MobileNetV3轻量化YOLOv8

已于 2024-06-22 17:25:56 修改
阅读量74 收藏
点赞数
分类专栏： Yolo+Deepsort+ROS 文章标签： YOLO 深度学习 python
于 2024-06-22 17:20:46 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/m0_49586319/article/details/139741376
版权

1 轻量化模型

一般而言，模型轻量化有三个途径：
知识蒸馏：大模型引导小模型训练，让其逼近大模型效果
轻量化模块替换：利用一些轻量化模块进行替换，减少模型参数
剪枝：通过优化算法引导模型裁剪无用的参数

MobileNetV3论文如下，自行搜索
在这里插入图片描述

2 修改步骤

  • 在nn/modules的文件夹下新建一个backbone文件夹，在backbone文件夹里面新建一个MobileNetV3.py文件，放入MobileNetV3源码。

MobileNetV3.py如下所示

from torch import nn


# ######  Mobilenetv3
class h_sigmoid(nn
了解本专栏 订阅专栏 解锁全文 超级会员免费看
书中藏着宇宙
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
静谧、淡雅
04-19 1811
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
YOLOv8改进 更换轻量化模型MobileNetV3
分享一些自己改进代码的实例
01-03 7947
本文在yolov8的结构中更换了轻量化模型MobileNetV3，可以在移动设备和资源受限的环境下进行实时图像分类和目标检测任务，助力涨点！！！
【YOLOv8 轻量化改进】使用MobileNetV3替换backbone
m0_51579041的博客
03-07 2131
【YOLOv8 轻量化改进】使用MobileNetV3替换backbone
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 591
号称最强轻量化网络 MobileNetv4
YOLOv8轻量版，原理图
04-09
轻量化方法主要体现在以下几个方面： 1. **网络瘦身**：通过减少模型层数、通道数量或者使用更小的卷积核来降低模型复杂度，例如使用MobileNetV2或 ShuffleNet 等轻量级网络作为基础架构。 2. **量化和蒸馏**：...
基于轻量化YOLOv4的发电机定子表面缺陷检测算法.pdf
11-30
该算法使用轻量化YOLOv4模型，并将改进的MobileNetv3作为主干特征提取网络，通过在特征融合层引入CSP结构，融合卷积层和BN层的方法，使得模型体积大幅减小。实验结果表明，该算法在发电机定子表面缺陷数据集上的平均...
yolov8官方预训练模型
05-31
可能引入了如Focal Loss来解决类别不平衡问题，也可能采用了更高效的卷积层设计，如Conformer或MobileNetV3的轻量化结构，以实现更快的推理速度。 2. 预训练模型的多样性： - yolov8l.pt：大模型，通常具有更高的...
YOLOv8的相关知识点说明
05-28
相比YOLOv3和YOLOv4，YOLOv8可能引入了更多轻量级卷积层，如MobileNetV2或EfficientNet，以提高计算效率。此外，可能会采用一些最新的注意力机制，如SE模块（Squeeze-and-Excitation）或CBAM（Channel Attention and...
基于MobileNet与YOLOv3的轻量化卷积神经网络设计.pdf
09-25
基于 MobileNet 与 YOLOv3 的轻量化卷积神经网络设计 在当前的目标检测算法中，基于卷积神经网络的检测算法在小型图像处理计算平台中存在兼容性较差、计算能力低下以及网络训练过程中占用内存过大的问题。为了解决...
实战 | YOLOv8使用TensorRT加速推理教程（步骤 + 代码）
Color Space的博客
07-09 280
这一步主要是安装根据自己的硬件安装GPU驱动，下载CUDNN等，以往的文章已经介绍过多次，可以点击下面的图片跳转到对应文章查看(点击图片跳转)。DeepSparse：专为稀疏模型设计的CPU推理运行时，可以有效加速基于WSL2的Windows环境下的推理。OpenVINO：Intel的推理工具套件，用于CPU上的模型优化和加速，支持量化和多种硬件加速。可以使用官网下载的模型也可以使用自己训练好的模型。保持框架最新：确保使用的深度学习框架版本是最新的，以获得最新的优化和bug修复。
绝缘子陶瓷绝缘子玻色绝缘子聚合物绝缘子检测数据集VOC+YOLO格式2050张3类别
FL1623863129的博客
07-06 205
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["glass insulator","polymer insulator","porcelain insulator"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2050。标注数量(xml文件个数)：2050。标注数量(txt文件个数)：2050。
Faster R-CNN 和 YOLO 对比
AndrewPerfect的博客
07-07 495
性能和应用场景：适用于对检测精度要求较高的场景，如学术研究、工业检测等。它在处理复杂背景和多样化目标时具有优势，但由于速度较慢，不适合实时应用。YOLO：适用于需要高速度的实时检测场景，如自动驾驶、视频监控等。虽然精度相对较低，但其速度和效率使其在实时应用中非常有竞争力。模型复杂度和资源需求：模型复杂，训练和推理时间较长，需要较多计算资源。适合在有强大硬件支持的情况下使用。YOLO：模型简单，训练和推理速度快，资源需求较低。适合在资源有限的设备上进行实时检测。
YOLOv10改进 | 图像去雾 | MB-TaylorFormer改善YOLOv10高分辨率和图像去雾检测（ICCV，全网独家首发）
最新发布
Snu77的博客
07-10 220
本文给大家带来的改进机制是图像去雾MB-TaylorFormer，其发布于2023年的国际计算机视觉会议（ICCV）上，可以算是一遍比较权威的图像去雾网络，是一种为图像去雾设计的多分支高效Transformer网络，它通过应用泰勒公式展开的方式来近似softmax-attention机制，实现了线性的计算复杂性，原本的网络计算量和参数量比较高，我对其进行了一定的跳转参数量和计算量都大幅度的降低，其为高分辨率图像处理也提供了一种新的解决方案。欢迎大家订阅我的专栏一起学习YOLO！
使用YOLO训练好自己的模型并持续训练【教程二】
donnycode编程栈
07-09 272
在使用已经训练好的 YOLOv5 模型继续训练时，如果减少了 yaml 文件中的 classes 分类数，这会对模型产生影响。具体影响取决于以下几个方面：类别数量减少：如果你在继续训练时减少了 classes 中的类别数量，模型将不会再检测那些已移除的类别。这意味着模型的权重将被重新调整以适应新的类别数量和类别标签。这会导致以下问题：权重调整：模型会重新分配权重，原有的类别可能会受到影响。检测准确性：减少类别数量可能导致检测准确性降低，尤其是在剩余类别与被移除类别有特征重叠的情况下。
YOLOv8改进 | 注意力机制| 利用并行子网络构建深度较浅但性能卓越的网络【全网独家】
kay_545
07-10 629
yolov8， yolov8改进，ParNetAttention，
【LeYOLO】嵌入式和移动端的轻量级YOLO模型
athrunsunny的博客
07-10 753
在深度神经网络中，计算效率对于目标检测至关重要，尤其是在新模型更注重速度而非有效计算（FLOP）的情况下。这一演变某种程度上忽视了嵌入式和面向移动端设备的AI目标检测应用。在本文中，作者重点关注基于FLOP的高效目标检测计算的神经网络架构设计选择，并提出几项优化措施来提高基于YOLO模型的效率。1、首先，作者引入了一种受倒置瓶颈（inverted bottlenecks）和来自信息瓶颈（the Information Bottleneck）原理的理论所启发的有效 Backbone 网络缩放方法。
YOLOv8改进 | 注意力机制 | 结合静态和动态上下文信息的注意力机制
kay_545
07-06 872
yolov8，yolov8改进，yolov8添加注意力机制，yolov8
yolov5 json 和 txt数据格式关系
weixin_41021342的博客
07-06 143
关于yolov5 数据格式一直以来都傻傻分不清楚，这下进行了一个梳理，做了笔记，也希望可帮助到有需要的有缘人~
yolov5的mobilenetv3轻量化
08-17
yolov5使用的是自家开发的网络结构，而不是yolov7。在yolov5中，并没有特别称为"mobilenetv3轻量化"的模型，而是通过精心设计的网络结构和训练策略来实现轻量化。所以，与引用中提到的"yolov7 mobilenetv3_large网络结构"并不完全一致。然而，MobileNetV3确实是一种轻量级卷积神经网络，可以用于设计轻量化模型，以适应移动设备和嵌入式设备的资源限制。 MobileNetV3相比于前几个版本，通过引入自适应瓶颈宽度、借鉴Squeeze-and-Excitation机制以及引入h-swish激活函数等创新点，提高了模型的大小、计算效率和精度。所以，使用MobileNetV3可以在轻量化模型中获得较好的性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Yolov5轻量化:MobileNetV3，轻量级骨架首选](https://blog.csdn.net/m0_63774211/article/details/130759668)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [yolov7+mobilenetv3-large网络结构.yaml](https://download.csdn.net/download/yjcccccc/88180430)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

书中藏着宇宙

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