【模型改进】SBA 改进 YOLO 系列：用选择性边界聚合替换 Concat，增强 VisDrone 多尺度小目标检测

AI浩2026-06-11 10:20

专栏：YOLO 全面解析与改进

任务：VisDrone2019-DET 无人机目标检测

改进对象：YOLOv8l、YOLOv9c、YOLOv10l、YOLO11l、YOLO12l、YOLO26l

改进模块：SBA（Selective Boundary Aggregation）

改进位置：YOLO Neck / PAN-FPN 中的跨尺度 Concat 融合节点

训练设置：300 epochs，imgsz=640，batch=128，8 GPU，seed=42

本文面向初学者，完整介绍如何将 SBA 模块迁移到 YOLO 系列检测模型中。文章先给出改进结果，再解释为什么要替换 Concat、SBA 的来源与基本原理、代码和 YAML 如何修改，最后给出 6 个 SBA-YOLO 的 drawio 架构图和实验分析。

1. 改进效果先看结论

本轮实验测试了 6 个 SBA 改进模型。整体结果如下：

Model Params(M) Inference(ms) mAP50 mAP50-95 Precision Recall
YOLO12l-SBA 34.79 3.74 0.4231 0.2514 0.5387 0.4364
YOLOv10l-SBA 33.91 2.97 0.4227 0.2499 0.5745 0.4256
YOLO11l-SBA 33.42 2.58 0.4191 0.2487 0.5374 0.4316
YOLOv8l-SBA 51.77 3.13 0.4153 0.2462 0.5493 0.4299
YOLOv9c-SBA 33.64 2.85 0.4163 0.2440 0.5579 0.4330
YOLO26l-SBA 34.29 2.59 0.4117 0.2422 0.5530 0.4169

最直接的结论是：

指标 最优模型 数值
Best mAP50 YOLO12l-SBA 0.4231
Best mAP50-95 YOLO12l-SBA 0.2514
Best Precision YOLOv10l-SBA 0.5745
Best Recall YOLO12l-SBA 0.4364
Fastest YOLO11l-SBA 2.58 ms

也就是说，YOLO12l-SBA 是本轮 SBA 实验的综合精度最优模型，YOLOv10l-SBA 的 Precision 最高，YOLO11l-SBA 的速度最快。

2. 与原始 YOLO 基线的对比

原始 YOLO 基线结果如下：

Model Params(M) Inference(ms) mAP50 mAP50-95 Precision Recall
YOLO12l 26.40 3.34 0.4259 0.2514 0.5574 0.4299
YOLO11l 25.32 2.24 0.4181 0.2464 0.5483 0.4336
YOLOv8l 43.64 2.71 0.4152 0.2427 0.5503 0.4273
YOLOv10l 25.78 2.56 0.4115 0.2425 0.5488 0.4185
YOLO26l 26.19 2.24 0.4065 0.2381 0.5512 0.4150

与基线对比后，SBA 带来的变化如下。由于上一轮基线没有训练 YOLOv9c，因此 YOLOv9c-SBA 只参与本轮 SBA 横向比较，不做增量对比。

Model ΔParams(M) ΔInference(ms) ΔmAP50 ΔmAP50-95 ΔPrecision ΔRecall
YOLO12l-SBA +8.39 +0.40 -0.0028 +0.0000 -0.0187 +0.0065
YOLOv10l-SBA +8.13 +0.41 +0.0112 +0.0074 +0.0257 +0.0071
YOLO11l-SBA +8.10 +0.34 +0.0010 +0.0023 -0.0109 -0.0020
YOLOv8l-SBA +8.13 +0.42 +0.0001 +0.0035 -0.0010 +0.0026
YOLO26l-SBA +8.10 +0.35 +0.0052 +0.0041 +0.0018 +0.0019

从结果可以看到，SBA 的收益与模型结构强相关：

  1. YOLOv10l-SBA 提升最明显，mAP50 提升 0.0112，mAP50-95 提升 0.0074，Precision 提升 0.0257。
  2. YOLO26l-SBA 有稳定小幅提升，mAP50-95 提升 0.0041。
  3. YOLOv8l-SBA 对严格定位指标有提升，mAP50-95 提升 0.0035。
  4. YOLO12l-SBA 的 Recall 提升，但 Precision 下降，最终 mAP50-95 与原版持平。
  5. YOLO11l-SBA 的 mAP50-95 小幅提升，但 Recall 略降。

因此，SBA 更适合被理解为一种"跨尺度融合方式改造"，它并不必然让所有指标同时提升，而是改变了 Neck 中信息融合的方式，使不同 YOLO 架构表现出不同的精度、召回和速度取舍。

3. 为什么要替换 Concat

YOLO 系列 Neck 通常采用 PAN-FPN 结构进行多尺度特征融合。最常见的融合方式是：

yaml 复制代码 
- [[-1, 6], 1, Concat, [1]]

Concat 的优点是简单、稳定、开销低。它只是把两个特征图沿通道维度拼接起来，然后交给后续的 C2f、C3k2、A2C2f 或 RepNCSPELAN4 继续处理。

但在 VisDrone 这类无人机检测场景中，简单拼接存在三个问题：

  1. 低层细节和高层语义没有选择机制
    低层特征包含边界、纹理和小目标细节，高层特征包含语义和上下文。Concat 只是拼接，不判断哪些信息更重要。
  2. 背景噪声容易一起进入 Neck
    无人机图像中道路、建筑、树木、阴影、标线都可能产生干扰。简单拼接会把目标信息和背景噪声一起传递给后续模块。
  3. 跨尺度对齐不足
    P3、P4、P5 的感受野和语义层级不同，直接拼接可能导致细节和语义融合不充分，尤其影响小目标和密集目标。

SBA 的目标就是让跨尺度融合从"直接拼接"变成"有选择地聚合低层边界细节和高层语义信息"。

4. SBA 模块来源与思想

本文使用的 SBA 是 Selective Boundary Aggregation。在本项目中，SBA 相关参考主要来自两个 PDF：

  1. 2212.11677v1.pdf：DuAT: Dual-Aggregation Transformer Network for Medical Image Segmentation
  2. 2603.22841v1.pdf：UAV-DETR: DETR for Anti-Drone Target Detection

在 DuAT 中，SBA 用于聚合低层特征中的边界信息和高层特征中的语义信息，从而更好地保留边界细节并定位目标区域。虽然原始任务是医学图像分割，但这个思想对无人机小目标检测同样有意义。

在 UAV-DETR 中，SBA 被放入无人机检测 Neck 中，配合跨尺度特征重校准与融合网络，用于过滤背景噪声并融合不同尺度的特征。这一点与 VisDrone 的任务特性非常接近：目标小、背景复杂、尺度变化大。

因此，本文将 SBA 引入 YOLO 的 Neck 中，用它替换原来的 Concat 融合节点。

5. SBA 模块结构

当前项目中加入的 SBA 模块位于：

text 复制代码 
ultralytics/nn/modules/block.py

核心代码如下：

python 复制代码 
class SBA(nn.Module):
    def __init__(self, inc, input_dim=64):
        super().__init__()

        self.input_dim = input_dim

        self.d_in1 = Conv(input_dim // 2, input_dim // 2, 1)
        self.d_in2 = Conv(input_dim // 2, input_dim // 2, 1)

        self.conv = Conv(input_dim, input_dim, 3)
        self.fc1 = nn.Conv2d(inc[1], input_dim // 2, kernel_size=1, bias=False)
        self.fc2 = nn.Conv2d(inc[0], input_dim // 2, kernel_size=1, bias=False)

        self.Sigmoid = nn.Sigmoid()

    def forward(self, x):
        H_feature, L_feature = x

        L_feature = self.fc1(L_feature)
        H_feature = self.fc2(H_feature)

        g_L_feature = self.Sigmoid(L_feature)
        g_H_feature = self.Sigmoid(H_feature)

        L_feature = self.d_in1(L_feature)
        H_feature = self.d_in2(H_feature)

        L_feature = L_feature + L_feature * g_L_feature + (1 - g_L_feature) * Upsample(
            g_H_feature * H_feature, size=L_feature.size()[2:], align_corners=False
        )
        H_feature = H_feature + H_feature * g_H_feature + (1 - g_H_feature) * Upsample(
            g_L_feature * L_feature, size=H_feature.size()[2:], align_corners=False
        )

        H_feature = Upsample(H_feature, size=L_feature.size()[2:])
        out = self.conv(torch.cat([H_feature, L_feature], dim=1))
        return out

为了方便理解，可以把 SBA 拆成四步：

步骤 作用
通道压缩 将两个输入分支统一压缩到 input_dim / 2
Sigmoid 门控 分别生成高层语义分支和低层细节分支的选择权重
双向补偿 低层特征吸收高层语义，高层特征吸收低层细节
融合输出 将增强后的两路特征拼接，再用 3x3 卷积输出

与普通 Concat 不同，SBA 不是简单地把两个张量拼接，而是先用门控机制做选择性增强，再输出一个新的融合特征。

6. SBA 在 YOLO 中的适配方式

原始 YOLO Neck 中通常有 4 个跨尺度融合点：

text 复制代码 
Top-down: P5 -> P4
Top-down: P4 -> P3
Bottom-up: P3 -> P4
Bottom-up: P4 -> P5

原始写法通常是：

yaml 复制代码 
- [[-1, 6], 1, Concat, [1]]

本文改为：

yaml 复制代码 
- [[-1, 6], 1, SBA, [512]]

这里的 [512] 表示 SBA 输出通道数。也就是说，SBA 替换 Concat 后不再输出两个分支通道数之和，而是直接输出指定通道数的融合特征。

以 YOLO26l-SBA 为例，Neck 的关键改动如下：

yaml 复制代码 
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, SBA, [512]]       # SBA(P5, P4)
  - [-1, 2, C3k2, [512, True]]

  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, SBA, [256]]       # SBA(P4, P3)
  - [-1, 2, C3k2, [256, True]]

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, SBA, [512]]      # SBA(P3, P4)
  - [-1, 2, C3k2, [512, True]]

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, SBA, [1024]]     # SBA(P4, P5)
  - [-1, 1, C3k2, [1024, True, 0.5, True]]

  - [[16, 19, 22], 1, Detect, [nc]]

这样做的好处是：YOLO 的 P3、P4、P5 检测头仍然保持不变，但 Neck 中每一次跨尺度融合都从静态拼接变成了选择性聚合。

7. 代码改进过程

7.1 在 block.py 中加入 SBA

将 SBA 类加入：

text 复制代码 
ultralytics/nn/modules/block.py

同时在 __all__ 中加入：

python 复制代码 
"SBA",

7.2 在 modules 中导出 SBA

修改：

text 复制代码 
ultralytics/nn/modules/__init__.py

在 .block 导入列表中加入：

python 复制代码 
SBA,

并在 __all__ 中加入：

python 复制代码 
"SBA",

7.3 修改 parse_model 支持 SBA

由于 SBA 的输入是两个特征分支，且输出通道由 YAML 指定，所以需要在 parse_model() 中单独处理：

python 复制代码 
elif m is SBA:
    c2 = args[0]
    if c2 != nc:
        c2 = make_divisible(min(c2, max_channels) * width, 8)
    args = [[ch[x] for x in f], c2, *args[1:]]

这段代码的含义是：

  1. 从 YAML 读取 SBA 输出通道 c2。
  2. 根据当前模型宽度系数自动缩放通道。
  3. 自动把两个输入分支的通道数 [ch[x] for x in f] 传给 SBA。

因此 YAML 中只需要写：

yaml 复制代码 
- [[-1, 6], 1, SBA, [512]]

不需要手动写输入通道。

7.4 新增 6 个 SBA 模型配置

本文新增了 6 个配置文件：

模型 YAML
YOLOv8l-SBA ultralytics/cfg/models/v8/yolov8l-sba.yaml
YOLOv9c-SBA ultralytics/cfg/models/v9/yolov9c-sba.yaml
YOLOv10l-SBA ultralytics/cfg/models/v10/yolov10l-sba.yaml
YOLO11l-SBA ultralytics/cfg/models/11/yolo11l-sba.yaml
YOLO12l-SBA ultralytics/cfg/models/12/yolo12l-sba.yaml
YOLO26l-SBA ultralytics/cfg/models/26/yolo26l-sba.yaml

各模型检测头输入保持为原来的 P3/P4/P5 输出：

模型 检测头类型 Detect 输入
YOLOv8l-SBA Detect [15, 18, 21]
YOLOv9c-SBA Detect [15, 18, 21]
YOLOv10l-SBA v10Detect [16, 19, 22]
YOLO11l-SBA Detect [16, 19, 22]
YOLO12l-SBA Detect [14, 17, 20]
YOLO26l-SBA Detect [16, 19, 22]

7.5 修改 benchmark 脚本

benchmark_visdrone_fixed.py 中新增 SBA 模型集合：

python 复制代码 
SBA_YOLO_MODELS = {
    "YOLOv8l-SBA": "ultralytics/cfg/models/v8/yolov8l-sba.yaml",
    "YOLOv9c-SBA": "ultralytics/cfg/models/v9/yolov9c-sba.yaml",
    "YOLOv10l-SBA": "ultralytics/cfg/models/v10/yolov10l-sba.yaml",
    "YOLO11l-SBA": "ultralytics/cfg/models/11/yolo11l-sba.yaml",
    "YOLO12l-SBA": "ultralytics/cfg/models/12/yolo12l-sba.yaml",
    "YOLO26l-SBA": "ultralytics/cfg/models/26/yolo26l-sba.yaml",
}

并将默认测试变体设置为：

python 复制代码 
parser.add_argument(
    "--variant",
    choices=("baseline", "sba", "both"),
    default="sba",
)

这样直接运行脚本时，只会测试 SBA 改进模型。

8. 一键训练和验证

在服务器上直接运行：

bash 复制代码 
python benchmark_visdrone_fixed.py

或显式指定训练参数：

bash 复制代码 
python benchmark_visdrone_fixed.py \
  --data ultralytics/cfg/datasets/VisDrone.yaml \
  --epochs 300 \
  --batch 128 \
  --imgsz 640 \
  --device 0,1,2,3,4,5,6,7 \
  --workers 4

脚本会依次训练并验证：

text 复制代码 
YOLOv8l-SBA
YOLOv9c-SBA
YOLOv10l-SBA
YOLO11l-SBA
YOLO12l-SBA
YOLO26l-SBA

训练结束后，会生成：

text 复制代码 
benchmark_results_VisDrone_fixed.csv
benchmark_results_VisDrone_fixed.md
runs/benchmark_VisDrone/
runs/.benchmark_results/

9. 改进后的 drawio 架构图

本文提供了可编辑 drawio 源文件和 Markdown 可直接显示的 SVG 预览图。

总图：

text 复制代码 
assets/sba_yolo_visdrone/sba_yolo_architectures.drawio

单模型 drawio：

text 复制代码 
assets/sba_yolo_visdrone/yolov8l_sba.drawio
assets/sba_yolo_visdrone/yolov9c_sba.drawio
assets/sba_yolo_visdrone/yolov10l_sba.drawio
assets/sba_yolo_visdrone/yolo11l_sba.drawio
assets/sba_yolo_visdrone/yolo12l_sba.drawio
assets/sba_yolo_visdrone/yolo26l_sba.drawio

图中颜色含义如下：

颜色 含义
紫色 Backbone 或 Neck 中的主特征模块
绿色 SPPF、SPPELAN、PSA、C2PSA 等上下文模块
红色 Upsample
蓝色 下采样卷积、ADown 或 SCDown
橙色 SBA 融合模块
青色 Detect / v10Detect

9.1 YOLOv8l-SBA

YOLOv8l-SBA 保留 C2f + SPPF 的主体结构，将 PAN-FPN 中 4 个 Concat 融合点替换为 SBA。

9.2 YOLOv9c-SBA

YOLOv9c-SBA 使用 RepNCSPELAN4、ADown 和 SPPELAN，本文将其 Neck 中的跨尺度拼接改为 SBA 选择性融合。

9.3 YOLOv10l-SBA

YOLOv10l-SBA 使用 C2fCIB、SCDown、PSA 和 v10Detect。实验中它获得了本轮最高 Precision。

9.4 YOLO11l-SBA

YOLO11l-SBA 使用 C3k2、SPPF 和 C2PSA。它在本轮实验中推理速度最快，同时 mAP50-95 相比原版略有提升。

9.5 YOLO12l-SBA

YOLO12l-SBA 使用 A2C2f 作为主要 Neck 模块。本轮实验中它的 mAP50 和 mAP50-95 排名第一。

9.6 YOLO26l-SBA

YOLO26l-SBA 保留 YOLO26 的 end-to-end 设置，并使用 SBA 替换原始 Neck 中的 Concat。它相较 YOLO26l 在 mAP50 和 mAP50-95 上都有小幅提升。

10. 实验结果分析

10.1 YOLOv10l-SBA 的提升最明显

从增量表看，YOLOv10l-SBA 是 SBA 改造中提升最明显的模型：

指标 YOLOv10l YOLOv10l-SBA 提升
mAP50 0.4115 0.4227 +0.0112
mAP50-95 0.2425 0.2499 +0.0074
Precision 0.5488 0.5745 +0.0257
Recall 0.4185 0.4256 +0.0071

这说明 SBA 与 YOLOv10l 的 C2fCIB、SCDown、PSA 和 v10Detect 组合较为适配。尤其 Precision 提升明显，说明 SBA 替换 Concat 后能够更好地抑制一部分背景噪声和误检。

10.2 YOLO12l-SBA 综合结果仍然最强

虽然 YOLO12l-SBA 相比原始 YOLO12l 没有提升 mAP50-95，但它在所有 SBA 模型中仍然排名第一：

指标 YOLO12l-SBA
mAP50 0.4231
mAP50-95 0.2514
Recall 0.4364

它的 Recall 比原始 YOLO12l 高 0.0065，说明 SBA 对 YOLO12l 的召回有帮助，但 Precision 下降较明显。因此，如果后续继续优化 YOLO12l-SBA，可以重点考虑降低误检，例如调整置信度阈值、损失函数或标签分配策略。

10.3 YOLO11l-SBA 是速度优先版本

YOLO11l-SBA 的推理耗时为 2.58 ms，是本轮 SBA 模型中最快的。相比原始 YOLO11l，它的 mAP50-95 从 0.2464 提升到 0.2487，但 Recall 从 0.4336 降到 0.4316。

因此，YOLO11l-SBA 可以作为速度优先方案。如果应用场景要求实时处理，例如无人机巡检或边缘设备快速预警，它比 YOLO12l-SBA 更适合部署。

10.4 YOLO26l-SBA 有稳定小幅提升

YOLO26l-SBA 相比 YOLO26l：

指标 YOLO26l YOLO26l-SBA 提升
mAP50 0.4065 0.4117 +0.0052
mAP50-95 0.2381 0.2422 +0.0041
Precision 0.5512 0.5530 +0.0018
Recall 0.4150 0.4169 +0.0019

这说明 SBA 对 YOLO26l 是稳定正收益，只是代价是参数量和推理时间增加。

10.5 类别层面的观察

从 YOLO12l-SBA 的类别结果看，car 和 bus 依然是最容易检测的类别：

Class mAP50 mAP50-95
car 0.8083 0.5678
bus 0.6050 0.4494

弱类别仍然集中在小目标和易混淆目标：

Class mAP50 mAP50-95
bicycle 0.1631 0.0708
awning-tricycle 0.1456 0.0855

这说明 SBA 改善了跨尺度融合，但还不能单独解决极小目标、遮挡和类别混淆问题。后续仍然需要结合 P2 检测头、更强的数据增强或更适合小目标的损失函数。

11. 初学者复现 checklist

如果你想从零复现本实验，可以按下面顺序检查。

  1. 确认 SBA 已加入：
text 复制代码 
ultralytics/nn/modules/block.py
  1. 确认 SBA 已在模块入口导出：
text 复制代码 
ultralytics/nn/modules/__init__.py
  1. 确认 parse_model() 已支持 SBA：
text 复制代码 
ultralytics/nn/tasks.py
  1. 确认 6 个 SBA YAML 存在：
text 复制代码 
ultralytics/cfg/models/v8/yolov8l-sba.yaml
ultralytics/cfg/models/v9/yolov9c-sba.yaml
ultralytics/cfg/models/v10/yolov10l-sba.yaml
ultralytics/cfg/models/11/yolo11l-sba.yaml
ultralytics/cfg/models/12/yolo12l-sba.yaml
ultralytics/cfg/models/26/yolo26l-sba.yaml
  1. 先用一个模型检查是否能构建：
bash 复制代码 
python -c "from ultralytics import YOLO; YOLO('ultralytics/cfg/models/v10/yolov10l-sba.yaml')"
  1. 运行完整 benchmark：
bash 复制代码 
python benchmark_visdrone_fixed.py
  1. 查看输出结果：
text 复制代码 
benchmark_results_VisDrone_fixed.csv
benchmark_results_VisDrone_fixed.md
runs/benchmark_VisDrone/
  1. 打开结构图：
text 复制代码 
assets/sba_yolo_visdrone/sba_yolo_architectures.drawio

12. 后续改进方向

12.1 只替换部分 Concat

当前做法是替换 Neck 中所有 4 个 Concat。后续可以做消融：

text 复制代码 
Top-down only
Bottom-up only
只替换 P3 融合
只替换 P4/P5 融合

这样可以判断 SBA 到底在哪个尺度最有效。

12.2 与轻量化模块结合

SBA 会增加参数量，当前多数模型增加约 8M 参数。后续可以尝试：

  1. 降低 SBA 的输出通道。
  2. 使用 depthwise separable convolution 替换 SBA 内部 3x3 Conv。
  3. 只在小目标相关的 P3/P4 路径使用 SBA。

12.3 与 P2 小目标检测头结合

VisDrone 中极小目标很多，P3 仍然可能不够细。后续可以在 SBA Neck 基础上加入 P2 检测头，重点观察 pedestrian、people、bicycle、motor 等类别是否提升。

12.4 与 DORGM 组合

SBA 主要改 Neck 融合方式，DORGM 主要增强 Detect 前特征表达。二者作用点不同，后续可以尝试：

text 复制代码 
SBA Neck + DORGM Head

但组合后参数和计算量会进一步增加，需要做速度和精度权衡。

13. 总结

本文将 Selective Boundary Aggregation 引入 YOLO 系列目标检测模型，用 SBA 替换 Neck / PAN-FPN 中的跨尺度 Concat 融合节点，并在 VisDrone2019-DET 数据集上进行验证。实验表明：

  1. YOLO12l-SBA 在本轮 SBA 模型中综合精度最高，mAP50 为 0.4231，mAP50-95 为 0.2514。
  2. YOLOv10l-SBA 相比原始 YOLOv10l 提升最明显，mAP50 提升 0.0112，mAP50-95 提升 0.0074，Precision 提升 0.0257。
  3. YOLO11l-SBA 是本轮最快模型，推理耗时为 2.58 ms，适合速度优先场景。
  4. YOLO26l-SBA 相比原始 YOLO26l 各项指标均有小幅提升，说明 SBA 对 YOLO26l 是稳定正收益。
  5. SBA 能增强跨尺度信息融合，但不能单独解决 VisDrone 中极小目标、遮挡和类别混淆问题，后续仍需结合 P2 检测头、轻量化设计和更适合小目标的训练策略。

整体来看，SBA 不是简单增加一个注意力模块，而是把 YOLO Neck 中的"静态拼接"改成"选择性边界与语义聚合"。对于无人机目标检测这类小目标密集、背景复杂、尺度变化明显的场景，它是一个值得继续消融和优化的结构改进方向。

参考资料

  1. 2212.11677v1.pdf：DuAT: Dual-Aggregation Transformer Network for Medical Image Segmentation.
  2. 2603.22841v1.pdf：UAV-DETR: DETR for Anti-Drone Target Detection.
  3. VisDrone 官方数据集仓库：https://github.com/VisDrone/VisDrone-Dataset
  4. Ultralytics VisDrone 数据集文档：https://docs.ultralytics.com/datasets/detect/visdrone/
相关推荐
学习3人组1 小时前
Python 评论朴素贝叶斯文本情感分析示例
人工智能·python·机器学习
OCR_133716212751 小时前
金融智能化落地：护照核验技术在银行场景的应用与实践
大数据·人工智能·金融
吴佳浩 Alben1 小时前
Hermes vs OpenClaw：基于源码的 Agent Loop 全面分析
人工智能·ai·transformer
月疯1 小时前
torch：transpose和permute的用法
人工智能·pytorch·深度学习
zhqh1001 小时前
yolov8+convLSTM训练MOT16数据集
yolo
林小卫很行1 小时前
Obsidian 入门60：用 SyncThing 把多台设备织成一张网
人工智能·知识管理·obsidian
翼龙云_cloud1 小时前
腾讯云代理商：2026如何使用腾讯云CloudBase AI Builder 搭建个人博客？
人工智能·云计算·腾讯云·ai智能体
Conniefish1 小时前
文档切片向量化
人工智能
填满你的记忆1 小时前
MCP协议是什么？为什么它被称为AI时代的“USB接口”？
java·人工智能·agent·mcp
热门推荐
01《置身钉内》原文-可播放阅读02【AI】2026 年具身智能模型和世界模型总结03GitHub 镜像站点042026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？05Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析062026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf07Codex 下载安装指南：Windows 和 macOS 官方版下载08AI科技热点日报 | 2026年6月1日09【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法10CC-Switch 下载、安装与使用配置指南【2026.5.29】