一、本文介绍
本文记录的是利用DynamicConv优化YOLOv10的目标检测网络模型。 在大规模训练中，模型的参数数量越多，FLOPs也越高，但在一些对计算资源有限制的场景下，需要低FLOPs的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOPs，因此Dynamic convolution模块应运而生。本文详细研究了Dynamic convolution模块的运行原理，并将其加入到YOLOv10中进行二次创新。
专栏目录：YOLOv10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