003e\n          \u003cli\u003eTBHead\u003c/li\u003e\n          ...\n          \u003cli\u003e更多检测头改进更新中\u003c/li\u003e\n        \u003c/ul\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n\u003c/td\u003e\n    \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\n\u003c/details\u003e\n\n\u003cdiv align=\"center\"\u003e\n  \u003cb\u003eultralyticsPro Structural Module Components\u003c/b\u003e\n\u003c/div\u003e\n\u003ctable align=\"center\"\u003e\n  \u003ctbody\u003e\n    \u003ctr align=\"center\" valign=\"bottom\"\u003e\n      \u003ctd\u003e\n        \u003cb\u003eBackbones 主干特征提取网络\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003eNecks 特征融合网络\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003eIoU Loss 损失函数改进\u003c/b\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n    \u003ctr valign=\"top\"\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eCFNet 系列\u003c/li\u003e\n        \u003cli\u003eSwin transformer 系列\u003c/li\u003e\n        \u003cli\u003eSwinv2 transformer 系列\u003c/li\u003e\n        \u003cli\u003eBiFormer 系列\u003c/li\u003e\n        \u003cli\u003eFasterNeXt 系列\u003c/li\u003e\n        \u003cli\u003eGhostNet 系列\u003c/li\u003e\n        \u003cli\u003eEfficentNet 系列\u003c/li\u003e\n        \u003cli\u003eDAMOYOLO 系列\u003c/li\u003e\n        \u003cli\u003eQARepNeXt 系列\u003c/li\u003e\n        \u003cli\u003eMAE 系列\u003c/li\u003e\n        \u003cli\u003eConvNeXtv2 系列\u003c/li\u003e\n        \u003cli\u003eMobileVit 系列\u003c/li\u003e\n        \u003cli\u003eMobileVitv2 系列\u003c/li\u003e\n        \u003cli\u003eMobileVitv3 系列\u003c/li\u003e\n        \u003cli\u003eConv2Former 系列\u003c/li\u003e\n        \u003cli\u003eInceptionNeXt 系列\u003c/li\u003e\n        \u003cli\u003eRepLKNet 系列\u003c/li\u003e\n        \u003cli\u003eDenseNet 系列\u003c/li\u003e\n        \u003cli\u003eRepGhostNet 系列\u003c/li\u003e\n        \u003cli\u003ePPHGNetv2 系列\u003c/li\u003e\n        \u003cli\u003eLEF 系列\u003c/li\u003e\n        \u003cli\u003eEfficentNetv2 系列\u003c/li\u003e\n        \u003cli\u003eGhostNetv2 系列\u003c/li\u003e\n        \u003cli\u003ePvTtransformer 系列\u003c/li\u003e\n        \u003cli\u003eUniRepLKNet 系列\u003c/li\u003e\n        \u003cli\u003eCFPNet 系列\u003c/li\u003e\n        \u003cli\u003eMSBlock 系列\u003c/li\u003e\n        \u003cli\u003eQARep 系列\u003c/li\u003e\n        \u003cli\u003eMobileOne 系列\u003c/li\u003e\n        \u003cli\u003eEMO 系列\u003c/li\u003e\n        \u003cli\u003eAcMix 系列\u003c/li\u003e\n        \u003cli\u003eCIB 系列\u003c/li\u003e\n        \u003cli\u003eELAN 系列\u003c/li\u003e\n        \u003cli\u003eGCNet 系列\u003c/li\u003e\n        \u003cli\u003eELAN 系列\u003c/li\u003e\n        \u003cli\u003eRepHELAN 系列\u003c/li\u003e\n        \u003cli\u003eCSPDarkNet系列\u003c/li\u003e\n        \u003cli\u003eHorNet系列\u003c/li\u003e\n        \u003cli\u003eResNet系列\u003c/li\u003e\n        \u003cli\u003eRegNet系列\u003c/li\u003e\n        \u003cli\u003eShuffleNet系列\u003c/li\u003e\n        \u003cli\u003eMobileNet系列\u003c/li\u003e\n        \u003cli\u003eConvNext系列\u003c/li\u003e\n        \u003cli\u003eRepVGG系列\u003c/li\u003e\n        \u003cli\u003etransformer系列\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eGather-and-Distribute机制\u003c/li\u003e\n        \u003cli\u003eLowlevel Feature Alignment机制\u003c/li\u003e\n        \u003cli\u003eHFAMPAN机制\u003c/li\u003e\n        \u003cli\u003eRepNCSPFPN结构\u003c/li\u003e\n        \u003cli\u003eRepBiSF结构\u003c/li\u003e\n        \u003cli\u003eScale-sequence-feature-fusion结构\u003c/li\u003e\n        \u003cli\u003eCCFM重构跨尺度特征结构\u003c/li\u003e\n        \u003cli\u003eMulti-Branch Auxiliary FPN结构\u003c/li\u003e\n        \u003cli\u003eAFPN 结构\u003c/li\u003e\n        \u003cli\u003eEffQAFPN 结构\u003c/li\u003e\n        \u003cli\u003eFFD 结构\u003c/li\u003e\n        \u003cli\u003eNNeck 结构\u003c/li\u003e\n        \u003cli\u003eRepBiFPN 结构\u003c/li\u003e\n        \u003cli\u003eRT 结构\u003c/li\u003e\n        \u003cli\u003eSAAPAN 结构\u003c/li\u003e\n        \u003cli\u003eSAH 结构\u003c/li\u003e\n        \u003cli\u003eSAF 结构\u003c/li\u003e\n        \u003cli\u003eAAF 结构\u003c/li\u003e\n        \u003cli\u003eRepPAN 结构\u003c/li\u003e\n        \u003cli\u003eBiFPN 结构\u003c/li\u003e\n        \u003cli\u003etest 结构\u003c/li\u003e\n        \u003cli\u003eSlimNeck 结构\u003c/li\u003e\n        \u003cli\u003eELANPAN 结构\u003c/li\u003e\n        \u003cli\u003eGSNeck 结构\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cul\u003e\n          \u003cli\u003eGWD Loss\u003c/li\u003e\n          \u003cli\u003eGMID\u003c/li\u003e\n          \u003cli\u003eGMDLoss\u003c/li\u003e\n          \u003cli\u003eRepulsionLoss\u003c/li\u003e\n          \u003cli\u003eGJLoss\u003c/li\u003e\n          \u003cli\u003eGCDLoss\u003c/li\u003e\n          \u003cli\u003eEGDLoss\u003c/li\u003e\n          \u003cli\u003eNWD Loss\u003c/li\u003e\n          \u003cli\u003eXIoU \u003c/li\u003e\n          \u003cli\u003eEfficIoU\u003c/li\u003e\n          \u003cli\u003eMPDIoU\u003c/li\u003e\n          \u003cli\u003eShape-IoU\u003c/li\u003e\n          \u003cli\u003eSIoU\u003c/li\u003e\n          \u003cli\u003ePIoU\u003c/li\u003e\n          \u003cli\u003ePIoUv2\u003c/li\u003e\n          \u003cli\u003eWIoU\u003c/li\u003e\n          \u003cli\u003eWIoUv2\u003c/li\u003e\n          \u003cli\u003eWIoUv3\u003c/li\u003e\n          \u003cli\u003eEIoU\u003c/li\u003e\n          \u003cli\u003ealpha IOU\u003c/li\u003e    \n          \u003cli\u003eCIoU\u003c/li\u003e\n          \u003cli\u003eDIoU\u003c/li\u003e\n          \u003cli\u003eGIoU\u003c/li\u003e\n          \u003cli\u003eFocal_XIoU 系列几十种\u003c/li\u003e\n          \u003cli\u003eFocaler_XIoU 系列 几十种\u003c/li\u003e\n          \u003cli\u003eFocal_Focaler_XIoU 系列 几十种\u003c/li\u003e\n          \u003cli\u003eInner_XIoU 系列 几十种\u003c/li\u003e\n          \u003cli\u003eFocal_Inner_XIoU 系列 几十种\u003c/li\u003e\n          \u003cli\u003eUIoU\u003c/li\u003e\n          \u003cli\u003eSDIoU\u003c/li\u003e\n          ...\n        \u003c/ul\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n\u003c/td\u003e\n    \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\n\u003c/details\u003e\n\n\u003cdiv align=\"center\"\u003e\n  \u003cb\u003eultralyticsPro Module Components\u003c/b\u003e\n\u003c/div\u003e\n\u003ctable align=\"center\"\u003e\n  \u003ctbody\u003e\n    \u003ctr align=\"center\" valign=\"bottom\"\u003e\n      \u003ctd\u003e\n        \u003cb\u003eAttention注意力机制\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003e分类 Loss\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003eNMS\u003c/b\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n    \u003ctr valign=\"top\"\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eSelf Attention\u003c/li\u003e\n        \u003cli\u003eContextual Transformer\u003c/li\u003e\n        \u003cli\u003eBottleneck Transformer\u003c/li\u003e\n        \u003cli\u003eS2-MLP Attention\u003c/li\u003e\n        \u003cli\u003eAxialAttention\u003c/li\u003e\n        \u003cli\u003eDANet\u003c/li\u003e\n        \u003cli\u003eDoubleAttention\u003c/li\u003e\n        \u003cli\u003eGlobalContextBlock\u003c/li\u003e\n        \u003cli\u003eParNetAttention\u003c/li\u003e\n        \u003cli\u003ePolarizedSelfAttention\u003c/li\u003e\n        \u003cli\u003eSpatialGroupEnhance copy\u003c/li\u003e\n        \u003cli\u003eTripletAttention\u003c/li\u003e\n        \u003cli\u003eSK Attention\u003c/li\u003e\n        \u003cli\u003eCBAM Attention\u003c/li\u003e\n        \u003cli\u003eSE Attention\u003c/li\u003e\n        \u003cli\u003eCoordinate attention\u003c/li\u003e\n        \u003cli\u003eNAM Attention\u003c/li\u003e\n        \u003cli\u003eGAM Attention\u003c/li\u003e\n        \u003cli\u003eECA Attention\u003c/li\u003e\n        \u003cli\u003eShuffle Attention\u003c/li\u003e\n        \u003cli\u003eCrissCrossAttention\u003c/li\u003e\n        \u003cli\u003eSOCAttention\u003c/li\u003e\n        \u003cli\u003eSimAM Attention\u003c/li\u003e\n        \u003cli\u003eCrissCrossAttention\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n      \u003cul\u003e\n        \u003cli\u003eMatchingAwareLoss\u003c/li\u003e\n        \u003cli\u003eFocalLoss\u003c/li\u003e\n        \u003cli\u003ePolyLoss\u003c/li\u003e\n        \u003cli\u003eQFocalLoss\u003c/li\u003e\n        \u003cli\u003eVariFocalLoss\u003c/li\u003e\n        \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cul\u003e \n          \u003cli\u003eNMS\u003c/li\u003e\n          \u003cli\u003eXIoU_NMS\u003c/li\u003e      \n          \u003cli\u003eEfficIoU_NMS\u003c/li\u003e            \n          \u003cli\u003eMerge-NMS\u003c/li\u003e\n          \u003cli\u003eSoft-NMS\u003c/li\u003e\n          \u003cli\u003eCIoU_NMS\u003c/li\u003e\n          \u003cli\u003eDIoU_NMS\u003c/li\u003e\n          \u003cli\u003eGIoU_NMS\u003c/li\u003e  \n          \u003cli\u003eEIoU_NMS\u003c/li\u003e  \n          \u003cli\u003eSIoU_NMS\u003c/li\u003e\n          \u003cli\u003e特征金字塔结构改进\u003c/li\u003e\n          \u003cli\u003eSPP\u003c/li\u003e\n          \u003cli\u003eSPPF\u003c/li\u003e\n          \u003cli\u003eASPP\u003c/li\u003e\n          \u003cli\u003eRFB\u003c/li\u003e\n          \u003cli\u003eSPPCSPC\u003c/li\u003e\n          \u003cli\u003eSPPFCSPC\u003c/li\u003e\n          \u003cli\u003eSimSPPF\u003c/li\u003e\n      \u003c/ul\u003e\n      \u003c/td\u003e  \n        \u003c/ul\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n\u003c/td\u003e\n    \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\n\u003c/details\u003e\n\n\n\u003cdiv align=\"center\"\u003e\n  \u003cb\u003eultralyticsPro Module Components\u003c/b\u003e\n\u003c/div\u003e\n\u003ctable align=\"center\"\u003e\n  \u003ctbody\u003e\n    \u003ctr align=\"center\" valign=\"bottom\"\u003e\n      \u003ctd\u003e\n        \u003cb\u003e一个yaml文件集成多个创新点组合改进,包含3-5个创新点改进，一键进行实验训练改进\u003c/b\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cb\u003e一个yaml文件集成多个创新点组合改进,包含3-5个创新点改进，一键进行实验训练改进\u003c/b\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n    \u003ctr valign=\"top\"\u003e\n      \u003ctd\u003e\n        \u003cul\u003e\n          \u003cli\u003eAdaptiveHead_SDIoU_RCSOSA_SAFPN\u003c/li\u003e\n          \u003cli\u003eARConv_RepulsionLoss_AdaptiveHead_DCNv4Neck_DynamicATSS\u003c/li\u003e\n          \u003cli\u003eARConv_RepulsionLoss_DCNv4Neck_DynamicATSS\u003c/li\u003e\n          \u003cli\u003eARConv_SDIoU_DCNv4Neck_ATSS\u003c/li\u003e\n          \u003cli\u003eDCNv4_RepulsionLoss_DCNv3Neck_ATSS\u003c/li\u003e\n          \u003cli\u003eDCNv4_RepulsionLoss_DCNv3Neck_DynamicATSS\u003c/li\u003e\n          \u003cli\u003ePinwheelConv_SSFF_RepulsionLoss_AdaptiveHead\u003c/li\u003e\n          \u003cli\u003eRCSOSA_SAFPN_SDIoU\u003c/li\u003e\n          \u003cli\u003eSAFPN_XIoU_AdaptiveHead_dynamicATSS\u003c/li\u003e\n          \u003cli\u003eYOLO11_SAFPN_XIoU_AsDDet_dynamicATSS\u003c/li\u003e\n          \u003cli\u003eYOLO11_SAFPN_XIoU_LADH_dynamicATSS\u003c/li\u003e\n          \u003cli\u003eYOLO11_ShiftLargeConv_EfficIoU_AdaptiveHead_DynamicATSS\u003c/li\u003e\n          \u003cli\u003eYOLO11_ShiftLargeConv_SDIoU_AdaptiveHead_DynamicATSS\u003c/li\u003e\n          \u003cli\u003eAFPN-ARConv-LADH-SIoU\u003c/li\u003e\n          \u003cli\u003eAFPN-CDCNv4-LADH-SIoU\u003c/li\u003e\n          \u003cli\u003eAFPN-LADH-SIoU\u003c/li\u003e\n          \u003cli\u003eAFPN-MSBlock-CDCNv4-XIoU-DynamicATSS-FocalLoss\u003c/li\u003e\n          \u003cli\u003eAFPN-MSBlock-XIoU-DynamicATSS-FocalLoss\u003c/li\u003e\n          \u003cli\u003eAFPN-MSBlock-XIoU-DynamicATSS\u003c/li\u003e\n          \u003cli\u003eCk2_DSC-LADH-MPDIoU\u003c/li\u003e\n          \u003cli\u003edcnv2-gwd-AdaptiveHead\u003c/li\u003e\n          \u003cli\u003edcnv3-EfficIoU-AdaptiveHead\u003c/li\u003e\n          \u003cli\u003edcnv4-DynamicATSS-FocalLoss-AsDDet\u003c/li\u003e\n          \u003cli\u003edoconv-ATSS-EfficIoU\u003c/li\u003e\n          \u003cli\u003edoconv-ATSS-XIoU-DOHead\u003c/li\u003e\n          \u003cli\u003eDR_3k2-NWD-AsDDet\u003c/li\u003e\n          \u003cli\u003edsconv-adaptivehead-gwdloss\u003c/li\u003e\n          \u003cli\u003eDynamic_3k2-DYHead-SDIoU\u003c/li\u003e\n          \u003cli\u003eDynamicATSS-DynamicHead-XIoU-PolyLoss\u003c/li\u003e\n          \u003cli\u003eDynamicATSS-DynamicHead-XIoU-VariFocalLoss\u003c/li\u003e\n          \u003cli\u003eDynamicATSS-DynamicHead-XIoU\u003c/li\u003e\n          \u003cli\u003eEffQAFPN-ARHead-NWD\u003c/li\u003e\n          \u003cli\u003eEffQAFPN-CPNMSB-SIoU-DynamicATSS-PolyLoss\u003c/li\u003e\n          \u003cli\u003eEffQAFPN-CPNMSB-SIoU-DynamicATSS\u003c/li\u003e\n          \u003cli\u003eEffQAFPN-LADH-NWD\u003c/li\u003e\n          \u003cli\u003eGather-and-Distribute-ARConv-ARHead\u003c/li\u003e\n          \u003cli\u003eGather-and-Distribute-LiteShiftHead-Shape-IoU-ATSS\u003c/li\u003e\n          \u003cli\u003eGather-and-Distribute\u003c/li\u003e\n          \u003cli\u003eGS_3k2-SSFF-ARHead\u003c/li\u003e\n          \u003cli\u003egsconv-RepulsionLoss-AdaptiveHead-DynamicATSS\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-AdaptiveHead-CPNMSB-EfficIoU\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-AsDDet-NWD\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-CDCNv3-AsDDet-NWD\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-CPNMSB-WIoU\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-GS_3k2-AsDDet-NWD\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-LiteShiftHead-PIoU\u003c/li\u003e\n          \u003cli\u003eODConv-HFAMPAN-AsDDet-NWD\u003c/li\u003e\n          \u003cli\u003eodconv-LADH-MPDIoU\u003c/li\u003e\n          \u003cli\u003e多个创新点组合改进持续更新中...\u003c/li\u003e\n          \u003cli\u003e...\u003c/li\u003e\n        \u003c/ul\u003e\n      \u003c/td\u003e\n      \u003ctd\u003e\n        \u003cul\u003e\n          \u003cli\u003eodconv-SDIoU-ODHead\u003c/li\u003e\n          \u003cli\u003epinwheelConv_RepulsionLoss_AdaptiveHead_DCNv4Neck_DynamicATSS\u003c/li\u003e\n          \u003cli\u003epinwheelConv_SDIoU_DCNv4Neck_ATSS\u003c/li\u003e\n          \u003cli\u003epinwheelConv-LADH-WIoU\u003c/li\u003e\n          \u003cli\u003ePW_3k2-WIoU-PWHead\u003c/li\u003e\n          \u003cli\u003ePWConv_SAFPN_SDIoU_AdaptiveHead_DynamicATSS\u003c/li\u003e\n          \u003cli\u003epwconv-NWD-AsDDet\u003c/li\u003e\n          \u003cli\u003eRepBiFPN-AsDDet-DynamicATSS\u003c/li\u003e\n          \u003cli\u003eRepBiFPN-AsDDet-GWDLoss\u003c/li\u003e\n          \u003cli\u003eRepBiFPN-AsDDet\u003c/li\u003e\n          \u003cli\u003eRepBISF-CPNGhost-EIoU\u003c/li\u003e\n          \u003cli\u003eRepBISF-LiteShiftHead-ARConv\u003c/li\u003e\n          \u003cli\u003eRepBISF-LiteShiftHead-GWDLoss\u003c/li\u003e\n          \u003cli\u003erepconv-nwd-ARHead\u003c/li\u003e\n          \u003cli\u003eRepFPN-XIoU-LiteShiftHead\u003c/li\u003e\n          \u003cli\u003eRepNCSPFPN-ARConv-XIoU-LADH-QFocalLoss\u003c/li\u003e\n          \u003cli\u003eRepNCSPFPN-LiteShiftHead-WIoU\u003c/li\u003e\n          \u003cli\u003eRepNCSPFPN-XIoU-LADH-QFocalLoss\u003c/li\u003e\n          \u003cli\u003eRepNCSPFPN-XIoU-LADH\u003c/li\u003e\n          \u003cli\u003erfaconv-adaptivehead-gwd\u003c/li\u003e\n          \u003cli\u003erfaconv-adaptivehead-gwdloss-dynamicatss\u003c/li\u003e\n          \u003cli\u003erfaconv-adaptivehead\u003c/li\u003e\n          \u003cli\u003esaconv-safpn-xiou-SAHead\u003c/li\u003e\n          \u003cli\u003esaconv-safpn-xiou\u003c/li\u003e\n          \u003cli\u003escconv-RepBISF-SIoU\u003c/li\u003e\n          \u003cli\u003escconv-RepBISF\u003c/li\u003e\n          \u003cli\u003escconv-XIoU\u003c/li\u003e\n          \u003cli\u003eShiftLargeConv_Focal_SIoU_AdaptiveHead_DynamicATSS\u003c/li\u003e\n          \u003cli\u003eshiftlargeconv-RepNCSPFPN-XIoU-LADH-QFocalLoss\u003c/li\u003e\n          \u003cli\u003eSP_3k2-LADH-MPDIoU\u003c/li\u003e\n          \u003cli\u003eSP_3k2-SDIoU-SPHead\u003c/li\u003e\n          \u003cli\u003espconv-nwd-ssff\u003c/li\u003e\n          \u003cli\u003eSSFF-ARHead-CDCNv4-AR-3k2\u003c/li\u003e\n          \u003cli\u003eSSFF-LiteShiftHead-GWDLoss\u003c/li\u003e\n          \u003cli\u003eSSFF-LiteShiftHead-XIoU\u003c/li\u003e\n          \u003cli\u003eSSFF-LiteShiftHead\u003c/li\u003e\n          \u003cli\u003eTBConv_SAFPN_SDIoU_AdaptiveHead_DynamicATSS\u003c/li\u003e\n          \u003cli\u003etbconv-TBHead-UIoU\u003c/li\u003e\n          \u003cli\u003etbconv-TBHead\u003c/li\u003e\n          \u003cli\u003eHFAMPAN-LiteShiftHead-Shape-IoU-ATSS\u003c/li\u003e\n          \u003cli\u003eldconv-LADH-MPDIoU\u003c/li\u003e\n          \u003cli\u003eldconv-RepulsionLoss-AdaptiveHead-ATSS\u003c/li\u003e\n          \u003cli\u003eldconv\u003c/li\u003e\n          \u003cli\u003eLowlevelFeatureAlignment-ARConv-ARHead\u003c/li\u003e\n          \u003cli\u003eLowlevelFeatureAlignment-ARConv-XIoU\u003c/li\u003e\n          \u003cli\u003eLowlevelFeatureAlignment-GWDLoss-AdaptiveHead\u003c/li\u003e\n          \u003cli\u003eLowlevelFeatureAlignment\u003c/li\u003e\n          \u003cli\u003e多个创新点组合改进持续更新中...\u003c/li\u003e\n        \u003c/ul\u003e\n      \u003c/td\u003e\n    \u003c/tr\u003e\n\u003c/td\u003e\n    \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003c/details\u003e\n\n\n\u003cdetails\u003e\n\n🚀支持更多Backbone\n\n-  以及其他trans系列\n持续更新中🎈🚀🚀🚀\n注: (ultralyticsPro(Beta)🔥 已经完成更新 20+ 种Transformer系列主干网络、多种MLP网络 以及 绝大部分重参数化结构模型网络)\n\n🚀支持更多Neck\n- FPN  \n 持续更新中🎈\n\n🚀支持更多检测头Head  \n-  XX Head检测头;\n-  其他不同检测头\n\n🚀支持更多即插即用的注意力机制Attention\n- 在网络任何部分即插即用式使用注意力机制\n- SOCAttention  \n- SimAM Attention \n持续更新中🎈  \n\n🚀更多空间金字塔池化结构  \n- SPP\n- SPPF\n- ASPP\n- RFB\n- SPPCSPC  \n- SPPFCSPC  \n- SimSPPF\n持续更新中🎈    \n\n🚀支持更多Loss   \n- ComputeLoss  \n \n- 其他Loss\n\n🚀支持 Anchor-base 和 Anchor-Free  \n\n🚀支持多种标签分配策略  \n- Multi Anchor策略\n- YOLOv5 标签分配策略\n- SimOTA 标签分配策略\n- YOLOv7 标签分配策略\n- AutoAssign 标签分配策略🌟\n- Dual Weighting 标签分配策略🌟\n- FreeAnchor 标签分配策略🌟\n- 其他改进的标签分配策略\n持续更新中🎈\n\n🚀 内置多种网络模型模块化组件  \nConv, GhostConv\n\n🚀支持更多IoU损失函数  \n- CIoU  \n- DIoU   \n持续更新中🎈    \n\n🚀支持更多NMS  \n- NMS  \n- MergeNMS \n  \n持续更新中🎈    \n\n🚀支持更多数据增强  \n- Mosaic、Copy paste、Random affine(Rotation, Scale, Translation and Shear)、MixUp、Augment HSV(Hue, Saturation, Value、Random horizontal flip  \n\n\u003c/details\u003e\n\n\n以上组件模块使用统一模型代码框架、统一任务形式、统一应用方式，**模块组件化**🚀 可以帮助用户自定义快速组合Backbone、Neck、Head，使得网络模型多样化，助力科研改进检测算法，构建更强大的网络模型。\n\n______________________________________________________________________\n\n\n### 支持多任务改进🚀\n\n包括 目标检测、图像分割、姿态估计、图像分类、旋转检测、目标跟踪等任务\n\n\n## 使用🍉\n\n### 安装\n\n在**Python\u003e=3.9.0** 的环境中克隆版本仓并安装 requirements.txt，包括**PyTorch\u003e=1.7**。\n\n```bash\n$ cd ultralyticsPro\n$ pip install -r res.txt  # 安装\n```\n\n### 训练\n\n```bash\n$ python train.py ultralytics/cfg_yolo11/YOLO11/yolo11.yaml\n```\n\n### 推理\n\n`detect.py` 在各种数据源上运行推理, 并将检测结果保存到 `runs/detect` 目录。\n\n```bash\n$ python predict.py\n```\n\n----------\n\n### Autodl云服务器GPU镜像, 无需配置环境, 一键运行YOLO系列训练、推理、改进🚀\n\n**官方YOLO系列版本模型镜像-YOLO11、YOLOv8、YOLOv10、YOLOv9、YOLOv7、YOLOv5以及RT-DETR模型**\n\n最新稳定版本，环境已经配置好，可一键运行YOLO系列训练、推理、改进\n\n官方YOLO11镜像：[ultralytics/YOLO11: 官方YOLO11最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/i/ultralytics/ultralytics/YOLO11)\n\n官方YOLOv8镜像：[ultralytics/YOLOv8: 官方YOLOv8最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/i/ultralytics/ultralytics/YOLOv8)\n\n官方YOLOv10镜像：[THU-MIG/yolov10: 官方YOLOv10项目 最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/i/THU-MIG/yolov10/main)\n\n官方YOLOv9镜像：[官方YOLOv9代码：WongKinYiu/yolov9一键训练官方YOLOv9模型](https://www.codewithgpu.com/i/WongKinYiu/yolov9/main)\n\n官方YOLOv7镜像：[官方YOLOv7项目代码：最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/i/WongKinYiu/yolov7/yolov7)\n\n官方 YOLOv5 镜像：[ultralytics/yolov5: 官方YOLOv5项目 最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/i/ultralytics/yolov5/v5)\n\n\nU版 RT-DETR 镜像：[ultralytics/RTDETR: U版 RT-DET项目 最新稳定版本，可一键运行训练\u0026推理\u0026改进](https://www.codewithgpu.com/u/iscyy)\n\n______________________________________________________________________\n\n\n\n### YOLO系列改进教程✨\n\n\n\n### 未来增强✨\n后续会持续更新 ultralyticsPro 改进内容  \n完善集成更多 YOLO 系列改进模型，持续结合不同模块，构建更多不同网络模型    \n\n______________________________________________________________________\n\n## Citation✨\n\n```python\n@article{2025ultralyticsPro,\n  title={{ultralyticsPro}: Makes improvements easy again},\n  author={iscyy},\n  repo={github https://github.com/iscyy/ultralyticsPro},\n  year={2025}\n}\n```\n\n## Statement\n\u003cdetails\u003e\u003csummary\u003e \u003cb\u003eExpand\u003c/b\u003e \u003c/summary\u003e\n\n* If you have any question, please discuss with me by sending email.\n\n\u003c/details\u003e\n\n## Acknowledgements\n\n\u003cdetails\u003e\u003csummary\u003e \u003cb\u003eExpand\u003c/b\u003e \u003c/summary\u003e\n\n[https://github.com/ultralytics/ultralytics](https://github.com/ultralytics/ultralytics)  \n\n\u003c/details\u003e\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fiscyy%2FultralyticsPro","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fiscyy%2FultralyticsPro","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fiscyy%2FultralyticsPro/lists"}