YOLOv5独家原创改进：轻量化自研设计双卷积，重新设计backbone和neck卷积结构，完成涨点且计算量和参数量显著下降

最新推荐文章于 2024-05-13 16:21:17 发布
最新推荐文章于 2024-05-13 16:21:17 发布
阅读量625 收藏 1
点赞数 5
分类专栏： YOLOv5原创自研 文章标签： YOLO 网络 算法 人工智能 开发语言
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/134894958
版权
YOLOv5原创自研 专栏收录该内容
92 篇文章 31 订阅 ¥299.90 ¥399.90
订阅专栏
本文介绍了如何将原创的 DualConv 结构应用到YOLOv5中，通过结合深度可分离卷积、组卷积和异构卷积的优势，实现了在降低计算量和参数量的同时提升模型性能。详细阐述了 DualConv 的设计原理，并提供了修改YOLOv5模型的步骤和配置文件。
摘要由CSDN通过智能技术生成

💡💡💡本文自研创新改进：双卷积由组卷积和异构卷积组成，重新设计backbone和neck卷积结构，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，从而轻量化YOLOv5，性能如下表，GFLOPs 15.8降低至13.9，参数量14.5MB降低至12.6MB

layers  parameters GFLOPs MB
yolov5s 157
了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 5
    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
YOLOv8改进 | Conv篇 | 利用DualConv二次创新C2f提出一种轻量化结构（轻量化创新）
Snu77的博客
01-26 4094
本文给大家带来的改进机制是利用DualConv改进C2f提出一种轻量化的C2f，DualConv是一种创新的卷积网络结构，旨在构建轻量级的深度神经网络。它通过结合3×3和1×1的卷积核处理相同的输入特征映射通道，优化了信息处理和特征提取。DualConv利用组卷积技术高效排列卷积滤波器，大大降低了计算成本和参数数量。我们将其用于C2f的创新上能够大幅度的降低参数，还能够提升精度。在开始之前给大家推荐一下我的专栏，
【YOLOv8改进-卷积Conv】DualConv( Dual Convolutional)：用于轻量级深度神经网络的双卷积核
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
06-05 389
CNN架构通常对内存和计算资源的要求较高，这使得它们在硬件资源有限的嵌入式系统中难以实现。我们提出了一种用于构建轻量级深度神经网络的双卷积核（DualConv）方法。DualConv结合了3×33 \times 33×3和1×11 \times 11×1的卷积核，同时处理相同的输入特征图通道，并利用组卷积技术高效地排列卷积滤波器。DualConv可以应用于任何CNN模型，例如用于图像分类的VGG-16和ResNet-50，用于目标检测的YOLO和R-CNN，或用于语义分割的FCN。
YOLOv9全网最新改进系列：：YOLOv9完美融合双卷积核（DualConv）来构建轻量级深度神经网络,目标检测模型有效涨点神器！！！
weixin_51692073的博客
05-13 1387
YOLOv9全网最新改进系列：：YOLOv9完美融合双卷积核（DualConv）来构建轻量级深度神经网络,目标检测模型有效涨点神器！！！
改进YOLOv5：涨点必备 | 创新实用 | 轻量化骨干网络大一统，包含FastNet、ShuffleNet、mobileNet、Ghostnet等
qq_44224801的博客
04-29 3398
本文实现了YOLOv8结合各种轻量化骨干网络，实现一篇文章助你实现YOLOv8轻量化。本文不仅实现了YOLOv8结合各种骨干网络，并且给出的多种结合形式，如替换轻量化卷积PConv、替换轻量化Block以及替换轻量化骨干。
【YOLOv9改进[Conv]】使用DualConv助力V9更优秀
静谧、淡雅
04-24 1171
使用DualConv助力V9更优秀，能够大幅度的降低参数，还能够提升精度。
Yolov5结构图展示清晰易懂
08-03
### YOLOv5结构图解析 #### 一、引言 在计算机视觉领域，目标检测是基础且关键的研究方向之一。YOLOv5作为近年来备受瞩目的算法之一，不仅因其高速度和高精度而闻名，更在于它通过不断的版本迭代，解决了许多目标...
基于yolov5的车牌检测和识别.zip
07-10
YOLOV5的网络结构主要由几个部分组成：输入层、Backbone（主干网络）、 Neck（连接Backbone和Head的中间层）和Head（用于分类和定位的输出层）。其中，Backbone通常采用预训练的ResNet或CSPNet，Neck则包括FPN...
yolov5的各种改进尝试.zip
01-06
1. **Backbone优化**：可能更换或调整了基础网络结构，如使用更轻量级的MobileNetV2或更高效的EfficientNet作为backbone，以减少计算量，提高速度，同时保持或提高精度。 2. **数据增强**：可能引入了更多的数据...
YOLOv5的模型结构图谱YOLOV5模型结构解析英文
01-22
CSPNet是一种改进的ResNet结构，它通过跨阶段部分连接（Cross Stage Partial Connections）减少了计算量，同时保持了性能。 3. **Neck**：这部分负责融合来自Backbone的不同层次的特征，以提取更丰富的信息。常见的...
基于YOLOv5和DeepSort的实时地铁客流量检测(毕设&课设论文参考).pdf
02-23
### 基于YOLOv5和DeepSort的实时地铁客流量检测 #### 一、引言 近年来，随着城市化进程的加速以及区域经济的快速发展，中国的城市公共交通系统特别是地铁系统经历了飞速的发展。截至2018年底，中国大陆中部地区已...
coversongs-dual-convnet:深度学习模型经过训练，可以使用暹罗卷积网络自动识别翻唱歌曲，并与完全连接的sofmax捆绑在一起
05-02
使用暹罗卷积网络检测翻唱歌曲 经过训练的python和深度学习模型可自动识别翻唱歌曲。 简单的4层暹罗卷积，在输出端增加了仿射层。 65％的精度表明该数据集可以采用这种方式进行构图。 计划为将来的工作进行数据扩充，软关注和三元组体系结构。 数据集是，它是的子。
dcm-net:这项工作基于我们的论文“ DualConvMesh-Net
04-23
DualConvMesh-Net：3D网格上的联合测地线和欧几里德卷积 由亚琛工业大学的 ， ， 和 创建。 介绍 这项工作基于我们的论文，该论文发表在2020年IEEE计算机视觉和模式识别（CVPR）大会上。 您也可以查看我们的以获取更多详细信息。 我们提出了DualConvMesh-Net（DCM-Net），这是一种基于3D几何数据的深层次卷积网络系列，该网络将两种类型的卷积组合在一起。 第一种是测地线卷积，它定义了网格表面或图形上的核权重。 也就是说，卷积核权重被映射到给定网格的局部表面。 第二种类型，欧几里德卷积，独立于任何底层网格结构。 基于3D点之间的欧几里得距离，将卷积核应用于从局部亲和表示中获得的邻域。 直观上，测地线卷积可以轻松地分离空间上紧密但表面不连续的对象，而欧几里德卷积可以更好地表示附近对象之间的相互作用，因为它们不考虑对象表面。 为了实现多分辨率体系结构，
小目标检测篇 | YOLOv8改进之GSConv + Slim Neck提升小目标检测效果
突然好想你
03-26 888
在文章中，作者提出了一种新方法GSConv来减轻模型的复杂度并保持准确性。GSConv可以更好地平衡模型的准确性和速度。并且，提供了一种设计范式Slim Neck，以实现检测器更高的计算成本效益。实验过程中，与原始网络相比，改进方法获得了最优秀的检测结果。🌈
Pointnet++改进卷积系列：全网首发DualConv轻量级深度神经网络的双卷积核 |即插即用，提升特征提取模块性能
m0_51530640的博客
04-10 412
我们提出了双卷积核(DualConv)来构建轻量级深度神经网络。DualConv结合3 × 3和1 × 1卷积核同时处理相同的输入特征映射通道，并利用群卷积技术高效排列卷积滤波器。DualConv可以在任何CNN模型中使用，如VGG-16和ResNet-50进行图像分类，你只看一次(YOLO)和R-CNN进行对象检测，或完全卷积网络(FCN)进行语义分割。在这项工作中，我们对DualConv进行了广泛的分类测试，因为这些网络架构构成了许多其他任务的主干。
YOLOv5改进 | Conv篇 | 利用DualConv二次创新C3提出一种轻量化结构（降低参数30W）
Snu77的博客
01-31 691
本文给大家带来的改进机制是利用DualConv改进C2f提出一种轻量化的C2f，DualConv是一种创新的卷积网络结构，旨在构建轻量级的深度神经网络。它通过结合3×3和1×1的卷积核处理相同的输入特征映射通道，优化了信息处理和特征提取。DualConv利用组卷积技术高效排列卷积滤波器大大降低了计算成本和参数数量。我们将其用于C2f的创新上能够大幅度的降低参数，还能够提升精度。欢迎大家订阅我的专栏一起学习YOLO！
YOLOV8主干改进方法：C2f-Dual——DualConv轻量化双卷积设计（附改进代码）
m0_74890428的博客
04-09 2229
DualConv是一种创新的卷积网络结构，旨在构建轻量级的深度神经网络。它通过结合3×3和1×1的卷积核处理相同的输入特征映射通道，优化了信息处理和特征提取。DualConv利用组卷积技术高效排列卷积滤波器，大大降低了计算成本和参数数量。
《模型轻量化-剪枝蒸馏量化系列》YOLOv5无损剪枝（附源码）
热门推荐
cv君的博客
06-07 3万+
无损剪枝模型到几百kb~
YOLOv5涨点技巧：一种新颖的多尺度滑窗注意力，助力小目标和遥感影像场景
12-23 1493
提出了一种新颖的多尺度滑窗注意力机制，有效的应用在遥感影像和小目标场景，实现涨点。
超越YOLOv5，0.7M超轻量，又好又快
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-20 4677
目标检测作为计算机视觉领域的研究热点之一，不仅可以独立完成车辆、商品、缺陷检测等任务，也是人脸识别、视频分析、以图搜图等复合技术的核心模块，在自动驾驶、工业视觉、安防交通等领域的应用价值有目共睹。 当下YOLOv5、YOLOX、PP-YOLOE、PP-PicoDet等优秀算法层出不穷，各有优劣侧重。但小伙伴们一般在解决实际问题时都需要考虑运行速度、模型计算量及轻量化等问题，因此，到底该怎么选呢？ 对比更明确： 直接上干货： 1.PP-YOLOE：高精度SOTA目标检测模型！！ PP-Y
yolov5中c3模块轻量化
12-17
根据提供的引用内容，没有直接提到如何轻量化yolov5中的c3模块。但是可以通过以下方法对yolov5进行轻量化： 1.减少模型的通道数，可以通过修改backbone中的卷积层通道数来实现。 2.使用轻量化的卷积层，例如MobileNetV3中的bottleneck结构，可以替换掉backbone中的卷积层。 3.使用深度可分离卷积代替标准卷积，可以减少参数数量和计算量。 4.使用通道注意力机制，可以让模型更加关注重要的特征通道，减少不必要的计算。
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