🔥🔥🔥 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🚀
🌟 全新的YOLO系列改进项目ultralyticsPro 来袭，最新改进点更新🚀2025
🍉🍉🍉如何获取YOLO改进的完整版代码? 2434798737 ，或者点击链接 通过 👉bilibili哔哩哔哩 私信, 进行项目订阅 ultralyticsPro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
改进项目合集（改进哪个模型订阅哪个模型即可，订阅后可以看对应的《完整版改进内容》，比如改进 YOLO11 项目，订阅以下 YOLO11 项目即可）
🍉 - ultralyticsPro系列 - 芒果 YOLOv8 改进项目 👉 内测价￥129
🍇 - ultralyticsPro系列 - 芒果 YOLO11 改进项目 👉 内测价￥69
🍈 - ultralyticsPro系列 - 芒果 YOLOv10 改进项目 👉 内测价￥89
🍌 - ultralyticsPro系列 - 芒果 RT-DETR 改进项目 👉 内测价￥59
🍈 - ultralyticsPro系列 - 芒果 YOLOv7 改进项目 👉 内测价￥89
🍌 - ultralyticsPro系列 - 芒果 YOLOv5 改进项目 👉 内测价￥89
订阅方式：联系QQ：2434798737 或者 👉bilibili哔哩哔哩 私信
本项目持续维护，持续更新原创内容
该项目基于 官方的 ultralytics
配套bilibili视频教程链接：bilibili: 芒果学AI （可 bilibili 私信）
🍈《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
🍉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
🏅️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 私信
🚀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
🍌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
🌰新增以《视频教程》辅助来说明应该怎么改
🌟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
🍊重点：支持该项目相关改进的答疑服务
bilibili视频教程链接：bilibili: https://space.bilibili.com/1532780812 （可 bilibili 私信）
更多视频看 哔哩哔哩：芒果学AI🎈
需要订阅的联系QQ：2434798737
如果QQ加不上，可以（点击链接 通过 👉bilibili哔哩哔哩 私信，留下你的QQ并备注订阅YOLO改进项目
本项目持续维护，持续更新原创内容
🚀支持更多的YOLO系列算法模型改进(持续更新...)
ultralyticsPro 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:
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...
🚀支持更多的网络模型组件
ultralyticsPro Structural Module Components
不同Conv卷积 模块改进
Label Alignment 不同标签分配策略 改进
Head检测头
ARConv自适应旋转 卷积
DCNv4 卷积
DCNv3 卷积
DCNv2 卷积
DoConv 卷积
DRConv 卷积
DSConv 卷积
DyConv 卷积
GSConv 卷积
LdConv 卷积
ODConv 卷积
PinwheelConv 卷积
PWConv 卷积
RepConv 卷积
RFAConv 卷积
SAConv 卷积
SCConv 卷积
ShiftConv 卷积
TBConv 卷积
RFAConv 卷积
SPConv 卷积
TVConv 卷积
...
更多卷积改进更新中
DynamicATSS 标签分配策略
ATSS 标签分配策略
TAL 标签分配策略
SimOTA 标签分配策略
v5LA 标签分配策略
v6LA 标签分配策略
v7OTA 标签分配策略
NMS free 标签分配策略
VariFocalNet 标签分配策略
YOLO11-NanoDet 标签分配策略
GFL 标签分配策略
YOLO11-DotD 标签分配策略
YOLO11-SimD 标签分配策略
v10LA 标签分配策略
更多Label Alignment不同标签分配策略改进更新中
AdaptiveHead
ARHead
AsDDet
DynaConvHead
DynamicHead
ImplicitHead
LiteShiftHead
SERDet
ShareSepHead
CoordHead
DOHead
drhead
DSHead
DYHead
GSHead
LADH
LDHead
ODHead
PinwheelHead
pwhead
RFAHead
SAUHead
SCHead
SPHead
TBHead
...
更多检测头改进更新中
ultralyticsPro Structural Module Components
Backbones 主干特征提取网络
Necks 特征融合网络
IoU Loss 损失函数改进
CFNet 系列
Swin transformer 系列
Swinv2 transformer 系列
BiFormer 系列
FasterNeXt 系列
GhostNet 系列
EfficentNet 系列
DAMOYOLO 系列
QARepNeXt 系列
MAE 系列
ConvNeXtv2 系列
MobileVit 系列
MobileVitv2 系列
MobileVitv3 系列
Conv2Former 系列
InceptionNeXt 系列
RepLKNet 系列
DenseNet 系列
RepGhostNet 系列
PPHGNetv2 系列
LEF 系列
EfficentNetv2 系列
GhostNetv2 系列
PvTtransformer 系列
UniRepLKNet 系列
CFPNet 系列
MSBlock 系列
QARep 系列
MobileOne 系列
EMO 系列
AcMix 系列
CIB 系列
ELAN 系列
GCNet 系列
ELAN 系列
RepHELAN 系列
CSPDarkNet系列
HorNet系列
ResNet系列
RegNet系列
ShuffleNet系列
MobileNet系列
ConvNext系列
RepVGG系列
transformer系列
Gather-and-Distribute机制
Lowlevel Feature Alignment机制
HFAMPAN机制
RepNCSPFPN结构
RepBiSF结构
Scale-sequence-feature-fusion结构
CCFM重构跨尺度特征结构
Multi-Branch Auxiliary FPN结构
AFPN 结构
EffQAFPN 结构
FFD 结构
NNeck 结构
RepBiFPN 结构
RT 结构
SAAPAN 结构
SAH 结构
SAF 结构
AAF 结构
RepPAN 结构
BiFPN 结构
test 结构
SlimNeck 结构
ELANPAN 结构
GSNeck 结构
GWD Loss
GMID
GMDLoss
RepulsionLoss
GJLoss
GCDLoss
EGDLoss
NWD Loss
XIoU
EfficIoU
MPDIoU
Shape-IoU
SIoU
PIoU
PIoUv2
WIoU
WIoUv2
WIoUv3
EIoU
alpha IOU
CIoU
DIoU
GIoU
Focal_XIoU 系列几十种
Focaler_XIoU 系列 几十种
Focal_Focaler_XIoU 系列 几十种
Inner_XIoU 系列 几十种
Focal_Inner_XIoU 系列 几十种
UIoU
SDIoU
...
ultralyticsPro Module Components
Attention注意力机制
分类 Loss
NMS
Self Attention
Contextual Transformer
Bottleneck Transformer
S2-MLP Attention
AxialAttention
DANet
DoubleAttention
GlobalContextBlock
ParNetAttention
PolarizedSelfAttention
SpatialGroupEnhance copy
TripletAttention
SK Attention
CBAM Attention
SE Attention
Coordinate attention
NAM Attention
GAM Attention
ECA Attention
Shuffle Attention
CrissCrossAttention
SOCAttention
SimAM Attention
CrissCrossAttention
MatchingAwareLoss
FocalLoss
PolyLoss
QFocalLoss
VariFocalLoss
NMS
XIoU_NMS
EfficIoU_NMS
Merge-NMS
Soft-NMS
CIoU_NMS
DIoU_NMS
GIoU_NMS
EIoU_NMS
SIoU_NMS
特征金字塔结构改进
SPP
SPPF
ASPP
RFB
SPPCSPC
SPPFCSPC
SimSPPF
ultralyticsPro Module Components
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
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
AdaptiveHead_SDIoU_RCSOSA_SAFPN
ARConv_RepulsionLoss_AdaptiveHead_DCNv4Neck_DynamicATSS
ARConv_RepulsionLoss_DCNv4Neck_DynamicATSS
ARConv_SDIoU_DCNv4Neck_ATSS
DCNv4_RepulsionLoss_DCNv3Neck_ATSS
DCNv4_RepulsionLoss_DCNv3Neck_DynamicATSS
PinwheelConv_SSFF_RepulsionLoss_AdaptiveHead
RCSOSA_SAFPN_SDIoU
SAFPN_XIoU_AdaptiveHead_dynamicATSS
YOLO11_SAFPN_XIoU_AsDDet_dynamicATSS
YOLO11_SAFPN_XIoU_LADH_dynamicATSS
YOLO11_ShiftLargeConv_EfficIoU_AdaptiveHead_DynamicATSS
YOLO11_ShiftLargeConv_SDIoU_AdaptiveHead_DynamicATSS
AFPN-ARConv-LADH-SIoU
AFPN-CDCNv4-LADH-SIoU
AFPN-LADH-SIoU
AFPN-MSBlock-CDCNv4-XIoU-DynamicATSS-FocalLoss
AFPN-MSBlock-XIoU-DynamicATSS-FocalLoss
AFPN-MSBlock-XIoU-DynamicATSS
Ck2_DSC-LADH-MPDIoU
dcnv2-gwd-AdaptiveHead
dcnv3-EfficIoU-AdaptiveHead
dcnv4-DynamicATSS-FocalLoss-AsDDet
doconv-ATSS-EfficIoU
doconv-ATSS-XIoU-DOHead
DR_3k2-NWD-AsDDet
dsconv-adaptivehead-gwdloss
Dynamic_3k2-DYHead-SDIoU
DynamicATSS-DynamicHead-XIoU-PolyLoss
DynamicATSS-DynamicHead-XIoU-VariFocalLoss
DynamicATSS-DynamicHead-XIoU
EffQAFPN-ARHead-NWD
EffQAFPN-CPNMSB-SIoU-DynamicATSS-PolyLoss
EffQAFPN-CPNMSB-SIoU-DynamicATSS
EffQAFPN-LADH-NWD
Gather-and-Distribute-ARConv-ARHead
Gather-and-Distribute-LiteShiftHead-Shape-IoU-ATSS
Gather-and-Distribute
GS_3k2-SSFF-ARHead
gsconv-RepulsionLoss-AdaptiveHead-DynamicATSS
HFAMPAN-AdaptiveHead-CPNMSB-EfficIoU
HFAMPAN-AsDDet-NWD
HFAMPAN-CDCNv3-AsDDet-NWD
HFAMPAN-CPNMSB-WIoU
HFAMPAN-GS_3k2-AsDDet-NWD
HFAMPAN-LiteShiftHead-PIoU
ODConv-HFAMPAN-AsDDet-NWD
odconv-LADH-MPDIoU
多个创新点组合改进持续更新中...
...
odconv-SDIoU-ODHead
pinwheelConv_RepulsionLoss_AdaptiveHead_DCNv4Neck_DynamicATSS
pinwheelConv_SDIoU_DCNv4Neck_ATSS
pinwheelConv-LADH-WIoU
PW_3k2-WIoU-PWHead
PWConv_SAFPN_SDIoU_AdaptiveHead_DynamicATSS
pwconv-NWD-AsDDet
RepBiFPN-AsDDet-DynamicATSS
RepBiFPN-AsDDet-GWDLoss
RepBiFPN-AsDDet
RepBISF-CPNGhost-EIoU
RepBISF-LiteShiftHead-ARConv
RepBISF-LiteShiftHead-GWDLoss
repconv-nwd-ARHead
RepFPN-XIoU-LiteShiftHead
RepNCSPFPN-ARConv-XIoU-LADH-QFocalLoss
RepNCSPFPN-LiteShiftHead-WIoU
RepNCSPFPN-XIoU-LADH-QFocalLoss
RepNCSPFPN-XIoU-LADH
rfaconv-adaptivehead-gwd
rfaconv-adaptivehead-gwdloss-dynamicatss
rfaconv-adaptivehead
saconv-safpn-xiou-SAHead
saconv-safpn-xiou
scconv-RepBISF-SIoU
scconv-RepBISF
scconv-XIoU
ShiftLargeConv_Focal_SIoU_AdaptiveHead_DynamicATSS
shiftlargeconv-RepNCSPFPN-XIoU-LADH-QFocalLoss
SP_3k2-LADH-MPDIoU
SP_3k2-SDIoU-SPHead
spconv-nwd-ssff
SSFF-ARHead-CDCNv4-AR-3k2
SSFF-LiteShiftHead-GWDLoss
SSFF-LiteShiftHead-XIoU
SSFF-LiteShiftHead
TBConv_SAFPN_SDIoU_AdaptiveHead_DynamicATSS
tbconv-TBHead-UIoU
tbconv-TBHead
HFAMPAN-LiteShiftHead-Shape-IoU-ATSS
ldconv-LADH-MPDIoU
ldconv-RepulsionLoss-AdaptiveHead-ATSS
ldconv
LowlevelFeatureAlignment-ARConv-ARHead
LowlevelFeatureAlignment-ARConv-XIoU
LowlevelFeatureAlignment-GWDLoss-AdaptiveHead
LowlevelFeatureAlignment
多个创新点组合改进持续更新中...
🚀支持更多Backbone
以及其他trans系列
持续更新中🎈🚀🚀🚀
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)
🚀支持更多Neck
🚀支持更多检测头Head
🚀支持更多即插即用的注意力机制Attention
在网络任何部分即插即用式使用注意力机制
SOCAttention
SimAM Attention
持续更新中🎈
🚀更多空间金字塔池化结构
SPP
SPPF
ASPP
RFB
SPPCSPC
SPPFCSPC
SimSPPF
持续更新中🎈
🚀支持更多Loss
🚀支持 Anchor-base 和 Anchor-Free
🚀支持多种标签分配策略
Multi Anchor策略
YOLOv5 标签分配策略
SimOTA 标签分配策略
YOLOv7 标签分配策略
AutoAssign 标签分配策略🌟
Dual Weighting 标签分配策略🌟
FreeAnchor 标签分配策略🌟
其他改进的标签分配策略
持续更新中🎈
🚀 内置多种网络模型模块化组件
🚀支持更多IoU损失函数
🚀支持更多NMS
持续更新中🎈
🚀支持更多数据增强
Mosaic、Copy paste、Random affine(Rotation, Scale, Translation and Shear)、MixUp、Augment HSV(Hue, Saturation, Value、Random horizontal flip
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。
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
在Python>=3.9.0 的环境中克隆版本仓并安装 requirements.txt，包括PyTorch>=1.7 。
$ cd ultralyticsPro
$ pip install -r res.txt # 安装 $ python train.py ultralytics/cfg_yolo11/YOLO11/yolo11.yaml 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。
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🚀 官方YOLO系列版本模型镜像-YOLO11、YOLOv8、YOLOv10、YOLOv9、YOLOv7、YOLOv5以及RT-DETR模型
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
官方YOLO11镜像：ultralytics/YOLO11: 官方YOLO11最新稳定版本，可一键运行训练&推理&改进
官方YOLOv8镜像：ultralytics/YOLOv8: 官方YOLOv8最新稳定版本，可一键运行训练&推理&改进
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&推理&改进
官方YOLOv9镜像：官方YOLOv9代码：WongKinYiu/yolov9一键训练官方YOLOv9模型
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&推理&改进
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&推理&改进
U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&推理&改进
后续会持续更新 ultralyticsPro 改进内容
@article {2025 ultralyticsPro ,
title = {{ultralyticsPro }: Makes improvements easy again },
author = {iscyy },
repo = {github https :// github .com / iscyy / ultralyticsPro },
year = {2025 }
} Expand
If you have any question, please discuss with me by sending email.
Expand
https://github.com/ultralytics/ultralytics
