【YOLO改进】换遍MMPretrain主干网络之MobileNetV3（基于MMYOLO）

MobileNetV3

MobileNetV3是由Google团队在2019年提出的轻量化网络模型。传统的卷积神经网络内容需求大、运算量大，无法再移动设备以及嵌入式设备上运行，为了解决这一问题，MobileNet网络应运而生。MobileNetV3在MobileNet系列的基础上进行了进一步的优化和改进，旨在实现更小的模型大小、更低的计算成本和更高的性能。

MobileNetV3的优势

1. 轻量级设计：MobileNetV3采用了一系列创新技术，包括轻量级卷积模块和网络宽度自动调整，以实现高效的模型设计。这些技术使得MobileNetV3在保持高性能的同时，大幅度降低了模型大小和计算成本。
2. 高效的特征提取：MobileNetV3能够高效地提取图像中的特征，这有助于提高目标检测的准确性。通过优化网络结构和参数，MobileNetV3能够更准确地捕捉图像中的关键信息，从而提高检测效果。
3. 快速的推理速度：MobileNetV3具有较快的推理速度，这使得实时目标检测成为可能。在移动设备和嵌入式设备上，实时性是一个非常重要的指标，MobileNetV3的快速推理速度使其在这些设备上具有广泛的应用前景。
4. 通用性：MobileNetV3不仅适用于目标检测任务，还可用于其他计算机视觉任务，如图像分类、语义分割等。这使得MobileNetV3具有更广泛的应用范围。

作为YOLO主干网络的可行性分析

YOLO（You Only Look Once）是一种流行的实时目标检测算法，其核心思想是将目标检测任务转化为单次前向传播过程。在选择YOLO的主干网络时，需要考虑多个因素，如模型大小、计算成本、性能和实时性等。

MobileNetV3作为YOLO的主干网络具有以下可行性：

1. 模型大小和计算成本：MobileNetV3具有较小的模型大小和较低的计算成本，这使得其能够满足实时目标检测的需求。在移动设备和嵌入式设备上，这些优势尤为明显。
2. 性能：MobileNetV3具有较高的性能，能够准确地捕捉图像中的关键信息，并提取出有效的特征。这使得MobileNetV3能够作为YOLO的主干网络，提高目标检测的准确性。
3. 实时性：MobileNetV3具有较快的推理速度，这使得其能够满足实时目标检测的需求。在YOLO算法中，实时性是一个非常重要的指标，MobileNetV3的快速推理速度能够保证YOLO算法的实时性。

替换MobileNetV3(基于MMYOLO)

如果想要使用在 MMPretrain 中实现的主干网络，需要先安装 MMPretrain

##官方提供的安装命令
##如果安装不成功的可以考虑直接把压缩包下载下来进行安装
git clone https://github.com/open-mmlab/mmpretrain.git
cd mmpretrain
mim install -e .

OpenMMLab 2.0 体系中 MMYOLO、MMDetection、MMClassification、MMSelfsup 中的模型注册表都继承自 MMEngine 中的根注册表，允许这些 OpenMMLab 开源库直接使用彼此已经实现的模块。 因此用户可以在 MMYOLO 中使用来自 MMDetection、MMClassification、MMSelfsup 的主干网络，而无需重新实现。

假设想将'MobileNetV3'作为 'yolov5' 的主干网络，则配置文件如下：

_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'

# 导入 mmcls.models 使得可以调用 mmcls 中注册的模块
custom_imports = dict(imports=['mmpretrain.models'], allow_failed_imports=False)
checkpoint_file = 'https://download.openmmlab.com/mmclassification/v0/mobilenet_v3/convert/mobilenet_v3_small-8427ecf0.pth'  # noqa
widen_factor = 1.0
channels = [24, 48, 96]

model = dict(
    backbone=dict(
        _delete_=True, # 将 _base_ 中关于 backbone 的字段删除
        type='mmpretrain.MobileNetV3', # 使用 mmcls 中的 MobileNetV3
        arch='small',
        out_indices=(3, 8, 11), # 修改 out_indices
        init_cfg=dict(
            type='Pretrained',
            checkpoint=checkpoint_file,
            prefix='backbone.')), # MMCls 中主干网络的预训练权重含义 prefix='backbone.'，为了正常加载权重，需要把这个 prefix 去掉。
    neck=dict(
        type='YOLOv5PAFPN',
        widen_factor=widen_factor,
        in_channels=channels, # 注意：MobileNetV3-small 输出的3个通道是 [24, 48, 96]，和原先的 yolov5-s neck 不匹配，需要更改
        out_channels=channels),
    bbox_head=dict(
        type='YOLOv5Head',
        head_module=dict(
            type='YOLOv5HeadModule',
            in_channels=channels, # head 部分输入通道也要做相应更改
            widen_factor=widen_factor))
)