YOLOv8独家原创改进： 通用倒瓶颈（UIB）搜索块结合C2f二次创新 | 轻量化之王MobileNetV4

已于 2024-05-30 14:40:46 修改
阅读量874 收藏 3
点赞数 14
分类专栏： YOLOv8原创自研 YOLO轻量化模型 YOLOv8魔术师 文章标签： YOLO 目标检测 人工智能 计算机视觉 开发语言
于 2024-05-09 10:42:49 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/138603222
版权
YOLOv8原创自研 同时被 3 个专栏收录
102 篇文章 72 订阅 ¥299.90 ¥99.00
订阅专栏
YOLOv8魔术师
99 篇文章 342 订阅 ¥299.90 ¥99.00
订阅专栏
YOLO轻量化模型
35 篇文章 28 订阅 ¥199.90 ¥99.00
订阅专栏

 💡💡💡创新点：轻量化之王MobileNetV4 开源 | Top-1 精度 87%，手机推理速度 3.8ms，原地起飞！

最主要创新：引入了通用倒瓶颈（UIB）搜索块，这是一个统一且灵活的结构，它融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）以及一种新颖的额外深度可分（ExtraDW）变体技术。

 💡💡💡如何跟YOLOv8结合：替代YOLOv8的C2f

 

收录

YOLOv8原创自研

了解本专栏 订阅专栏 解锁全文
AI小怪兽
关注
  • 14
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
YOLOv9改进策略 ：一种新颖的通用倒瓶颈（UIB）搜索块助力检测| 轻量化之王MobileNetV4
05-10 262
一种新颖的通用倒瓶颈（UIB）搜索块助力检测| 轻量化之王MobileNetV4
YOLOv8改进——使用C2f-Faster替换C2f
pope888的博客
01-11 5370
【代码】YOLOv8改进——使用C2f-Faster替换C2f.(使用FasterNet中的FasterBlock替换C2f中的Bottleneck)
YoloV8改进策略：Block篇|引入UIB模块，打造轻量级的YoloV8|多模块融合（独家原创）
m0_47867638的博客
06-07 1049
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
YOLOv8-Seg改进：自适应改变核大小卷积AKConv，效果优于标准卷积核和DSConv |2023.11月最新成果
会AI的学姐
11-27 747
AKConv 中，通过新的坐标生成算法定义任意大小的卷积核的初始位置。 为了适应目标的变化，引入了偏移量来调整每个位置的样本形状。 此外，我们通过使用具有相同大小和不同初始采样形状的 AKConv 来探索神经网络的效果。 AKConv 通过不规则卷积运算完成高效特征提取的过程，为卷积采样形状带来更多探索选择。直接代替标准卷积使用
YOLOv8改进 添加新型卷积注意力框架SegNext_Attention
分享一些自己改进代码的实例
01-02 2466
本文在yolov8中加入新型卷积注意力框架SegNext_Attention，能够更好地利用全局上下文信息，并且能够对感兴趣的区域进行更加准确的注重，从而提高图像分割的性能。
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 3712
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
倒置残差与线性瓶颈层从原理到实现
weixin_42108090的博客
11-17 5552
对比 MobileNet V1 和 V2 的网络结构和计算量 MobileNet V1 网络结构和计算量 MobileNet V2 的网络结构和计算量 总结对比
BottleNeck 瓶颈层
peacefairy的博客
07-18 4875
BottleNeck 一般用于深度较高的网络，主要的作用就是减少计算的参数量。 两个1X1fliter分别用于降低和升高特征维度，主要目的是为了减少参数的数量，从而减少计算量，且在降维之后可以更加有效、直观地进行数据的训练和特征提取， ...
YOLOv8独家改进：通用倒瓶颈搜索块（UIB）结合C2f二次创新 | 轻量化之王MobileNetV4
会AI的学姐
05-14 154
通用倒瓶颈搜索块（UIB）结合C2f二次创新 | 轻量化之王MobileNetV4
MobileNetV4实战：使用MobileNetV4实现图像分类任务
06-09
MobileNetV4，作为新一代移动设备神经网络架构，凭借其创新的通用倒置瓶颈UIB块和Mobile MQA注意力块，实现了计算效率和运行速度的显著提升。该架构通过精炼的神经架构搜索NAS方法，创建了多个卓越性能的移动设备...
best-practices-uib-2015:谈谈2015年技术创新校园学生的良好代码规范
05-20
在2015年的技术创新校园活动中，"best-practices-uib-2015"是一个专注于引导学生理解和遵循良好代码规范的主题。这个主题的核心目的是提升学生们编写高效、可读、可维护的JavaScript代码的能力。JavaScript作为一门...
unit-tests-uib-2015:谈技术创新校园2015的学生考试
05-20
在2015年的"技术创新校园"学生考试中，JavaScript成为了重要的考点，这标志着Web开发技术在教育领域的普及和重要性。JavaScript，一种被广泛应用于客户端网页编程的脚本语言，是构建现代交互式Web应用的关键工具。...
uib-frameworks-responsive-bootstrap-webpage-mariagluck:GitHub Classroom创建的uib-frameworks-sensitive-bootstrap-webpage-mariagluck
05-19
标题中的“uib-frameworks-responsive-bootstrap-webpage-mariagluck”是一个项目名称，表明这是一个关于创建响应式Bootstrap网页的示例。这个项目可能是由GitHub Classroom创建的，用于教学或实践目的，帮助用户...
DoodleChess:UiB INF112项目的镜像
05-19
棋 2018年Spring，卑尔根大学为INF112课程开发了一个国际象棋游戏。 入门 先决条件 。 正在安装 git clone https://gitlab.uib.no/inf112-v2018/gruppe-6.git chess-syntax-highlighters cd chess-syntax-...
YOLO之boxes小记
liujianjun1536500976的专栏
07-06 112
【代码】YOLO之boxes小记。
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
最新发布
FL1623863129的博客
07-06 91
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。
YOLOv8改进 添加轻量化注意力机制MLCAttention
分享一些自己改进代码的实例
07-03 113
在YOLOv8中添加可以自动学习输入序列中不同位置和通道的重要性权重，从而提取更有信息量的特征的注意力机制MLCA,助力涨点！
yolo c2f改进
08-16
YOLO (You Only Look Once) C2F (Context to Fusion) 是对YOLO算法的改进，旨在进一步提升目标检测的准确性和性能。 C2F模块主要通过引入上下文信息来改进YOLO算法。传统的YOLO算法将整个图像划分为网格，并在每个网格内预测目标的位置和类别。然而，这种局部信息可能会导致目标检测的误差。C2F模块通过引入上下文信息，将全局的语义和空间上下文与局部特征融合，从而提升目标检测的性能。 具体来说，C2F模块包含两个关键组成部分：上下文特征提取器和上下文融合器。上下文特征提取器用于提取全局上下文特征，通过对整个图像进行卷积操作来获取全局语义和空间信息。上下文融合器则用于将全局上下文特征与局部特征进行融合，以增强目标检测的准确性。 在C2F模块中，全局上下文特征和局部特征首先通过特征金字塔网络进行提取。然后，全局上下文特征经过一系列卷积操作得到低维表示，与局部特征进行融合。最后，融合后的特征被用于预测目标的位置和类别。 通过引入上下文信息，YOLO C2F改进算法能够更好地理解整个图像的语义和空间信息，从而提升目标检测的准确性。该改进在YOLO算法的基础上，进一步增强了模型的性能，使其在目标检测任务中表现更为优秀。

“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 2
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