YOLOv10全网最新创新点改进系列：融合谷歌团队创建的动态卷积之有效推理的条件参数化卷积CondConv,有效涨点！

所有改进代码均经过实验测试跑通！截止发稿时YOLOv10已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽er！

购买相关资料后畅享一对一答疑！

CondConv（提出原文戳这）

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

摘要

CNN模型的能力来源于模型的大小和数据集的规模。卷积层设计中的一个基本假设是，相同的卷积核应用于数据集中的每个示例。为了增加模型的容量，模型开发人员通常会添加更多的卷积层或增加现有卷积的大小(内核高度/宽度，输入/输出通道的数量)。这会导致模型增大，影响速度。
CondConv的提出

条件参数化卷积(CondConv)，它通过计算卷积核作为输入的函数来挑战静态卷积核的范式。所谓条件：条件计算的目的是在不增加计算成本的情况下增加模型容量；在条件计算模型中，通过为每个示例仅激活整个网络的一部分来实现的。多分支卷积网络：一个层由多个卷积分支组成，这些分支被聚合以计算最终输出，如：ResNet和Inception等。CondConv层在数学上相当于多分支卷积层，其中每个分支是单个卷积，输出通过加权和聚合，但只需要计算一个卷积。

卷积核将按照上图(a)的方式进行参数化，其中W1、W2、W3就相当于多个卷积核；ROUTE FN就相当于W1、W2、W3前的权重参数。通过(a1W1+a2W2+a3W3)组合得到一个卷积核，使用这个新得到的卷积核进行卷积操作。

跑出结果后-相关方法详情请结合B站视频阅读全文，融入自己文章中！！！

2 修改步骤！

2.1 修改YAML文件

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

2.2 新建.py

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽er 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

2.3 修改tasks.py

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽er 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！

三、验证是否成功即可

执行命令

python train.py

改完收工！
关注B站：Ai学术叫叫兽er
从此走上科研快速路
遥遥领先同行！！！！

详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽er 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！