前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。
一、摘要
为提高小麦病害检测精度，实现将模型方便快速部署到移动端，该研究提出了一种基于改进 YOLOv8 的轻量 化小麦病害检测方法。首先，使用 PP-LCNet 模型替换 YOLOv8 网络结构的骨干网络，并在骨干网络层引入深度可分离 卷积（depthwise separable convolution， DepthSepConv）结构，减少模型参数量，提升模型检测性能；其次，在颈部网 络部分添加全局注意力机制（global attention mechanism， GAM）模块，强化特征中语义信息和位置信息，提高模型特 征融合能力；然后，引入轻量级通用上采样内容感知重组（content-aware reassembly of features，CARAFE）模块，提高 模型对重要特征的提取能力；最后，使用 Wise-IoU（weighted interpolation of sequential evidence for intersection over union）边界损失函数代替原损失函数，提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明，对于大 田环境下所采集的小麦病害数据集，改进后模型的参数量及模型大小相比原 YOLOv8n 基线模型分别降低了 12.5 和 11.3 个百分点，同时精确度（precision）及平均精度均值（mean average precision，mAP）相较于原模型分别提高了 4.1 和 2.5 个百分点，优于其他对比目标检测算法，可为小麦病害检测无人机等移动端检测装备的部署和应用提供参考。
二、网络模型及核心创新点
这篇文章改进点都比较简单，实验结果较好，不仅轻量化了同时精度还提高了。创新点方面就四个比较简单。
**注：**论文原文出自 马超伟，张浩，马新明，等. 基于改进 YOLOv8 的轻量化小麦病害检测方法[J]. 农业工程学报，2024，40(5)：187-195. doi: 10.11975/j.issn.1002-6819.202309211.
解读的系列文章，本人已进行创新点代码复现。