YOLOv10轻量化改进：Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22 Spotlight

最新推荐文章于 2025-03-01 17:18:43 发布
最新推荐文章于 2025-03-01 17:18:43 发布
阅读量438 收藏 1
点赞数
分类专栏： YOLOv10魔术师 文章标签： YOLO 人工智能 目标检测 计算机视觉 华为 算法
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/139441282
版权
博客深入探讨了YOLOv10的改进，尤其是引入华为Ghostnetv2带来的性能提升。Ghostnetv2通过DFC注意力模块增强空间信息捕获能力，实现端侧小模型的性能SOTA。文章涵盖了YOLOv10的C2fUIB、PSA和SCDown等创新点，以及Ghostnetv2的结构和优势，适合于红外、小目标检测等领域。

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

  💡💡💡创新点：在 GhostNet 中，一半的特征的空间信息被廉价操作 (3×3 Depth-wise Convolution) 所捕获，其余的特征只是由 1×1 的 Point-wise 卷积得到的，与其他像素没有任何信息上的交流。捕捉空间信息的能力很弱，这可能会妨碍性能的进一步提高, GhostNetV2 是 GhostNet 的增强版本

💡💡💡Ghostnet、G_ghost、Ghostnetv2性能比较

layers  parameters GFLOPs
yolov10n 385 2709364 8.4
YOLOv10n-C2f_GhostBottleneck 464 2255444 7.1
YOLOv10n-C2f_GhostBottleneckV2 476 2255444 7.1
YOLOv10n-C2f_g_ghostBottleneck 39
了解本专栏 订阅专栏 解锁全文
YOLOv10涨点改进：如何魔改注意力进行二次创新，高效替换PSA | NEU-DET为案列进行展开
05-28 6067
在NEU-DET案列进行可行性验证，1）mAP50从0.683提升至0.698；2）mAP50从0.683提升至0.695;
芒果YOLOv12改进60：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
最新发布
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-11 45
芒果YOLOv12改进60：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
YOLOv8最新改进系列:融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM)，有效提升小目标检测性能，大幅度拉升目标检测效果！遥遥领先！
B站 Ai学术叫叫兽的文案地
04-12 4661
YOLOv8最新改进系列:融合最新顶会提出的HCANet网络中卷积和注意力融合模块(CAFM)，有效提升小目标检测性能，大幅度拉升目标检测效果！遥遥领先！
【YOLOv8改进-注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力
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。
05-28 1405
本项目介绍了一种轻量级的 Mixed Local Channel Attention (MLCA) 模块，该模块同时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。基于该模块，我们提出了 MobileNet-Attention-YOLO(MAY) 算法，用于比较各种注意力模块的性能。在 Pascal VOC 和 SMID 数据集上，MLCA 相对于其他注意力技术更好地平衡了模型表示效果、性能和复杂度。
【YOLOv8改进】 MSDA：多尺度空洞注意力
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。
02-21 6627
作为事实上的解决方案，标准的视觉变换器（ViTs）被鼓励模拟任意图像块之间的长距离依赖性，而全局关注的接受域导致了二次计算成本。视觉变换器的另一个分支受到CNNs启发，利用局部注意力，只模拟小邻域内块之间的交互。尽管这样的解决方案降低了计算成本，但它自然会受到小的关注接受域的限制，这可能会限制性能。在这项工作中，我们探索有效的视觉变换器，以追求计算复杂性和关注接受域大小之间的理想折衷。通过分析ViTs中全局注意力的块交互，我们观察到浅层中的两个关键属性，即局部性和稀疏性，表明在ViTs的浅层中全局依赖性建模
【YOLOv8改进】MSFN(Multi-Scale Feed-Forward Network):多尺度前馈网络
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。
05-29 786
摘要——高光谱图像（HSI）去噪对于高光谱数据的有效分析和解释至关重要。然而，同时建模全局和局部特征以增强HSI去噪的研究却很少。在本文中，我们提出了一种混合卷积和注意力网络（HCANet），该网络结合了卷积神经网络（CNN）和Transformers的优势。为了增强全局和局部特征的建模，我们设计了一个卷积和注意力融合模块，旨在捕捉长距离依赖关系和邻域光谱相关性。此外，为了改进多尺度信息聚合，我们设计了一个多尺度前馈网络，通过在不同尺度上提取特征来增强去噪性能。
YOLOv10轻量化改进：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
06-04 461
1)引入了一个新的 Ghost 模块，通过使用更少的参数来生成更多的特征; 2)基于 Ghost 模块，建立了一个高效的神经架构，即 GhostNet。
YOLOv12涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22
03-01 128
华为Ghostnetv2，端侧小模型性能新SOTA
YOLOv10轻量化改进：Ghostnet、G_ghost、Ghostnetv2家族大作战（三）：华为GhostNet再升级，全系列硬件上最优极简AI网络G_ghost | IJCV22
06-04 429
G_ghost---华为诺亚的研究者针对GPU等设备的特点，巧妙引入跨层的廉价操作，减少计算量的同时减少的内存数据搬运，基于此设计了GPU版GhostNet。
YOLOv12涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
03-01 138
华为Ghostnet，超越谷歌MobileNet | CVPR2020
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 3791
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
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
B站 Ai学术叫叫兽的文案地
07-04 3766
YOLOv10全网最新创新点改进系列：融合GSConv+Slim Neck，双改进、双增强，替换特征融合层实现， 轻量化涨点改进策略，有效涨点神器！
YOLOv10涨点改进：自研检测头 | 独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
06-13 1938
独家创新（Partial_C_v10Detect）检测头结构创新，实现涨点
YOLOv10改进｜采用ADown降采样模块有效融合
“365天深度学习训练营”报名进行中～
06-12 1148
理论上，正确流程应该是：通过理论推导，获取合理的改进方案（即：设计、修改、调整模块等等），通过实验验证方案的有效性，进而将成果转化为科研论文。我们能做的就是基于现有知识，对YOLOv10进行尝试性改进，一旦发现了某个突破口，则对该点进行展开分析，对改进方案进行深入研究探索。还是那句话，不是ADown模块的原理不重要，而是在做创新这件事情上，我们要功利一些。像我在前面提到的那样，现阶段以学习为主，尝试将自己的想法加以实践，进而实验验证。**第一步：**在block.py文件中新增ADown类。
YOLOv7损失函数改进：Wasserstein Distance Loss，助力小目标涨点
10-10 1244
Wasserstein Distance Loss，助力小目标涨点
YOLOv8改进 | 融合篇，YOLOv8添加CA注意力机制+新增小目标检测头，助力涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
07-02 3832
小目标检测难点众多，导致很多算法对小目标的检测效果远不如大中型目标。影响算法性能的主要原因如下:第一，小目标分辨率低、信息量不足，导致神经网络提取到的有效特征较少。第二，小目标在图像中所占的区域较小，易受背景干扰，这对算法的定位性能要求较高。第三，小物体标注困难，训练数据有限，导致模型泛化能力差。例如多尺度学习、无锚机制和生成对抗学习等方法，都能提高小目标检测的准确性和鲁棒性。为了改善小目标漏检现象严重的问题，我在 YOLOv8 中增加了 P2 检测头，相当于有四个检测头，使网络能检测到更小的目标。
YOLOv8 损失函数改进：MPDIoU 新型边界框相似度度量
一直在水些技术小文
09-21 1528
在本篇博客中，我们将重点讨论 YOLOv8 中的一个关键改进：MPDIoU（Modified Precision-Defined Intersection over Union）边界框相似度度量，以及如何将其应用于损失函数中，以提高目标检测的准确性。MPDIoU 是 YOLOv8 中的一项重要改进，它提供了更精确的边界框相似度度量，从而提高了目标检测的性能。与传统的 IoU 相比，MPDIoU 更能够准确地反映目标之间的相对位置和大小关系，从而提高了目标检测的准确性。使用 YOLOv8 进行目标检测。
YOLOv10全网最新创新点改进系列：YOLOv10融合V-Focal Loss全面提升密集目标检测，针对目前样本不平衡问题的独特创新点，有效涨点！
B站 Ai学术叫叫兽的文案地
07-14 3399
YOLOv10全网最新创新点改进系列：YOLOv10融合V-Focal Loss全面提升密集目标检测，针对目前样本不平衡问题的独特创新点，有效涨点！
突破极限：Yolov8损失函数改进与Wasserstein Distance Loss，助力小目标检测涨点
一直在水些技术小文
11-10 1087
Wasserstein Distance Loss的引入为Yolov8带来了损失函数的全新理念，通过更好地考虑目标之间的空间关系，为小目标检测性能提升注入了新的动力。未来，我们可以期待更多类似的损失函数改进技术的涌现，为目标检测领域带来更多的创新。（注：本文中的示例代码仅为演示用途，实际应用中可能需要根据具体情况进行调整和优化。
yolov7轻量化改进GhostNet
03-23
### YOLOv7轻量化的GhostNet改进方法实现 #### Ghost模块简介 Ghost模块是一种高效的网络设计思路，其核心思想是利用廉价操作生成更多的特征图，从而减少计算成本并保持模型性能。这种技术最早由华为诺亚方舟实验室提出，并被广泛应用于图像分类、目标检测等领域[^1]。 #### G-Ghost方案概述 为了进一步优化YOLOv7的效率，G-Ghost方案针对传统Ghost模块进行了升级，使其更适合GPU环境下的推理加速。该方案的核心在于调整Ghost模块的设计以更好地适配现代硬件架构，同时保留了原Ghost模块高效的特点。 #### 修改 `GGhostRegNet.py` 文件 以下是基于G-Ghost模块对YOLOv7进行轻量化改造的关键代码片段： ```python import torch.nn as nn class GGhostModule(nn.Module): def __init__(self, inp, oup, kernel_size=1, ratio=2, dw_size=3, stride=1, relu=True): super(GGhostModule, self).__init__() self.oup = oup init_channels = int(oup / ratio) new_channels = init_channels * (ratio - 1) self.primary_conv = nn.Sequential( nn.Conv2d(inp, init_channels, kernel_size, stride, kernel_size//2, bias=False), nn.BatchNorm2d(init_channels), nn.ReLU(inplace=True) if relu else nn.Identity(), ) self.cheap_operation = nn.Sequential( nn.Conv2d(init_channels, new_channels, dw_size, 1, dw_size//2, groups=init_channels, bias=False), nn.BatchNorm2d(new_channels), nn.ReLU(inplace=True) if relu else nn.Identity(), ) def forward(self, x): x1 = self.primary_conv(x) x2 = self.cheap_operation(x1) out = torch.cat([x1, x2], dim=1) return out[:, :self.oup, :, :] ``` 上述代码定义了一个新的卷积层——`GGhostModule`，它通过组合少量的标准卷积和深度可分离卷积来生成丰富的特征表示，显著降低了参数数量和计算复杂度。 #### YAML配置文件设置 为了让YOLOv7能够加载自定义的G-Ghost模块，需要创建一个新的`.yaml`配置文件。以下是一个简单的例子： ```yaml # Model configuration for lightweight YOLOv7 with G-Ghost module nc: 80 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel width multiple backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, C3, [128]], [-1, 1, GGhostModule, [256, 3, 2]], # Integrate G-Ghost Module here ] head: ... ``` 此配置文件中引入了`GGhostModule`作为骨干网络的一部分，替代原有的标准卷积层，实现了模型的整体轻量化。 #### 测试流程验证 完成以上修改后，可以通过训练脚本运行实验，观察新模型的表现是否达到预期效果。具体命令如下所示： ```bash python train.py --img 640 --batch 16 --epochs 50 --data coco.yaml --cfg models/yolov7_gghost.yaml --weights '' ```
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