摘要:本文介绍了一项独家原创改进,基于YOLOv8的模型优化,并引入了全新的PWConv核心结构。该改进方案旨在进一步轻量化模型、提高测试数据集mAP、降低参数量,并追求更高的FLOPS计算机视觉能力。
引言:
计算机视觉领域中,目标检测是一个关键任务,它在许多应用领域中起着重要作用。YOLOv8是一种流行的目标检测模型,具有较高的速度和准确性。然而,为了进一步提高模型性能并满足轻量化的需求,我们进行了一系列原创改进,并提出了全新的PWConv核心结构。本文将详细介绍我们的改进策略,并提供相应的源代码供读者参考。
- 改进策略
1.1 模型轻量化
我们针对YOLOv8模型进行了一系列的轻量化改进。首先,我们引入了通道注意力机制(Channel Attention),以自动学习输入特征图像中的通道权重。这样可以使得模型在保持较高准确性的同时降低参数量。其次,我们采用了深度可分离卷积(Depthwise Separable Convolution),将标准卷积操作分解为深度卷积和1x1卷积操作。这一改进不仅减少了计算量,还保持了模型的表达能力。最后,我们使用了神经网络剪枝技术,进一步减少了模型的参数量。
1.2 PWConv核心结构
PWConv(Point-Wise Convolution)是我们提出的全新核心结构