RT-DETR算法优化改进：Backbone改进 | VanillaNet一种新视觉Backbone，极简且强大！华为诺亚2023

已于 2023-11-20 22:36:29 修改
阅读量1.9k 收藏 1
点赞数 1
分类专栏： RT-DETR魔术师 文章标签： 算法 华为 YOLO 开发语言 目标检测 人工智能
于 2023-11-14 16:07:58 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_63774211/article/details/134401243
版权
RT-DETR魔术师 专栏收录该内容
59 篇文章 46 订阅 ¥199.90 ¥299.90
订阅专栏

💡💡💡本文独家改进： VanillaNet助力RT-DETR ，替换backbone，简到极致、浅到极致！深度为6的网络即可取得76.36%@ImageNet的精度，深度为13的VanillaNet甚至取得了83.1%的惊人性能。

推荐指数：五星

RT-DETR魔术师专栏介绍：

https://blog.csdn.net/m0_63774211/category_12497375.html

✨✨✨魔改创新RT-DETR

🚀🚀🚀引入前沿顶会创新，助力RT-DETR

🍉🍉🍉基于ultralytics优化，与YOLO完美结合
 

 1.VanillaNet

 论文：https://arxiv.org/pdf/2305.12972.pdf

      来自华为诺亚、悉尼大学的研究者们提出了一种极简的神经网络模型 VanillaNet，以极简主义的设计为理念，网络中仅仅包含最简单的卷积计算&#

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
【RT-DETR有效改进】 主干篇 | SwinTransformer替换Backbone（附代码 + 详细修改步骤 +原理介绍）
Snu77的博客
01-23 1643
本文给大家带来的改进机制是利用替换RT-DETR中的骨干网络其是一个开创性的视觉变换器模型，它通过使用位移窗口来构建分层的特征图，有效地适应了计算机视觉任务。与传统的变换器模型不同，Swin Transformer的自注意力计算仅限于局部窗口内，使得计算复杂度与图像大小成线性关系，而非二次方。这种设计不仅提高了模型的效率，还保持了强大的特征提取能力。Swin Transformer的创新在于其能够在不同层次上捕捉图像的细节和全局信息，使其成为各种视觉任务的强大通用骨干网络。
YOLOv8-Seg改进：轻量级Backbone改进 | VanillaNet极简神经网络模型 | 华为诺亚2023
会AI的学姐
11-17 1592
：一种极简的神经网络模型 VanillaNet，支持vanillanet_5, vanillanet_6, vanillanet_7, vanillanet_8, vanillanet_9, vanillanet_10, vanillanet_11等版本，相比较yolov8-seg各个版本性能见文章
YOLOv8算法改进【NO.93】使用resnet18网络作为主干特征提取网络
m0_70388905的博客
12-14 2357
使用resnet18网络作为主干特征提取网络
微软亚研院提出DETR最强改进策略 | DETR无痛涨点Tricks集合
CV_Autobot的博客
09-19 1846
作者|AI视界引擎 编辑|AI视界引擎点击下方卡片，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【Transformer】技术交流群本文只做学术分享，如有侵权，联系删文本论文提出了一种改进的DETR检测器，保持了“简单”的特性：使用单一尺度的特征图和全局交叉注意力计算，而没有特定的局部约束，与之前领先的基于DETR的检测器形成对比，后者重新引入了多尺度和局部...
YOLOv8改进实战 | 更换主干网络Backbone（六）之轻量化模型VanillaNet进阶篇
w94ghz的博客
11-22 1146
计算机视觉基础考查试卷1
08-08
计算机视觉基础考查试卷1主要涉及了神经网络和计算机视觉领域的一些核心概念与技术。以下是针对试卷内容的详细解析： 1. **性能度量指标**：Precision（精确率）、Recall（召回率）、BEP（Break-Even Point）、F1...
【轻量级网络】华为诺亚：VanillaNet
专注人工智能，主攻CV
06-01 1321
随着人工智能芯片的发展，神经网络推理速度的瓶颈不再是FLOPs或参数量，因为现代GPU可以很容易地进行计算能力较强的并行计算。相比之下，神经网络复杂的设计和较大的深度阻碍了它们的速度。在此背景下，华为诺亚提出了极简网络架构VanillaNet，在ImageNet数据集上，深度为6的网络即可取得76.36%的精度，深度达到13时便能取得83.1%的精度！如果能够将深度训练和重参数化合理地结合起来，就是模型压缩利器，大有文章可做，挖个坑~
修改 YOLOv5 7.0 的backbone—以ResNet为例
weixin_44243449的博客
12-18 2572
基于Ultralytics版的YOLOv57.0，修改YOLOv5的backbone有两种方式：①对于常见的分类网络，如：VggNet、ResNet、ViT、SwinTransformer等。可以直接利用Timm库修改；②对于一些不太常见的分类网络，则需要手动修改模型文件内容，利用yolo.py的“parse_model”函数建立修改后的模型。
目标检测算法改进系列之Backbone替换为Swin Transformer
DM_zx的博客
10-06 779
目标检测算法改进系列之Backbone替换为Swin Transformer
目标检测算法改进系列之Backbone替换为VanillaNet
DM_zx的博客
11-11 2842
目标检测算法改进系列之Backbone替换为VanillaNet
【RT-DETR有效改进】华为最新VanillaNet主干替换Backbone实现大幅度涨点
最新发布
Snu77的博客
01-18 1199
本文给大家来的改进机制是华为最新发布的VanillaNet网络，VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单，层数较少，避免了像深度架构和自注意力这样的复杂操作。我将其替换整个RT-DETR的Backbone，在一些大目标和小目标检测上均有涨点，效果比上一篇RepViT的效果要好。接下来，我会展示一下原始版本和我改进后版本在训练上的对比图。之后会在文章中介绍该网络结构，然后教大家如何修改该网络结构，下面的图片为在我的数据上的实验对比图，左边为基础版本 ，右边为修改了本文该机制的结
MobileNet ShuffleNet & yolov5替换backbone
weixin_50862344的博客
07-31 1208
啥也不是的笔记
目标检测：记录mmdetection替换backbone为ResNeSt
qq_30612045的博客
03-11 4384
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、基本环境配置二、实现过程1.Define resnest2. Import the module3. 适配resnest.py4. 适配resnet.py5. Use the backbone in your config file 前言 实验需要将现有开源目标检测代码的backbone替换为ResNeSt，开源代码基于mmdetection v1开发，mmcv版本较低（0.2.16），随着版本更新， 目前mmdetec
Semantic Segmentation on Remotely Sensed Images Using an Enhanced Global Convolutional Network with ...
weixin_30746117的博客
05-05 178
创新点： 1、在GCN（global convolutional network）基础上，把他的backbone替换成更多层的，使其适应中分辨率影像，resnet50,101,152 2、利用 channel attention 来挑选出最具有识别力的特征 3、迁移学习来解决数据稀缺的问题，用了不同分辨率训练好的数据 目标数据集： landsat-8 和ISPRS Vaihi...
关于yolov8的训练的一些改动
い天然呆的博客
02-03 4380
关于yolov8的训练的一些改动，冻结训练
【DETR源码解析】二、Backbone模块
qq_38253797的博客
11-01 4250
detr
【vision transformer】DETR原理及代码详解（四）
qq_35831906的博客
04-14 4029
本节是 DETR流程及 构建backbone和position embedding 相关部分的代码解析 STEP 1: Create model and criterion #构建模型和标准 STEP 2: Create train and val dataloader #构建训练和测试数据集 STEP 3: Define lr_scheduler #定义学习策略 STEP 4: Define optimizer #定义优化器 STEP 5: Load...
[目标检测新范式]DETR --- End-to-End Object Detection with Transformers
热门推荐
梦坠凡尘
05-29 4万+
论文：https://arxiv.org/abs/2005.12872 代码：https://github.com/facebookresearch/detr 参考 https://blog.csdn.net/longxinchen_ml/article/details/86533005
模型修改之替换骨干网络（backbone）
weixin_44715117的博客
06-16 1万+
说实话这篇文章是没有在计划之内的，但是有读者说让我出一个使用transformer替换其他骨干网络的示例，想了想，最近好像没啥状态的，论文有点看不下去，正好整理一下自己的经验把。说实话替换骨干网络说简单也简单，说麻烦也麻烦，替换骨干网络个人感觉就是一个debug代码匹配输入输出的问题，作为菜鸡的一种能想到的改进模型方式之一，替换骨干网络也不失为一种锻炼自己看懂代码、改代码的能力，废话就到这里，下面开始文章的内容。为什么一些模型能够把其内部的模块进行替换？理由很简单，就是把里面的模块看作一个黑盒子，黑盒子有着
基于Transformer的目标检测算法发展历史
12-07
基于Transformer的目标检测算法是近年来的研究热点之一。以下是一些代表性的算法及其发展历史： 1＊＊＊于2020年提出。DETR使用Transformer将输入图像中的所有对象同时编码为一个固定大小的向量，然后使用匈牙利算法将对象与预测框进行匹配，从而实现目标检测。 2. Deformable DETR：是在DETR的基础上提出的改进算法，由南京大学和华为诺亚方舟实验室的研究人员于2021年提出。Deformable DETR使用可变形卷积网络（Deformable Convolutional Networks）来提高对象的感受野，从而提高目标检测的准确性。 3. Sparse R-CNN：是由华中科技大学的研究人员于2021年提出的算法。Sparse R-CNN使用Transformer来对输入图像进行编码，并使用稀疏注意力机制来减少计算量。该算法在目标检测任务中取得了很好的性能。 4. Swin Transformer：是由香港中文大学的研究人员于2021年提出的算法。Swin Transformer使用分层的Transformer结构来处理输入图像，并使用跨阶段特征融合（Cross-Stage Partial Networks）来提高特征的表达能力。该算法在多个目标检测数据集上取得了最先进的性能。
评论 1
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

AI小怪兽

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