YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV1（附代码+修改教程）

已于 2024-04-16 23:08:07 修改
阅读量2.5k 收藏 33
点赞数 23
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 人工智能 机器学习 计算机视觉 目标检测 pytorch
于 2023-12-20 06:00:00 首次发布
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/java1314777/article/details/135082919
版权
本文详细介绍了将ShuffleNetV1应用于YOLOv8的改进过程，重点讲解了ShuffleNetV1的框架原理，包括点群卷积和通道混洗，并提供了代码修改教程。通过这些优化，ShuffleNetV1在降低计算复杂度和内存使用方面表现出色，适合轻量级目标检测应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文内容

本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备(我在YOLOv8n上修改该主干计算量仅为2GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

适用检测目标：这个模型非常适合轻量化的读者来使用。

推荐指数：⭐⭐⭐⭐

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

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备 

目录

一、本文内容

二、ShuffleNetV1框架原理​编辑

三、ShuffleNetV1核心代码

 四、手把手教你添加ShuffleNetV1网络结构

修改一

了解本专栏 订阅专栏 解锁全文
主干网络篇 | YOLOv8 更换主干网络之 ShuffleNetv2 | 《ShuffleNet v2：高效卷积神经网络架构设计的实用指南》
YOLOv8项目贡献者
04-20 6407
YOLOv8 更换主干网络 ShuffleNetv2 手把手教程
YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV1（附代码+修改教程）
Snu77的博客
10-24 2384
本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备(我在YOLOv11n上修改该主干计算量仅为7.0GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv8改进（一）-- 轻量化模型ShuffleNetV2
qq_44231797的博客
06-02 4439
YOLOv8；ShuffleNetV2
ShuffleNetV2-Yolov5 更轻更快易于部署的yolov5
3D视觉工坊
08-20 7417
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuff...
flexible-yolov5:具有更多主干（resnet，shufflenet，moblienet）的更具可读性和灵活性的yolov5
03-26
flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5
目标检测算法——YOLOv5/YOLOv7改进|结合轻量型网络ShuffleNetV2
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 1万+
将YOLOv5算法与轻量级网络ShuffleNetV2相结合，在保证模型检测精度基本不变的情况下，大大降低计算量FLOPS，并明显提高网络推理速度！！！
物体检测框架RON的shufflenet实现
gavens.wang的博客
01-19 1104
一。修改caffe源码1.shuffle_channel_layer.cpp 2.shuffle_channel_layer.cu 3.shuffle_channel_layer.hpp 4.conv_dw_layer.cpp 5.conv_dw_layer.cu 6.conv_dw_layer.hpp文件下载：百度网盘将cpp和cu文件放在caffe-path/src/caffe/la...
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 6250
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv10改进 | 主干/Backbone篇 | 轻量级网络ShuffleNetV1（附代码+修改教程）| 已修改
Snu77的博客
07-12 467
本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备(我在YOLOv10n上修改该主干计算量仅为2GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2（附代码+修改教程）
最新发布
Snu77的博客
10-24 2160
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv11n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
yolov3+mobilenet+darknet
03-11
github中的带mobilenet的darknet框架都是基于yolov2,不能使用yolov3模型，这是根据yolov3改的
基于ShuffleNetv2-YOLOv4模型的目标检测
龙晨天的博客
01-16 6802
1、引言（摘要） 目标检测是机器视觉领域内最具挑战性的任务之一。近年来，深度学习理论及技术的快速发展，使得基于深度学习的目标检测算法取得了巨大进展，目标检测实时性、准确度得到了很大的提高。但是除了准确度外，计算复杂度也是目标检测要考虑的重要指标，过复杂的网络可能速度很慢。另外移动端设备也需要既准确又快的小模型。研究轻量化的网络模型是很有必要的，结合前人的成果、及现有的工程，我通过将轻量化网络ShuffleNetv2 代替YoloV4的CSPDarknet-53 作为主干网络，结合一定调参方法，在VOC2.
最新FPN | CFPNet即插即用，助力检测涨点，YOLOX/YOLOv5均有效
CV_Autobot的博客
03-03 3721
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！视觉特征金字塔在广泛的应用中显示出其有效性和效率的优势。然而，现有的方法过分集中于层间特征交互，而忽略了层内特征规则，这在经验上被证明是有益的。尽管一些方法试图借助注意力机...
yolov5增加fasternet结构
athrunsunny的博客
03-17 7511
在yolo.py中的parse_model中做如下修改。直接运行yolo.py可以看网络结构。
yolov8修改yaml文件，yolov8模型重复加载，无法确定模型的大小等等问题
qq_45876890的博客
12-14 5546
11月份yolov8一些小bug问题的解决，包括迁移学习，修改配置文件，修改源码让界面中的bug更少。
yolov8缺陷检测改进步骤
热心上单小张的博客
04-24 966
位置：ultralytics/utils/metrics.py 检索fitness(self)作用：修改报错best.py的依据是百分百看recall召回率。3.创建dataset/data.yaml文件。把path改成data的绝对路径地址！2.修改fitness()函数。4.创建train.py。
YOLOv8 bug调试以及配置文件
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
07-21 1865
本文章只用于个人对于bug的一些记录，并不是yolov8的教学，因此不是从0指导跑通代码。本文章只用于个人对于bug的一些记录，并不是yolov8的教学，因此不是从0指导跑通代码。就可以自己指定训练完后的模型权重保存路径了。
速递 | YOLOv8模型改进的N种方法
小白学视觉
09-04 8184
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识YOLOv8源码到底在哪?很多人也想跟修改YOLOv5源码一样的方式去修改YOLOv8的源码，但是在github上面却发现找到的YOLOv8项目下面TAG分支是空的，然后就直接从master/main下面把源码克隆出来一通修改了，其实这种方式风险很高，而且也不是正确...
YOLOv8改进 更换轻量级网络结构
分享一些自己改进代码的实例
02-06 2422
手把手教你在yolov8原始结构中加入轻量化网络结构GhostNet，具有较低的计算复杂度和较高的准确性。
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
评论 7
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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