YoloV8改进策略：InceptionNeXt和YoloV8完美结合，让YoloV8大放异彩（附结构图）

InceptionNeXt是今年颜水成团队发布的一篇论文，将ConvNext和Inception的思想融合，即IncepitonNeXt。将InceptionNeXt加入到YoloV8的主干网络会出现什么奇迹呢？我们一起见证吧！

论文翻译

摘要

https://arxiv.org/pdf/2303.16900.pdf

受 Vision Transformer 长程依赖关系建模能力的启发，大核卷积最近被广泛研究和采用，以扩大感受野和提高模型性能，如采用7×7深度卷积的杰出工作connext。虽然这种深度算子只消耗少量的flop，但由于其较高的访存开销，极大地影响了模型在功能强大的计算设备上的效率。例如，ConvNeXt-T与ResNet-50具有类似的FLOPs，但在A100 gpu上进行全精度训练时，仅实现了60%的吞吐量。虽然减小ConvNeXt的核大小可以提高速度，但会导致性能的显著下降。目前还不清楚如何在保持性能的同时加快基于大核的CNN模型的速度。为解决该问题，受概念启发，本文提出将大核深度卷积分解为沿通道维度的四个平行分支，即小方形核、两个正交带核和一个单位映射。通过这种新的Inception深度卷积，构建了一系列网络，即IncepitonNeXt，不仅享有高吞吐量，而且保持有竞争力的性能。例如，InceptionNeXt-T实现了比convnext - t高1.6倍的训练吞吐量，并在ImageNet- 1K上实现了0.2%的top-1精度提高。我们期