YOLOv9有效改进|使用iRMB与RepNCSPELAN4融合

最新推荐文章于 2024-03-26 20:13:52 发布
最新推荐文章于 2024-03-26 20:13:52 发布
阅读量862 收藏 3
点赞数 7
分类专栏： YOLOv9涨点改进专栏 文章标签： 人工智能 机器学习 YOLO 深度学习 前端
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/StopAndGoyyy/article/details/136920267
版权

专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，助力高效涨点！！！

一、改进点介绍

        iRMB是CVPR2023即插即用的到残差注意力机制。

        本文使用iRMB与RepNCSPELAN4进行融合

二、iRMB-RepNCSPELAN4模块详解

 2.1 模块简介

这篇文章代码及使用方法已更新在群文件，CSND暂不开源！

⭐YOLOv9改进创新来啦！最新的YOLO系列模型，发论文必备！⭐

⭐最新推出YOLOv9创新点项目，目前已有30+创新！⭐

⭐后期更新包含模块、卷积、检测头、损失等改进！⭐

⭐四月底预计创新点可达80-100+！⭐

⭐现在入手仅$ 59.9，早入早发论文！⭐

⭐即将涨价，创新点越多，价格越贵！⭐

联系QQ: 2668825911 ，欢迎交流！

本项目持续更新，不付费订阅也可关注等每周更新，每周开源1-2篇。

今天炼丹了吗
关注
  • 7
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
《YOLOv5/v7进阶实战专栏》专栏介绍 & 专栏目录 《提供 YOLOv5-Magic 私域代码框架》
YOLOv8项目贡献者
10-28 2万+
yaml文件包含YOLOv5 YOLOv7 YOLOv7-tiny ！🌟🌟🌟
新欢乐时光病毒源代码分析
05-17
http://irmb.bokee.com/5738840.html
一个人的时光
02-04
一个人的时光，终究只是一个人，这是一个用GBK语言编写的脚本小游戏，欢迎大家来下载哦！
YOLOv9 网络结构 backbone 中的 RepNCSPELAN4 和 ADown 模块
weixin_46875627的博客
03-14 2307
看了YOLOv9的论文和代码，整理了一下网络中的模块，以方便理解和日后参考使用。
Nero 光碟刻录软件 特别版
11-12
Nero Burning Rom 11.2.4.100 功能强大的刻录软件，破解版可以免费使用。
YOLOv9有效改进|CVPR2023即插即用的到残差注意力机制（轻量化注意力机制）Inverted Residual Mobile Block
深度学习炼丹师，偶尔分享炼丹技术!
03-21 1044
在YOLOv9中加入CVPR2023即插即用的到残差注意力机制。结合了倒置残差块（IRB）和Transformer的动态模型能力，从而扩展了CNN的IRB到基于注意力的模型。iRMB的设计目标是在保持模型轻量级的同时，实现对计算资源的有效利用和高准确率。一种轻量化模块，适合移动端部署。Inverted Residual Mobile Block仅由标准卷积和 MHSA 组成，没有其他复杂的操作符。
全网最快的YOLOv9使用教程，赶快学习吧！
深度学习炼丹师，偶尔分享炼丹技术!
02-22 1810
【代码】YOLOv9教程，赶快学习吧！全网最快！
YOLOv9独家原创改进|使用可改变核卷积AKConv改进RepNCSPELAN4
深度学习炼丹师，偶尔分享炼丹技术!
03-02 1935
AKConv是一种具有任意数量的参数和任意采样形状的可变卷积核，对不规则特征有更好的提取效果。RepNCSPELAN4是YOLOv9中的特征提取模块，类似YOLOv5和v8中的C2f与C3模块。RepNCSPELAN4-AKConv的主要思想： 使用AKConv替换RepNCSPELAN4中的Conv模块。
YOLOv9独家改进|动态蛇形卷积Dynamic Snake Convolution与RepNCSPELAN4融合
深度学习炼丹师，偶尔分享炼丹技术!
03-03 1449
Dynamic Snake Convolution是一种针对细长微弱的局部结构特征与复杂多变的全局形态特征设计的卷积模块。RepNCSPELAN4是YOLOv9中的特征提取模块，类似YOLOv5和v8中的C2f与C3模块。的主要思想： 使用Dynamic Snake Convolution与RepNCSPELAN4中融合。
特征融合篇 | YOLOv8 (ultralytics) 实现 YOLOv9 辅助可逆分支架构 | 附训练推理结构图 RepNCSPELAN4/ADown/SPPELAN/train/val
YOLOv8项目贡献者
03-04 2884
YOLOv8 (ultralytics) 实现 YOLOv9 辅助可逆分支架构
《人工智能专栏》必读150篇 | 专栏介绍 & 专栏目录 & Python与PyTorch | 机器与深度学习 | 目标检测 | YOLOv5及改进 | YOLOv8及改进 | 关键知识点 | 工具
weixin_44302770的博客
12-25 785
《人工智能专栏》专栏介绍 & 专栏目录 & Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
《YOLOv8改进实战专栏》专栏介绍 & 专栏目录 《提供 YOLOv8-Magic 私域代码框架》
YOLOv8项目贡献者
06-30 4万+
《YOLOv8改进实战专栏》🏅🏅🏅专栏介绍 & 专栏目录
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 4万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv5改进实战 | 更换主干网络Backbone之轻量化网络EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计
w94ghz的博客
10-16 954
YOLOv8改进 | 注意力机制 | 添加iRMB倒置残差块注意力机制（轻量化注意力机制）
Snu77的博客
01-01 3214
本文给家大家带来的改进机制是iRMB，其是在论文Rethinking Mobile Block for Efficient Attention-based Models种提出，论文提出了一个新的主干网络EMO(后面我也会教大家如何使用该主干，本文先教大家使用该文中提出的注意力机制)。其主要思想是将轻量级的CNN架构与基于注意力的模型结构相结合(有点类似ACmix)，我将iRMB和C2f结合，然后也将其用在了检测头种进行尝试三种结果进行对比，针对的作用也不相同，但是无论那种实验均有一定涨点效果。
YOLOv9有效改进|使用空间和通道重建卷积SCConv改进RepNCSPELAN4
深度学习炼丹师，偶尔分享炼丹技术!
03-02 1954
SCConv是一种即插即用的空间和通道重建卷积。RepNCSPELAN4是YOLOv9中的特征提取模块，类似YOLOv5和v8中的C2f与C3模块。RepNCSPELAN4_SCConv的主要思想： 使用SCConv替换RepNCSPELAN4中的Conv模块。
YOLOv9(2):YOLOv9网络结构
tecsai的博客
03-06 2452
本篇主要针对YOLOv9的结构进行简单的描绘。
YOLOv9改进策略：RepNCSPELAN4优化 | DilatedReparamBlock结合RepNCSPELAN4二次创新 | CVPR2024 最新大卷积核CNN架构UniRepLKNet
最新发布
各专栏持续更新中，改进创新YOLO，适用v5、v7、v8、v9，订阅者私信添加本人微信！！！ By AI小怪兽
03-26 1424
DilatedReparamBlock模块并结合YOLOv9RepNCSPELAN4二次创新，在多个数据集验证涨点，且效果优于原始的RepNCSPELAN4模块
for i in range(len(depths)): layers = [] dpr = dprs[sum(depths[:i]):sum(depths[:i + 1])] for j in range(depths[i]): if j == 0: stride, has_skip, attn_s, exp_ratio = 2, False, False, exp_ratios[i] * 2 else: stride, has_skip, attn_s, exp_ratio = 1, True, attn_ss[i], exp_ratios[i] layers.append(iRMB( emb_dim_pre, embed_dims[i], norm_in=True, has_skip=has_skip, exp_ratio=exp_ratio, norm_layer=norm_layers[i], act_layer=act_layers[i], v_proj=True, dw_ks=dw_kss[i], stride=stride, dilation=1, se_ratio=se_ratios[i], dim_head=dim_heads[i], window_size=window_sizes[i], attn_s=attn_s, qkv_bias=qkv_bias, attn_drop=attn_drop, drop=drop, drop_path=dpr[j], v_group=v_group, attn_pre=attn_pre )) emb_dim_pre = embed_dims[i] self.__setattr__(f'stage{i + 1}', nn.ModuleList(layers)) self.norm = get_norm(norm_layers[-1])(embed_dims[-1]) self.apply(self._init_weights) self.channel = [i.size(1) for i in self.forward(torch.randn(1, 3, 640, 640))]
05-25
这段代码是一个神经网络模型的定义，其中包含了多个iRMB层。每个iRMB层都有不同的输入和输出维度，以及不同的超参数和正则化方式。在代码中，使用了循环来依次添加每个iRMB层，并且将它们放入不同的stage中。最后，使用了一个正则化层对模型的输出进行规范化，并且使用apply函数初始化权重。最后一行代码用于获取每个stage的输出通道数。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值