YOLOv8改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule改进C2f（全网独家首发）

已于 2024-04-19 15:25:27 修改
阅读量6.1k 收藏 36
点赞数 13
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 神经网络 计算机视觉 人工智能 python yolov8
于 2024-04-19 04:15:00 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/137885567
版权
本文详细介绍了如何利用CVPR2024的DynamicConv论文中的GhostModule改进YOLOv8的C2f部分。通过动态卷积，文章展示了在不大幅增加FLOPs的情况下提升模型参数量的方法，增强了网络的适应性和参数效率。作者还手把手指导读者如何在代码中添加GhostModule，并提供了yaml文件和训练过程记录。

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

一、本文介绍

本文给大家带来的改进机制是CVPR2024的最新改进机制DynamicConv其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，在V8n上其参数量仅有220W计算量为5.8GFLOPs，从而允许这些网络从大规模视觉预训练中获益。

  欢迎大家订阅我的专栏一起学习YOLO！ 

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 

目录

一、本文介绍

二、原理介绍

三、核心代码 

四、手把手教你添加GhostModule机制

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、Gho

了解本专栏 订阅专栏 解锁全文
YOLOv8改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合C2f进行二次创新,提高精度
Limiiiing的博客
12-12 347
在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。
YOLOv8改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（包含C2f创新改进，解决低FLOPs陷阱）
Snu77的博客
04-18 5849
动态卷积（Dynamic Convolution）是《DynamicConv.pdf》中提出的一种关键技术，旨在增加网络的参数量而几乎不增加额外的浮点运算（FLOPs）。1. 动态卷积的定义：动态卷积通过对每个输入样本动态选择或组合不同的卷积核（称为"experts"），来处理输入数据。这种方法可以视为是对传统卷积操作的扩展，它允许网络根据输入的不同自适应地调整其参数。
YOLOv10改进系列 ---- Conv篇 ---- CVPR2024最新DynamicConv替换下采样
m0_58941767的博客
02-19 1174
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V10n和利用了DynamicConv的训练精度对比图，本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv8独家改进：卷积变体系列篇 |动态卷积 DynamicConv, CVPR2024 ParameterNet 低计算量小模型也能从视觉大规模预训练中获益
会AI的学姐
04-28 909
显著提高了大型视觉模型的性能，即现有的低FLOPs模型不能从大规模的预训练中获益
yolov8魔改之Ghost引入
Littro Innovations
06-04 1097
Ghost层是在CVPR 2020上由华为诺亚方舟实验室提出的7。它是一种新型的端侧神经网络架构，称为GhostNet。Ghost层的核心思想是通过廉价操作生成更多的特征图，从而在保持精度的同时减少计算量和参数量。在YOLO（You Only Look Once）目标检测模型中引入Ghost层是可行的，并且可以带来一些潜在的性能提升。这些改进使得Ghost层及其衍生架构在轻量化网络设计和推理加速方面具有显著的技术提升。以下是引入Ghost的网络层结构。
Yolov8轻量化：RepGhost，通过重参数化实现硬件高效的Ghost模块
07-31 1590
一种轻量级CNN模块，并提出RepGhostNet轻量级网络，性能优于GhostNet、MobileNetV3等，在移动设备上具有更少的参数和可比的延迟。
Dynamic-conv
weixin_50476352的博客
09-25 674
引入动态卷积，即根据多个卷积核对每个输入的关注程度，动态地对它们进行聚合。与静态算法(每层只有一个卷积核)相比，该算法显著提高了网络的表示能力，但增加了大量的计算开销，对高效的网络神经网络更加友好。并且可以很容易地集成到现有的CNN架构中路 论文名称：Dynamic Convolution: Attention over Convolution Kernels 作者：Yinpeng Chen ，Xiyang Dai， Mengchen Liu， Dongdong Chen， Lu Yuan， Zichen
YOLOv10改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule改进C2f（全网独家首发）
Snu77的博客
07-11 812
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，从而允许这些网络从大规模视觉预训练中获益。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv5改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule改进C3（全网独家首发）
Snu77的博客
04-23 1657
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，在V5n上其参数量仅有220W计算量为5.8GFLOPs，
YOLOv11改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule辅助C3k2进行特征融合（全网独家首发）
Snu77的博客
10-16 2693
本文给大家带来的改进机制是CVPR2024的改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，从而允许这些网络从大规模视觉预训练中获益。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进 | 模块融合 | C2f融合 ghost + DynamicConv 【两次融合 + 独家改进】
kay_545
08-28 2434
yolov8， yolov8模块缝合，C2f_GhostDynamicConv
YOLOv8改进FPN系列：引入创新的GhostSlimFPN范式网络结构，进一步提升计算机视觉性能
LgvrApplescript的博客
09-21 657
在GhostSlimFPN中，Slim模块被应用在Ghost模块的主路径和辅助路径中，以进一步减少网络的计算量和参数量。综上所述，GhostSlimFPN是一种改进的网络结构，通过引入Ghost模块和Slim模块，可以在保持较低计算复杂度的同时提高计算机视觉任务的性能。这种分离的设计可以大幅度减少网络的计算量和参数量，同时保持较好的特征表达能力。在本文中，我们将介绍一种基于YOLOv8和FPN的改进方法，即GhostSlimFPN，它通过引入新颖的网络结构，进一步提升了计算机视觉任务的性能。
YOLOv8改进 | 卷积模块 | GSConv替换普通的conv【轻量又涨点】
kay_545
06-28 4021
yolov8，yolov8改进，GSConv卷积
YOLOv8最新改进2023 CVPR 结合BiFormer
qq_53545309的博客
09-28 588
作为视觉转换器的核心构建块，衰减是捕获长距离依赖性的强大工具。然而，这种能力是有代价的：它会产生巨大的计算负担和沉重的内存占用，因为所有空间位置的成对标记交互都是计算的。一系列作品试图通过将手工制作和与内容无关的稀疏性引入 attention 来缓解这个问题，例如将 attention 操作限制在局部窗口、轴向条纹或扩张的窗口内。与这些方法相反，我们提出了一种通过双层路由的新型 dy namic 稀疏注意力，以实现具有内容感知的更灵活的计算分配。
YOLOv8改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化模型（独家改进）
最新发布
Limiiiing的博客
02-22 240
在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。
主干网络篇 | YOLOv8更换主干网络之ConvNext | 全新的纯卷积模型
突然好想你
04-14 803
2022年，Facebook AI Research和UC Berkeley一起发表了一篇文章A ConvNet for the 2020s，在文章中提出了ConvNeXt纯卷积神经网络，它对标的是2021年非常火的Swin Transformer，通过一系列实验比对，在相同的FLOPs下，ConvNeXt相比Swin Transformer拥有更快的推理速度以及更高的准确率，在ImageNet 22K上ConvNeXt-XL达到了87.8%的准确率。🌈
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 4358
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！目录一、本文介绍二、原理介绍。
DynamicConv（动态卷积）
微信号：Custom-Software
08-23 9931
DynamicConv（动态卷积） 第一个总结: 动态卷积的目标在于：在网络性能与计算负载中寻求均衡。常规提升网络性能的方法（更宽、更深）往往会导致更高的计算消耗，因此对于高效网络并不友好。 因而，相比静态卷积，动态卷积具有更强的特征表达能力。 相比静态感知器，动态感知器具有更大的模型。它包含两个额外的计算：(a)注意力权值计算；(2)动态权值融合。尽管如此，这两点额外计算相比感知器的计算量可以忽略： Dynamic Convolution 类似于动态感知器，动态卷积同样具有K个核。按照CNN中的经典设
YOLOv10引入DynamicConv结构图
12-27
关于YOLOv10中引入DynamicConv结构的信息目前尚未广泛公开，这可能是因为YOLO系列算法的更新版本发布信息有限或是该特定改进仍处于研究阶段。然而，在讨论动态卷积（Dynamic Convolution）的应用时，通常指的是在网络层中自适应调整权重的能力，使得模型能够根据不同输入灵活改变其行为[^1]。 对于YOLO架构而言，集成DynamicConv意味着增强目标检测器处理多样化场景的能力。具体来说： - **特征提取优化**：通过学习不同位置上的专用滤波器来提高对复杂背景下的物体识别精度。 - **减少冗余计算**：仅针对感兴趣区域应用更精细的操作，从而节省资源并加速推理过程。 尽管具体的实现细节和官方发布的YOLOv10架构图暂时不可得，但可以根据现有知识推测，DynamicConv可能会被嵌入到骨干网络或颈部设计之中，以改善多尺度感知能力和鲁棒性。 ```python # 这是一个假设性的Python伪代码片段展示如何在一个简化版的目标检测框架里添加dynamic convolution机制 class DynamicConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3): super(DynamicConv, self).__init__() self.weight_generator = nn.Conv2d(in_channels=in_channels, out_channels=out_channels * (kernel_size ** 2), kernel_size=1) def forward(self, x): weights = self.weight_generator(x).view( batch_size, -1, height, width) # 动态生成每张图片上每个空间位置处使用的conv weight output = F.conv2d(input=x, weight=weights, stride=1, padding=(kernel_size//2)) return output ```
评论 16
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