YOLOv8独家原创改进：轻量化自研设计双卷积，重新设计backbone和neck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 2024-07-09 13:01:10 发布

AI小怪兽

最新推荐文章于 2024-07-09 13:01:10 发布

阅读量1.7k

点赞数 21

分类专栏： YOLOv8原创自研文章标签： YOLO 算法网络人工智能开发语言

本文链接：https://blog.csdn.net/m0_63774211/article/details/134895441

版权

YOLOv8原创自研专栏收录该内容

112 篇文章 104 订阅 ¥299.90 ¥399.90

订阅专栏

本文提出了一种名为DualConv的创新卷积结构，结合组卷积和异构卷积，用于轻量化YOLOv8，减少计算量和参数量。通过3×3和1×1卷积的组合，DualConv在保持性能的同时降低了YOLOv8的GFLOPs和参数量。实验证明，这种改进在目标检测任务中提高了YOLOv8的速度和准确性。

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，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，YOLOv8 Conv，从而轻量化YOLOv8，性能如下表，GFLOPs 8.1降低至7.6，参数量6.3MB降低至5.8MB

	layers	parameters	GFLOPs	MB
YOLOv8n	168	3006818	8.1	6.3MB
yolov8_DualConv	174	2782146	7.6	5.8MB

收录

YOLOv8原创自研

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

AI小怪兽

关注关注

21
点赞
踩
12

收藏

觉得还不错? 一键收藏
打赏
6
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

【YOLOV8 轻量化改进】使用高效网络EfficientNetV2替换backbone

m0_51579041的博客

02-27

2367

【YOLOV8 轻量化改进】使用高效网络EfficientNetV2替换backbone

YOLOv8改进 | 融合改进 | C2f融合轻量化视觉Transformer【完整代码】

最新发布

kay_545

08-15

1030

yolov8，yolov8改进，CloFormer，C2f_CloFormer

6 条评论您还未登录，请先登录后发表或查看评论

YOLOv8改进（一）-- 轻量化模型ShuffleNetV2

qq_44231797的博客

06-02

1866

YOLOv8；ShuffleNetV2

YOLOv8网络轻量化改进原创思路及代码，结合CVPR最新Idea

crasher123的博客

08-06

3348

近年来，轻量化目标检测一直是计算机视觉领域的研究热点。在CVPR 2023会议上，许多研究者提出了一些有效的方法来改进YOLOv8目标检测的精度和效率。结合这些最新成果，我们可以从以下几个方面来进行改进。首先，我们可以考虑使用更紧凑的网络结构来减少模型的参数数量和计算量；其次，我们可以引入一些注意力机制来提升模型对重要区域的关注程度；最后，我们可以通过增强数据增强策略和使用更先进的训练技巧来提升模型的准确性。下面将详细介绍这些改进思路以及对应的网络修改代码。

YOLOv8优化策略：轻量化改进 | LeYOLO，新的可扩展和高效CNN目标检测体系结构

会AI的学姐

07-09

703

基于FLOP的高效目标检测计算的神经网络架构的设计，便于嵌入式和面向移动的人工智能对象检测应用。

YoloV8改进策略：RefConv打造轻量化YoloV8利器

m0_47867638的博客

11-07

4016

REFCONV是一种用于构建强大卷积神经网络的重新参数化的重新聚焦卷积（re-parameterized refocusing convolution）。它是一种特殊的卷积层，旨在通过重新参数化输入特征图来增强卷积神经网络的能力。在传统的卷积神经网络中，卷积层通过将输入特征图与一组卷积核（filters）进行卷积运算，以检测和提取输入数据中的局部特征。然而，这种传统的卷积方式可能会在处理具有复杂结构和多样性的数据时遇到一些挑战。REFCONV通过重新参数化输入特征图来解决这些问题。

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

12-11

654

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，GFLOPs15.8降低至13.9，参数量14.5MB降低至12.6MB

YOLOv7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

12-11

2404

双卷积由组卷积和异构卷积组成，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，YOLOv7 Conv，从而轻量化YOLOv7-tiny

RT-DETR算法优化改进：轻量化自研设计双卷积重新设计backbone和neck，完成涨点且计算量和参数量显著下降

12-12

1328

双卷积由组卷积和异构卷积组成，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，YOLOv8Conv，从而轻量化RT-DETR，性能如下表，GFLOPs8.1降低至7.6，参数量6.3MB降低至5.8MB

YOLOv10涨点改进: 卷积魔改 | 轻量化双卷积DualConv，完成涨点且计算量和参数量显著下降

06-13

325

双卷积由组卷积和异构卷积组成，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。

YOLOv8改进 | Conv篇 | 利用YOLO-MS的MSBlock轻量化网络结构（既轻量又长点）

Snu77的博客

01-15

3505

本文给大家带来的改进机制是利用YOLO-MS提出的一种针对于实时目标检测的MSBlock模块，我们将其用于C2f中组合出一种新的结构，来替换我们网络中的模块可以达到一种轻量化的作用，我将其用于我的数据集上实验，包括多个类别的数据集，其在轻量网络结构的同时，却能够提高一定的mAP精度，所以这是一种十分高效的模块，该网络结构非常适合那些模型精度已经无法提到，想要从轻量化模型的角度入手的读者使用。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。

如何从轻量化角度改进YOLOv8？

热门推荐

jsnuchao的博客

03-11

1万+

改进YOLOv8：压缩、优化、结合新技术，提高精度。

YOLOv8独家改进：轻量级原创自研 | 一种多尺度的GSConv卷积变体，轻量化的同时能够实现涨点 | 新颖的轻量级网络，yolov8s GFLOPs 28.8降低为18.1

01-30

1440

1）基于GSConv提出了一种Multi-Scale Ghost Conv的卷积变体，保证轻量级的同时实现涨点，2）同时结合Bottleneck，设计了一种新颖的轻量级网络。

YoloV8改进策略：重新思考高效的基于注意力的移动块模型EMO重新定义了轻量化的YoloV8

m0_47867638的博客

08-06

1423

本文讲解如何使用EMO网络修改YoloV8，提升YoloV8的精度。尝试了3种改进方法。本文的结构如下：1、翻译了论文。大家可以通过论文方便的了解EMO网络模型。2、官方模型的测试成绩3、改进一的方法和测试结果4、改进二的方法和测试结果5、改进三的方法和测试结果6、总结随着近年来存储/计算受限应用需求的增加，具有更少参数和低FLOPs的移动模型引起了开发人员和研究人员的极大关注。设计高效模型的最早尝试可以追溯到Inceptionv3[55]时代，它使用非对称卷积来取代标准卷积。

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

4660

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，

改进YOLOv8：替换轻量化骨干网络Efficient V1、Efficient V2《重新思考卷积神经网络的模型缩放》）

qq_44224801的博客

04-28

2605

改进YOLOv8，添加轻量化骨干网络Efficient v2和V1，降低参数量和计算量

YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）

Snu77的博客

12-20

4926

本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

YOLOv8改进 | 主干篇 | 利用轻量化卷积优化PP-HGNetV2改进主干（全网独家创新）

Snu77的博客

12-13

7111

Hello，大家好，上一篇博客我们讲了利用HGNetV2去替换YOLOv8的主干，经过结构的研究我们可以发现在HGNetV2的网络中有大量的卷积存在，所以我们可以用一种更加轻量化的卷积去优化HGNetV2从而达到更加轻量化的效果（亲测优化后的HGNetV2网络比正常HGNetV2精度更高轻量化效果更好，非常适合轻量化的读者），同时HGNetV2的网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析，给大家进行讲解网络结构原理（亲测替换之后主干GFLOPs降低到7.4

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。