YOLOv8独家改进：backbone改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024

已于 2024-05-30 14:41:05 修改
阅读量2.1k 收藏 4
点赞数 5
分类专栏： YOLOv8原创自研 YOLO轻量化模型 文章标签： 深度学习 人工智能 YOLO 计算机视觉 目标检测 开发语言
于 2024-05-14 09:01:09 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/138835981
版权
YOLOv8原创自研 同时被 3 个专栏收录
116 篇文章 116 订阅 ¥259.90 ¥399.90
订阅专栏
YOLO轻量化模型
36 篇文章 29 订阅 ¥199.90 ¥299.90
订阅专栏
YOLOv5/YOLOv7/YOLOv8科研创新
7 篇文章 11 订阅 ¥239.90 ¥399.90
订阅专栏
本文介绍了如何将StarNet的创新元素乘法（star operation）应用于YOLOv8的backbone，通过在不增加网络宽度的情况下提升特征表达能力，实现性能和低延迟的平衡。详细步骤包括新建和修改YOLOv8的相关文件，以及配置yolov8-starnet.yaml。StarNet展示了在紧凑网络结构中卓越的表现，对于网络结构的魔改和创新具有指导意义。
摘要由CSDN通过智能技术生成

💡💡💡创新点：star operation（元素乘法）在无需加宽网络下，将输入映射到高维非线性特征空间的能力，这就是StarNet的核心创新，在紧凑的网络结构和较低的能耗下展示了令人印象深刻的性能和低延迟

 💡💡💡如何跟YOLOv8结合：替代YOLOv8的backbone

 

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
专栏目录
订阅专栏
YOLOv8改进 | 主干网络 | ⭐重写星辰Rewrite the Stars⭐【CVPR2024】
kay_545
07-25 1921
StarNet通过引入一种称为星操作（Star Operation）的核心创新，实现了在紧凑网络中高效处理图像的目标。星操作通过两个线性变换后的特征进行元素级乘法，生成一个高维非线性特征空间，类似于多项式核函数的效果。StarNet采用一个四阶段的分层架构，每个阶段通过卷积层下采样分辨率并增加通道数，从而逐步抽象图像特征。每个网络块中使用深度卷积、批量归一化和ReLU6激活函数，简化设计以提高效率。通道扩展固定为4倍，网络宽度在每个阶段翻倍，以平衡计算负载和学习能力。
YOLOv8-Seg改进：轻量化改进 | MobileNetV3，轻量级骨架首选
会AI的学姐
01-10 651
MobileNetV3的创新点包括：使用自适应瓶颈宽度、借鉴SENet中的Squeeze-and-Excitation机制、引入h-swish激活函数等。
YOLOv7独家改进：上采样算子 | 超轻量高效动态上采样DySample，效果秒杀CAFFE，助力小目标检测
02-01 2910
一种超轻量高效动态上采样DySample， 具有更少的参数、FLOPs，效果秒杀CAFFE和YOLOv5网络中的nn.Upsample
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
11-27 868
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-Seg改进：轻量化改进 | RepGhost，通过重参数化实现硬件高效的Ghost模块
会AI的学姐
01-27 216
RepGhost，通过重参数化实现硬件高效的Ghost模块，性能优于GhostNet、MobileNetV3等，在移动设备上具有更少的参数和可比的延迟。
122FPS，51.9mAP 超轻量关键点检测算法PP-TinyPose来啦！
weixin_40920183的博客
11-21 1433
在人机交互场景中，机器可以识别人的手势、肢体动作、表情，你可知背后的核心技术是什么吗？没错，就是关键点检测技术，它能帮你实现精准的人机交互任务，如手势控制、智能健身、体感游戏等， 还可以识...
YOLOv8-Seg改进：backbone主干改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024
会AI的学姐
07-10 516
star operation（元素乘法）在无需加宽网络下，将输入映射到高维非线性特征空间的能力，这就是StarNet的核心创新，在紧凑的网络结构和较低的能耗下展示了令人印象深刻的性能和低延迟
YOLOv8独家改进：逐元素乘法（star operation）二次创新 | 微软新作StarNet：超强轻量级Backbone CVPR 2024
05-14 898
逐元素乘法（star operation）二次创新
YOLOv8原创改进：backbone主干改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024
会AI的学姐
07-10 377
backbone改进 | 微软新作StarNet：超强轻量级Backbone | CVPR 2024
YOLOv9独家原创改进： 主干backbone优化 | 微软新作StarNet：超强轻量级Backbone CVPR 2024
05-21 881
StarNet轻量级backbone改进结果如下，238.9 GFLOPs降低至192.7 GFLOPs
YOLOv8-Seg改进：轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计 | ICCV2023
会AI的学姐
11-17 460
面向移动端的轻量化网络模型——EMO，它能够以相对较低的参数和 FLOPs 超越了基于 CNN/Transformer 的 SOTA 模型，支持四个版本EMO_1M, EMO_2M, EMO_5M, EMO_6M，参数量如下，相比较yolov8-seg各个版本见文章
YOLOv8-Seg改进：Backbone改进 | 支持restnet50和restnet101
会AI的学姐
01-03 927
将restnet50和restnet101作为backbone引入到YOLOv8-seg，下表为参数量和计算量的对比
YOLOv8-Seg改进：轻量化卷积设计 | DualConv双卷积魔改v8结构
会AI的学姐
12-16 630
DualConv双卷积魔改v8结构，达到轻量化的同时并能够实现小幅涨点
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
Rachel321的专栏
04-26 5543
YOLOv8-pose在ncnn框架下部署过程记录（包含ncnn、pnnx安装以及模型结构更改及转换）
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 1734
：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独家改进：backbone主干改进| 轻量化之王MobileNetV4，秒杀Mobile系列
会AI的学姐
05-14 491
backbone主干改进| 轻量化之王MobileNetV4
YOLOv8-Seg改进： 分割小目标系列篇 | 小目标分割到大目标分割一网打尽的GFPN
会AI的学姐
11-10 722
一种新的路径融合GFPN，包含跳层与跨尺度连接，助力YOLOv8-seg Neck，实现创新 ；GFPN在不同分割场景均有涨点的表现，尤其适合存在不同大小分割尺寸的场景
YOLOv8-Seg改进：小目标涨点系列 | 并行化注意力设计（PPA）模块，红外小目标暴力涨点
会AI的学姐
04-02 300
解决微小分割目标具有复杂背景难识别的问题
Yolov8-pose：从零开始训练Yolov8关键点检测模型
最新发布
CITY_OF_MO_GY的博客
10-01 1067
YOLO、关键点检测
yolov8backbone改进
07-29
Yolov8是一个目标检测的模型，其中backbone指的是模型的主干网络，用于提取图像特征。 为了改进Yolov8的backbone，可以采取以下方法： 1. 特征融合：可以引入更深的网络结构或使用多尺度的特征融合机制，如FPN（金字塔特征金字塔网络）或PAN（金字塔注意力网络），以提取更丰富的图像特征。特征融合可以通过将低层次和高层次特征图按比例进行融合，以获取具有不同尺度信息的特征图。 2. 引入残差连接：残差连接可以有效地传递梯度信息，减少梯度消失和梯度爆炸问题。可以在backbone的各个层级引入残差连接，增强特征传递能力，提高模型性能。 3. 优化网络结构：可以通过调整或优化backbone网络的结构，如增加或减少卷积层的数量、改变卷积核大小等，来提升模型性能。可以结合网络结构搜索等方法，探索更适合目标检测任务的网络结构。 4. 数据增强：可以通过在训练过程中引入更多的数据增强方法，如随机裁剪、颜色增强、旋转等，来提高模型的泛化能力和鲁棒性。数据增强可以扩充训练样本的多样性，帮助模型更好地学习目标的不变性和可区分特征。 通过上述改进方法，可以进一步提升Yolov8的性能，使其在目标检测任务中具有更好的准确率和鲁棒性。
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

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