RT-DETR算法优化改进：backbone改进 | 轻量化之王MobileNetV4 开源 ，效果秒杀MobileNetV3等

最新推荐文章于 2024-08-18 20:57:47 发布
最新推荐文章于 2024-08-18 20:57:47 发布
阅读量325 收藏
点赞数
分类专栏： RT-DETR魔术师 文章标签： 算法 YOLO microsoft 神经网络 人工智能 深度学习
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/139286046
版权
本文介绍了将MobileNetV4应用于RT-DETR的backbone，通过创新的通用倒瓶颈搜索块和优化的神经结构搜索，提升了模型的效率和精度。MobileNetV4在保持高性能的同时，还引入了蒸馏技术，适用于移动设备。通过修改RT-DETR的相关文件，实现了与MobileNetV4的无缝集成。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 💡💡💡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！

MobileNetV4（MNv4），其特点是针对移动设备设计的通用高效架构。创新1）：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；创新2）：一种优化的神经结构搜索(NAS)配方，提高了MNv4的搜索效率；创新3）：为了进一步提升准确度，引入了一种新颖的蒸馏技术。

 💡💡💡如何跟rtdetr结合：替代rtdetr的backbone

 

了解本专栏 订阅专栏 解锁全文
YOLOv8独家改进：backbone改进 | 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！
05-09 2501
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！
YOLOv8改进 | 主干网络 | 将backbone替换为MobileNetV4【小白必备教程+附完整代码】
kay_545
08-07 2519
yolov8，mobileNetv4，yolov8改进
基于YOLOv8的关键点检测
qq_50811028的博客
10-08 8686
是计算机视觉中一个重要且具有挑战性的任务，它旨在从图像中定位出目标对象的特定部位或关节，如人脸的五官、人体的骨骼、手部的指尖等。YOLOv8是由Ultralytics公司在2023年开源的YOLO系列模型的最新版本，它建立在之前版本的成功基础上，并引入了新的功能和改进，以提升性能和灵活性。例如，如果你的任务是人体姿态估计，你可能需要标注出人体的各个关键点，如眼睛、耳朵、肩膀、手腕等。根据官网提供信息，我们需要配置好相应的YAML文件，其中包含训练数据、验证数据的路径，类别等信息。的工具，来帮助你转化。
Yolov8实战学习#1:关键点检测
2303_77166351的博客
12-05 674
标注关键点->检测数据集->用数据集训练深度学习算法->对算法做训练调参，性能评估->对新的图像视频摄像头实时画面进行推理预测,并且应用部署在终端设备上（智能手机端，PC端，服务器云端，jetson nano开发板，智能硬件机械臂）。使用labelme标注工具，标注出labelme格式的关键点检测数据集，然后再把label me格式的数据集转换成yolo格式,yolo格式的数据集用来训练yolo系列的算法(这里用yolov8)。我们用yolov8来训练yolov8的关键点检测算法，得到.ph的python文
yolov8-pose关键点检测，从数据集制作到训练测试
qq_39128381的博客
09-01 2万+
关键点检测
YOLOv10涨点改进：轻量级改进 | 通用倒瓶颈（UIB）搜索块结合C2f二次创新 | 轻量化之王MobileNetV4
06-06 702
计算量参数量比较，从原始的8.4 GFLOPs降低至7.4 GFLOPs
YOLOv10优化：backbone改进 | EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计，性能优于EdgeViT、Mobile-former等网络 |ICCV2023
06-13 407
计算量比较，原始YOLOv10s为24.8 GFLOPs，改进后为18.0GFLOPs
《YOLOv8魔术师》专栏介绍 & CSDN独家改进创新实战&专栏目录
07-03 1万+
Yolov8魔术师，独家首发创新（原创），持续更新，适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络
【YOLOv8十万长文优化】独家魔改优化技巧+附20余个源码手把手教程
热门推荐
cv君的博客
08-01 2万+
【YOLOv8十万长文全解】v8 v9通用。独家魔改优化技巧+附20余个源码手把手教程; Hello，大家好，我是cv君，最近开始在空闲之余，经常更新文章啦！除目标检测、分类、分隔、姿态估计等任务外，还会涵盖图像增强领域，如超分辨率、画质增强、降噪、夜视增强、去雾去雨、ISP、海思高通成像ISP等、AI-ISP、还会有多模态、文本nlp领域、视觉语言大模型、lora、chatgpt等理论与实践文章更新，更新将变成一周2-3更，一个月争取10篇，重回创作巅峰
AI项目十八：YOLOV8自训练关键点检测
12-16 6928
若该文为原创文章，转载请注明原文出处。记录学习YOLOV8过程，自训练关键点检测模型。清华源：-i。
yolov8 人体姿态关键点检测使用案例
weixin_42357472的博客
06-16 9031
参考： https://github.com/ultralytics/ultralytics https://github.com/TommyZihao/Train_Custom_Dataset/tree/main/%E5%85%B3%E9%94%AE%E7%82%B9%E6%A3%80%E6%B5%8B 1、命令行运行 pip安装好后就可以yolo 命令运行执行 *** 运行效果，source=0是直接调用本地摄像头 结果： 640x512 1 person, 114.0ms Speed: 8.0
YOLOv8-pose（1）- 关键点检测数据集格式详解+快速训练+预测结果详解
qq_40387714的博客
07-20 1万+
实现YOLOv8-pose的快速使用：yolov8-pose关键点检测数据集的格式、标注与迭代；实现训练一个yolov8-pose模型；输出测试结果与分析。
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
qq_44224801的博客
08-03 1011
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
YOLOv8改进（一）-- 轻量化模型ShuffleNetV2
qq_44231797的博客
06-02 4646
YOLOv8；ShuffleNetV2
基于YOLOv8-pose的画笔关键点（bic_markers）检测
01-09 1693
教会你如何用自己的数据集训练Yolov8-pose关键点检测
Yolov8 人脸关键点检测
爱编程的鱼的博客
08-18 1250
这里与姿态估计不同的是人脸关键点只有5个，每个关键点由x，y组成，因此一组标注信息共(1+4+5*2)=15个数字。即每一行都有15个数字标注。基于yolov8的人脸检测，带关键点检测。，这5个关键点属于人脸内部关键点，根据它们就可以计算出人脸的姿态。1、修改模型配置文件yolov8n-widerface.yaml。将数据处理成yolo格式，并划分train、val。2、数据配置文件widerface.yaml。分别为左右两个嘴角，两个眼睛的中心，鼻子。一、数据集下载 widerface。
YOLOv8优化： 轻量化网络 | LeYOLO，新的可扩展和高效CNN目标检测体系结构
07-04 681
LeYOLO-Small在COCO val上实现了38.2%的竞争性mAP分数，仅使用4.5 FLOP(G)，与最新的最先进的YOLOv9-Tiny模型相比，计算负载减少了42%，同时实现了相似的精度。
YOLOv8涨点改进：轻量级的 Mixed Local Channel Attention (MLCA)，加强通道信息和空间信息提取能力
12-20 3785
一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块考虑通道信息和空间信息，并结合局部信息和全局信息以提高网络的表达效果
Yolov8-pose关键点检测：原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
07-03 702
原创自研 | 自研独家创新BSAM注意力 ，基于CBAM升级
YOLOv8改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8（超级轻量化精度更高）
最新发布
01-04
### 改进YOLOv8主干网络的方法 为了使YOLOv8更加轻量化并提升检测精度，可以采用来自RT-DETR的PPHGNetV2作为新的特征提取器[^1]。这种方法不仅能够增强模型的表现力，还能减少计算资源的需求。 #### 替换原有主干网络 原有的YOLOv8主干网络被PPHGNetV2所替代。PPHGNetV2是一种基于Transformer架构设计而成的新颖骨干网路，它具有更强的数据表达能力和更低的参数复杂度。通过这种替换操作，可以在不显著增加额外开销的情况下获得更好的性能表现[^2]。 #### 调整超参数设置 当引入新类型的主干之后，可能需要重新调整一些训练过程中的超参数配置，比如学习率、批量大小等。这些改变有助于让整个系统更好地适应新型号带来的变化，并最终体现在更高的mAP得分上[^3]。 #### 训练与验证流程 完成上述修改后，按照常规方式准备数据集并对改进后的YOLOv8进行充分训练。期间应密切关注损失函数的变化趋势以及各类评估指标的结果反馈。经过多轮迭代优化直至收敛稳定为止。最后，在测试集上面检验最终版模型的实际效能是否达到了预期目标——即实现了更高精度的同时也保持了良好的运行效率。 ```python import torch from yolov8 import YOLOv8 from pphgnet_v2 import PPHGNetV2 def replace_backbone(yolo_model_path, new_backbone=PPHGNetV2()): # 加载原始YOLOv8模型权重 yolo = YOLOv8() checkpoint = torch.load(yolo_model_path) yolo.load_state_dict(checkpoint['model']) # 将原主干部分替换成PPHGNetV2 yolo.backbone = new_backbone return yolo # 使用示例代码片段 if __name__ == "__main__": improved_yolov8 = replace_backbone('path_to_original_weights.pth') ```
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