摘要

在本文中，我们创新性地将ACConv2d模块引入到YoloV10目标检测模型中，通过对YoloV10中原有的Conv卷积层进行替换，实现了模型性能的大幅提升。ACConv2d模块基于不对称卷积块（ACB）的设计思想，利用1D非对称卷积（1×3和3×1卷积）来增强标准方形卷积核（如3×3卷积）的表征能力。这一创新不仅增强了模型的特征提取能力，还通过引入分组卷积的策略进一步降低了运算量，从而在保证模型精度的同时，提升了运行效率。
完整链接：
https://blog.csdn.net/m0_47867638/article/details/141533593?spm=1001.2014.3001.5501

核心改进概述：

1. ACConv2d模块替换：我们直接替换YoloV10中的所有标准Conv卷积层为ACConv2d模块。ACConv2d模块内部集成了3×3、1×3和3×1三种不同尺寸的卷积核，并通过并行处理及特征图融合的方式，显著增强了模型的表征能力。

2. 分组卷积优化：为了进一步降低运算量，我们对ACConv2d模块中的3×3卷积层进行了分组卷积改造。分组卷积通过将输入特征图分成多个小组，并在每个小组内独立进行卷积操作，有效减少了模型参数和计算复杂度，同时保持了良好的性能。

主要优点：

• 性能显著提升：实验结果表明，使用ACConv2d模块替换后的YoloV10模型在多个基准数据集上均取得了显著的性能提升，验证了ACConv2d模块在增强模型特征提取能力方面的有效性。

• 计算效率优化：通过引入分组卷积策略，我们在提升模型精度的同时，有效降低了运算量，使得模型在保持高性能的同时，能够更快地进行推理，适应于实时检测等应用场景。

• 易于实现与集成：ACConv2d模块作为一种即插即用的架构中立结构，可以方便地集成到各种成熟的CNN模型中，无需对现有模型结构进行大幅修改，降低了使用门槛。

• 增强模型鲁棒性：进一步的研究表明，ACConv2d模块还有助于增强模型对旋转畸变等变换的鲁棒性，这对于处理实际场景中的复杂变化具有重要意义。

ACConv2d模块在YoloV10中的创新应用不仅显著提升了模型的检测精度和计算效率，还增强了模型的鲁棒性，为目标检测领域的研究和应用提供了新的思路和方法。我们期待ACConv2d模块在未来能够在更多模型中发挥重要作用，推动目标检测技术的持续进步。

测试结果

YOLOv10l summary (fused): 533 layers, 22511312 parameters, 0 gradients, 104.5 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 15/15 [00:03<00:00,  4.28it/s]
                   all        230       1412      0.842       0.95      0.962      0.713
                   c17        230        131      0.918      0.977      0.992      0.796
                    c5        230         68      0.892      0.985      0.986      0.813
            helicopter        230         43       0.79      0.953      0.963      0.538
                  c130        230         85      0.933      0.976      0.993       0.64
                   f16        230         57      0.804      0.947      0.958      0.658
                    b2        230          2      0.486        0.5      0.595       0.47
                 other        230         86      0.799      0.942      0.951      0.508
                   b52        230         70      0.906      0.971      0.979      0.792
                  kc10        230         62      0.963      0.968      0.982      0.823
               command        230         40      0.928          1      0.994      0.794
                   f15        230        123      0.812          1      0.988      0.644
                 kc135        230         91      0.923      0.978      0.982      0.675
                   a10        230         27      0.705      0.593      0.793      0.387
                    b1        230         20      0.879          1       0.99      0.707
                   aew        230         25      0.919          1      0.992      0.805
                   f22        230         17      0.787          1       0.98      0.736
                    p3        230        105      0.947      0.981      0.992      0.787
                    p8        230          1      0.604          1      0.995      0.895
                   f35        230         32      0.828        0.9      0.921      0.507
                   f18        230        125      0.931      0.975      0.986      0.806
                   v22        230         41      0.965          1      0.995      0.704
                 su-27        230         31      0.895          1      0.992      0.809
                 il-38        230         27      0.912          1      0.995      0.768
                tu-134        230          1      0.602          1      0.995      0.895
                 su-33        230          2      0.973          1      0.995      0.722
                 an-70        230          2      0.745          1      0.995      0.779
                 tu-22        230         98      0.897       0.99      0.988      0.784