YOLOv11改进策略【卷积层】| CVPR-2023 ScConv：即插即用，减少冗余计算并提升特征学习
一、本文介绍
本文记录的是利用ScConv优化YOLOv11的目标检测网络模型。深度神经网络中存在大量冗余，不仅在密集模型参数中，而且在特征图的空间和通道维度中。ScConv模块通过联合减少卷积层中空间和通道的冗余，有效地限制了特征冗余，本文利用ScConv模块改进YOLOv11，提高了模型的性能和效率。
专栏目录：YOLOv11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
专栏地址：YOLOv11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！
文章目录
- 一、本文介绍
- 二、SCConv介绍
- 2.1、原理
- 2.2、优势
- 三、SCConv的实现代码
- 四、创新模块
- 4.1 改进点⭐
- 五、添加步骤
- 5.1 修改ultralytics/nn/modules/block.py
- 5.2 修改ultralytics/nn/modules/__init__.py
- 5.3 修改ultralytics/nn/modules/tasks.py
- 六、yaml模型文件
- 6.1 模型改进⭐
- 七、