YOLO11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

已于 2024-10-10 20:48:16 修改
阅读量426 收藏 1
点赞数
分类专栏： YOLO11魔术师 文章标签： 华为 深度学习 YOLO 人工智能 机器学习 算法
于 2024-10-10 13:56:23 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/142819652
版权

  💡💡💡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
yolo11n 319 2,591,010 6.4
YOLO11n-C3k2_GhostBottleneck 384 2,509,122 5.9
YOLO11n-C3k2_GhostBottleneckV2 394 2,509,122 5.9
YOLO11n-C3k2_g_ghostBottlen
了解本专栏 订阅专栏 解锁全文
YOLO11改进-注意力-引入自集成注意力机制SEAM解决遮挡问题
qq_64693987的博客
10-21 4094
左边是SEAM的架构，右边是部分为通道和空间混合模块CSMM的结构。CSMM利用深度可分卷积来学习不同尺度的特征空间尺度与通道的相关性。SEAM是一种自集成注意力机制，旨在通过多视角特征融合和一致性正则化来增强模型的鲁棒性和泛化能力。首先对输入特征Patch Embedding输入图像被分割成不同大小的patch（6, 7, 8），这些patch通过Patch Embedding层进行初步处理，生成特征表示。CSMM模块深度可分离卷积：使用深度可分离卷积来学习空间维度和通道之间的相关性。深度卷积。
YOLOv8改进 | 注意力机制 | 添加YOLO-Face提出的SEAM注意力机制优化物体遮挡检测（附代码 + 修改教程）
热门推荐
Snu77的博客
03-11 1万+
本文重点YOLOFaceV2介绍遮挡改进注意力网络模块（SEAM）和排斥损失（Repulsion Loss）。注意力网络模块旨在补偿被遮挡面部的响应损失，通过增强未遮挡面部的响应来实现这一目标。SEAM模块通过深度可分离卷积和残差连接的组合来实现，其中深度可分离卷积按通道进行操作，虽然可以学习不同通道的重要性并减少参数量，但忽略了通道间的信息关系。为了弥补这一损失，不同深度卷积的输出通过点对点（1x1）卷积组合。然后使用两层全连接网络融合每个通道的信息，以增强所有通道之间的联系。
YOLO11改进|注意力机制篇|引入SEAM注意力机制
A1983Z的博客
10-12 2079
YOLO11中添加SEAM注意力机制
YOLOv11融合CVPR[2020]轻量化卷积模块Ghost Module模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-11 2879
论文速览：CNN 的最新进展主要致力于设计更复杂的架构以提高其表示学习能力。在本文中，我们考虑在不调整模型架构的情况下改进 CNN 的基本卷积特征转换过程。为此，我们提出了一种新的自校准卷积，它通过内部通信显式扩展了每个卷积层的视野，从而丰富了输出特征。特别是，与使用小内核（例如 3 × 3）融合空间和通道信息的标准卷积不同，我们的自校准卷积通过一种新颖的自校准操作，在每个空间位置自适应地构建长距离空间和通道间依赖关系。因此，它可以通过明确地整合更丰富的信息来帮助 CNN 生成更具鉴别性的表示。
YOLO11改进 | 检测头 | 小目标遮挡物性能提升的检测头Detect_MultiSEAM【完整代码】
kay_545
10-02 3157
YOLO11改进 yolo11，yolov11， Detect_MultiSEAM, 手撕结构图，代码详细改进方式
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
03-01 121
华为Ghostnetv2，端侧小模型性能新SOTA
YOLO11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
10-10 533
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（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
03-01 128
华为Ghostnet，超越谷歌MobileNet | CVPR2020
YOLO11涨点优化：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
10-10 413
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。
YOLOv11改进 | 主干/Backbone篇 | 利用目标检测轻量化网络MobileNetV2替换Backbone（yolov11系列全系轻量化）
Snu77的博客
10-31 1967
本文给大家带来的改进机制是，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。其在MobilNetV1的基础上采用反转残差结构和线性瓶颈层。这种结构通过轻量级的深度卷积和线性卷积过滤特征，同时去除狭窄层中的非线性，以维持表征能力。MobileNetV2在性能上和精度上都要比V1版本强很多，其在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中都展现了一定的有效性。YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、MobileNetV2的框架原理。
YOLOv10魔改创新：检测头创新 | SEAM二次创新V10Detetct，提升小目标遮挡物性能提升
11-28 269
SEAM加入11Detetct提升检测能力
YOLOv11骨干轻量化改进shufflenetv2
weixin_71460900的博客
12-04 1061
（1）核心代码（nn.modules.shufflenetv2.py）（2）task.py引用。
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 ICCV 2023的EfficientViT 用于高分辨率密集预测的多尺度线性关注
Limiiiing的博客
10-28 614
本文记录的是基于EfficientViT的YOLOv11轻量化改进方法研究。通过构建多尺度线性注意力模块将全局感受野与多尺度学习相结合，并以此模块为核心构建网络，构建轻量级且硬件高效的操作，以提升性能并降低硬件部署难度。本文在替换骨干网络中配置了原论文中的和6种模型，以满足不同的需求。
YOLOv11改进 | 主干/Backbone篇 | 利用轻量化目标检测网络MobileNetV3替换Backbone（yolov11全系列轻量化）
Snu77的博客
10-31 1784
本文给大家带来的改进机制是，其主要改进思想集中在结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，以优化移动设备CPU上的性能。它采用了新颖的架构设计，包括反转残差结构和线性瓶颈层，以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP），以提升在移动分类、检测和分割任务上的表现。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性。
YOLOv11改进策略【模型轻量化】| 替换轻量化骨干网络：ShuffleNet V1
Limiiiing的博客
10-31 494
本文记录的是基于ShuffleNet V1的YOLOv11轻量化改进方法研究。ShuffleNet利用和操作降低计算成本，克服了现有先进架构在极小网络中因 1×1 卷积计算成本高而效率低的问题。相比一些传统的网络架构，能更好地。本文配置了原论文中和四种模型，以满足不同的需求。
YOLO11涨点优化：小目标检测 | 多头检测器提升小目标检测精度
10-12 2515
引入多头检测器助力YOLO11，添加一个微小物体的检测头暴力提升小目标检测性能
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2023 FasterNet 高效快速的部分卷积块
Limiiiing的博客
10-20 998
本文记录的是基于FasterNet的YOLOv11轻量化改进方法研究。FasterNet的网络结构借鉴 CNN 的设计理念，通过提出的PConv减少推理时的计算和内存成本，同时减少通道数并增加部分比例，降低延迟，并通过后续的PWConv来弥补特征信息可能缺失的问题，提高了准确性。本文在替换骨干网络中配置了原论文中的和六种模型，以满足不同的需求。
YOLOv11改进：轻量化模型MobileNetv4
最新发布
qq_44231797的博客
04-24 1264
它通过整合多种先进技术，如通用反转瓶颈（UIB）、针对移动设备优化的注意力机制（Mobile MQA），以及先进的架构搜索方法（NAS），实现了在不同硬件上的高效运行，成功打造出一系列在移动设备上表现最优的模型，兼顾计算效率和精度，实现了在多种硬件平台上的帕累托最优性能。**MobileNetV4（MNv4）**是最新一代的MobileNet，其核心原理在于实现了跨各种移动设备的高效性能,**预处理（pre-process）：**0.6毫秒（ms）**推理（inference）：**6.6毫秒（ms）
YOLO11新王登基！实战改进版，杀穿顶会！
2401_82426425的博客
01-08 899
众所周知，YOLO一直是发论文的大热门！而做为其的最新版本，必然会在2025成为各大顶会的“宠儿”！主要在于：一方面，YOLO其他系列的改进早已卷成“红海”，而YOLO11提出才几个月，目前还比较新，可发挥空间很大。另一方面，其在不牺牲准确度的情况下，还具有更高的计算效率，尤其在资源受限的情况下，非常适用。但也面临模型复杂度高、依赖标注数据的质量和数量等问题。这便给我们论文创新提供了机会！想往这方向发论文的伙伴，可以从这些方面入手：模型架构优化（像是引入注意力机制、多尺度特征融合；模型轻量化；
yolov5改进ghostnetv2模块
07-27
根据引用\[1\]和引用\[2\]的内容，YOLOv5改进了GhostNetV2模块。GhostNetV2是一种轻量级的检测器架构，采用了长距离注意力机制来增强廉价操作。YOLOv5结合了GhostNetV2的核心结构，并在参数上进行了优化，减少了参数数量。具体的改进代码可以在引用\[3\]中找到。在代码中，新增了一个名为C3GhostV2的类，该类继承自C3模块，并使用GhostNetV2的核心代码来构建网络结构。通过引入GhostNetV2模块，YOLOv5在数据集上可以获得更好的性能。 #### 引用[.reference_title] - *1* *2* *3* [YOLOv5/v8改进主干GhostNetV2系列：首发结合最新NIPS2022华为诺亚的GhostNetV2 架构：引入长距离注意力机制...](https://blog.csdn.net/qq_38668236/article/details/127909155)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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