【RT-DETR有效改进】反向残差块网络EMO | 一种轻量级的CNN架构（轻量化网络，参数量下降约700W）

已于 2024-01-29 15:49:14 修改
阅读量1.7k 收藏 26
点赞数 17
分类专栏： RT-DETR有效改进专栏 文章标签： YOLO 人工智能 计算机视觉 目标检测 深度学习 python pytorch
于 2024-01-28 03:24:31 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/135891193
版权
本文介绍了如何将反向残差块网络EMO应用于RT-DETR，通过EMO的轻量级CNN架构，降低约700W参数量。详细阐述了EMO模型原理，并提供了添加EMO的步骤，包括修改代码和配置文件，以解决计算量打印问题。文章还展示了成功训练的截图。

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

👑欢迎大家订阅本专栏，一起学习RT-DETR👑   

一、本文介绍

本文给大家带来的改进机制是反向残差块网络EMO，其的构成块iRMB在之前我已经发过了，同时进行了二次创新，本文的网络就是由iRMB组成的网络EMO，所以我们二次创新之后的iEMA也可以用于这个网络中，再次形成二次创新，同时本文的主干网络为一种轻量级的CNN架构，轻量化网络，参数量下降约700W。

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR  

目录

一、本文介绍

二、EMO模型原理

三、EMO的核心代码 

四、手把手教你添加EMO

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四

4.5 修改五

4.6 修改六

4.7 修改七 

4.8 修改八

4.9 必备修改！

4.10 RT-DETR不能打印计算量问题的解决

4.11 可选修改

五、EMO的yaml文件

5.1 yaml文件

了解本专栏 订阅专栏 解锁全文
【RT-DETR有效改进】轻量级下采样方法ContextGuided（参数量下降700W，轻量又涨点）
Snu77的博客
02-06 6063
本文给大家带来的是改进机制是一种替换Conv的模块，其是在CGNet论文中提出的一种模块，其基本原理是模拟人类视觉系统依赖上下文信息来理解场景。CG block 用于捕获局部特征、周围上下文和全局上下文，并将这些信息融合起来以提高准确性。本文改进是基于ResNet18、ResNet34、ResNet50、ResNet101，文章中均以提供，本专栏的改进内容全网独一份深度改进RT-DETR非那种无效Neck部分改进，同时本文的改进也支持主干上的即插即用，本文内容也支持PP-HGNetV2版本的修改。
YOLOv10改进 | 主干篇 | YOLOv10引入MobileNetV2替换Backbone
tsg6698的博客
07-01 251
此外，我们发现消除窄层中的非线性以保持表征能力非常重要。它是在MobileNetV1的基础上进行改进的，主要通过引入深度可分离卷积（Depthwise Separable Convolution）和线性瓶颈（Linear Bottleneck）来减少计算量和参数量，同时保持较高的识别性能。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
RT-DETR全解析：超越 YOLO，实时物体检测更快更精准（附代码）
Coovally_AI的博客
01-09 2755
RT-DETR为实时物体检测任务提供了一个新的解决方案，一个模型的优秀不仅仅只看它的速度和精度，它出彩的设计理念让它真正被人们记住，至于算不算“YOLO终结者”，我认为看完整篇文章，你应该有自己的看法了，欢迎在评论区讨论交流哦！为了弥补这一缺点，RT-DETR进行了优化，使得其不仅继承了Transformer的优势，还能够在保持较高精度的同时，大大提高了推理速度。在传统的DETR中，解码器通常需要大量的计算来匹配物体和查询，但RT-DETR在此基础上进行了改进，通过更高效的解码机制加速了计算过程。
即插即用模块反向残留移动块（iRMB）详解（论文+代码）
weixin_47151388的博客
04-26 6511
本文的重点是在权衡参数、FLOPs和性能的同时，为密集预测开发现代、高效、轻量级的模型。倒立残差块(IRB)是轻量级cnn的基础结构，但在基于注意力的研究中还没有相应的基础结构。本文从高效IRB和Transformer的有效组件的统一角度重新思考轻量级基础架构，将基于cnn的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。根据简单而有效的设计准则，我们推导出了一种现代的反向残差移动块(Inverted Residual Mobile Block,iRMB)
【RT-DETR训练性能评估指标】结果文件分析 | mAP、Precision、Recall、FPS、IoU (科研必备)
Snu77的博客
01-21 8604
这篇博客，主要给大家讲解我们在训练RT-DETR时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一个在一次训练完成之后都能生成多少个文件如下图所示，下面的文章讲解都会围绕这个结果文件来介绍。二、评估用的数据集。
《MobileNetV2: Inverted Residuals and Linear Bottlenecks》
胖胖大海的博客
07-18 2073
标准残差块： 1、使用1x1卷积减少通道数 2、使用NxN卷积提取特征 3、使用1x1卷积提升通道数，提升后与输入通道数相等 4、将残差块的输入与输出相加，形成short-cut连接 备注：标准残差块的通道数两头大，中间小 反向残差块（inverted residual）： 1、使用1x1卷积提升通道数 2、使用深度可分离卷积提取特征 3、使用1x1卷积减少通道数，减少后与输入通道数相等 4、将残差块的输入与输出相加，形成short-cut连接 备注：翻转残差块的通道数两头小，中间
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
RT-DETR优化策略：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计|ICCV2023
会AI的学姐
11-17 1651
面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和 FLOPs 超越了基于 CNN/Transformer 的 SOTA 模型，支持四个版本EMO_1M, EMO_2M, EMO_5M, EMO_6M，参数量如下，相对于自带的rtdetr-l、rtdetr-x有很大提升
YOLOv10改进：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计 | ICCV2023
会AI的学姐
06-13 313
面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和 FLOPs 超越了基于 CNN/Transformer 的 SOTA 模型，支持四个版本EMO_1M, EMO_2M, EMO_5M, EMO_6M
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 15万+
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。
YOLOv8训练参数总结及翻译
深度学习炼丹师，偶尔分享炼丹技术!
06-29 2355
等，或者根据型号配置自动选择。影响收敛速度和稳定性。
RT-DETR代码详解（官方pytorch版）——参数配置（1）
小小老大MUTA的博客
01-07 6503
RT-DETR代码详解（官方pytorch版）参数配置
大幅减少GPU显存占用：可逆残差网络(The Reversible Residual Network)
我爱计算机视觉
01-30 1960
点击我爱计算机视觉标星，更快获取CVML新技术本文经授权转载自AINLP。作者：光彩照人学校：北京邮电大学研究方向：自然语言处理，精准营销，风险控制前序：　　Google AI最新出品的...
RT-DETR算法优化改进：轻量化自研设计双卷积重新设计backbone和neck，完成涨点且计算量和参数量显著下降
12-12 1734
双卷积由组卷积和异构卷积组成，执行 3×3 和 1×1 卷积运算代替其他卷积核仅执行 1×1 卷积，YOLOv8Conv，从而轻量化RT-DETR，性能如下表，GFLOPs8.1降低至7.6，参数量6.3MB降低至5.8MB
DETR系列：RT-DETR（一） 论文解析
lansebingxuan的专栏
06-26 2万+
实时目标检测(Real-Time Object Detection )过去一直由 YOLO 系列模型主导。YOLO 检测器有个较大的待改进点是需要 NMS 后处理，其通常难以优化且不够鲁棒，因此检测器的速度存在延迟。2020年DETR算法诞生，Detr是第一个基于transformer的端到端算法，没有anchor前处理和NMS后处理，但是Detr收敛慢，训练慢，推理也慢，尽管后续的优化算法不断加快收敛速度，提升推理速度，但仍然无法实现实时要求。
SplitSR: An End-to-End Approach to Super-Resolution on Mobile Devices
Douzaikongcheng的博客
01-13 2497
SplitSR:在移动设备上实现超分辨率的端到端方法，主要提出了SplitSRBlock这个block
YOLOv9改进策略 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
05-16 991
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
最新发布
m0_64858060的博客
03-03 1092
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
RT-DETR
whaosoft143ai的博客
04-20 1992
实时目标检测中击败YOLO家族？来看看百度飞桨的PaddleDetection团队提出的 RT-DETR究竟强在哪里。众所周知，实时目标检测(Real-Time Object Detection)一直被YOLO系列检测器统治着，YOLO版本更是炒到了v8，前两天百度飞桨的PaddleDetection团队发布了一个名为 RT-DETR 的检测器，宣告其推翻了YOLO对实时检测领域统治。whaosoft aiot http://143ai.com
YOLOv8改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8（超级轻量化精度更高）
01-04
为了使YOLOv8更加轻量化并提升检测精度，可以采用来自RT-DETR的PPHGNetV2作为新的特征提取器[^1]。这种方法不仅能够增强模型的表现力，还能减少计算资源的需求。 #### 替换原有主干网络 原有的YOLOv8主干网络被...
评论 3
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