YOLOv8 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络

已于 2024-03-27 16:31:03 修改
阅读量1.4k 收藏 10
点赞数 22
分类专栏： YOLOv8改进有效涨点 文章标签： YOLO 网络
于 2024-03-27 14:20:09 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_67647321/article/details/137074631
版权
YOLOv8改进有效涨点 专栏收录该内容
60 篇文章 25 订阅 ¥129.90 ¥99.00
订阅专栏

​

目录

原理简介

代码实现

yaml文件实现

检查是否添加执行成功 

完整代码分享 

论文创新必备

启动命令

由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络 (CNN) 很困难。特征图中的冗余是那些成功的 CNN 的一个重要特征，但在神经架构设计中很少被研究。一种新颖的 Ghost 模块，可以通过廉价的操作生成更多的特征图。基于一组内在特征图，以低廉的成本应用一系列线性变换来生成许多鬼特征图，这些特征图可以充分揭示内在特征背后的信息。Ghost 模块可以作为即插即用组件来升级现有的卷积神经网络。 Ghostbottleneck旨在堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。Ghost 模块是基线模型中卷积层的令人印象深刻的替代品，并且GhostNet 可以比 MobileNetV3 实现更高的识别性能，并且在 ImageNet ILSVRC2012 分类数据集上具有相似的计算成本。

 ⭐欢迎大家订阅我的专栏一起学习⭐

🚀🚀🚀订阅专栏，更新及时查看不迷路🚀🚀🚀

       YOLOv5涨点专栏：http://t.csdnimg.cn/CNQ32

YOLOv8涨点专栏&

了解本专栏 订阅专栏 解锁全文
kay_545
关注
  • 22
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
主干网络篇 | YOLOv8更换主干网络之GhostNet
突然好想你
03-23 471
GhostNet是2019年由华为诺亚方舟实验室发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高本文就教大家如何将YOLOv8的主干网络更换为GhostNet！~🌈
yolov8魔改之Ghost引入
Littro Innovations
06-04 127
Ghost层是在CVPR 2020上由华为诺亚方舟实验室提出的7。它是一种新型的端侧神经网络架构，称为GhostNet。Ghost层的核心思想是通过廉价操作生成更多的特征图，从而在保持精度的同时减少计算量和参数量。在YOLO（You Only Look Once）目标检测模型中引入Ghost层是可行的，并且可以带来一些潜在的性能提升。这些改进使得Ghost层及其衍生架构在轻量化网络设计和推理加速方面具有显著的技术提升。以下是引入Ghost的网络层结构。
GHostNet网络最通俗易懂的解读【不接受反驳】
源仔
08-20 1万+
如下图所示，是由ResNet-50中的第一个残差块生成的某些中间特征图的可视化。从图中我们可以看出，这里面有很多特征图是具有高度相似性的（在图中分别用不同的颜色示意），换句话说，**就是存在许多的冗余特征图。,即每组的channel数量为1),尽管形式上两者有比较大的差别:分组卷积只进行一次卷积操作即可,而深度可分离卷积需要进行两次——先。之所以在写在前面中提到,本文的题目一定要先是分组卷积再是深度可分离卷积,因为在我看来后者是前者的极端情况(分组卷积的。第二次卷积输出即为深度可分离卷积的输出。
Yolov5轻量级网络：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
06-20 1027
Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，与c2f和c3结合减少最新的深度神经网络的计算成本，引入高效的神经网络结构。
目标检测算法——YOLOv5/YOLOv7改进结合轻量型Ghost模块
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 2万+
将轻量型的Ghost模块与YOLOv5算法相结合，进一步降低网络参数量，使模型轻量化的同时加快网络推理速度。
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
弗兰-随风小欢的博客
01-10 2788
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
YOLOv5 Ghost卷积，报错
qq_44438961的博客
11-20 567
Ghost卷积替换第零层卷积，YOLOV5
YOLOv5更换Ghostnet模块
m0_56247038的博客
05-19 8702
在最新版本的YOLOv5-6.1源码中，作者已经加入了Ghost模块，在models/common.py文件下 并在models/hub/文件夹下，给出了yolov5s-ghost.yaml文件，因此直接使用即可 在用的时候注意train.py里面的'--cfg'配置文件 更改完毕，直接运行就可以啦~~~ reference：【魔改YOLOv5-6.x（上）】结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet_嗜睡的篠龙的博客-CSDN博客_yolov.
基于轻量化卷积神经网络的服装分类方法
05-06
考虑到电商平台的日益发展，使用人工分类的方式对服装进行分类无法满足目前的需求....3）模型的轻量化处理.最终得到了在满足准确性的前提下，可以在普通低配置PC端进行运行的算法模型，提升了工作效率，同时节省了成本.
基于改进YOLOv8的轻量化车辆检测网络
05-02
【标题】：“基于改进YOLOv8的轻量化车辆检测网络” 在计算机视觉领域，目标检测是一项关键任务，尤其在交通监控、自动驾驶等场景中，车辆检测至关重要。本项目聚焦于YOLO（You Only Look Once）系列算法的最新进展...
基于MobileNet与YOLOv3的轻量化卷积神经网络设计.pdf
09-25
基于 MobileNet 与 YOLOv3 的轻量化卷积神经网络设计 在当前的目标检测算法中，基于卷积神经网络的检测算法在小型图像处理计算平台中存在兼容性较差、计算能力低下以及网络训练过程中占用内存过大的问题。为了解决...
基于轻量型卷积神经网络的交通标志识别方法
05-06
模型使用轻量化卷积神经网络提取特征后，将特征送入极限学习机进行分类，解决了卷积神经网络全连接层参数训练慢的问题.新模型结合了轻量型卷积神经网络模型内存占用低、提取特征质量好以及ELM的泛化性好、训练速度快...
基于改进 YOLOv8 的轻量化小麦病害检测方法
07-05
为提高小麦病害检测精度，实现将模型方便快速部署到移动端，该研究提出了一种基于改进 YOLOv8 的轻量 化小麦病害检测方法。首先，使用 PP-LCNet 模型替换 YOLOv8 网络结构的骨干网络，并在骨干网络层引入深度可分离 ...
基于轻量级yolov5s融合Ghost组件开发构建水面垃圾检测识别系统
Together_CZ的博客
06-08 336
基于轻量级yolov5s融合Ghost组件开发构建水面垃圾检测识别系统
YOLOv9独家原创改进|加入幽灵卷积Ghost Convolution模块，轻量化！
深度学习炼丹师，偶尔分享炼丹技术!
03-04 3174
由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络是困难的。特征图中的冗余是那些成功的细胞神经网络的一个重要特征，但在神经结构设计中很少进行研究。本文提出了一种新的Ghost模块，通过少量的计算生成更多的特征图。基于一组内在特征图，我们以低廉的成本应用一系列线性变换来生成许多重影特征图，这些重影特征图可充分揭示内在特征背后的信息。所提出的Ghost模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost瓶颈被设计为堆叠Ghost模块，然后可以轻松地建立轻量级GhostNet。
YOLOv8改进：构建新的C2f_RepGhost模块，针对Ghost进行重参数化，速度，mAP双提高！
Mirana
11-27 5142
请大家记住本号“YOLO歪瓜裂枣”，抵制搬运！这是作者在文中的实验结果图，对比实验结果图，证明提出的RepGhost模块的有效性。
YOLOv8优化策略：特征融合系列篇 | 多尺度特征融合iAFF，提升小目标检测能力 | 轻量级创新高效结合GhostConv
会AI的学姐
01-26 566
1）iAFF加入Neck替代Concat；2）Conv替换为GhostConv；3）加入C3Ghost；
【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码)
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。
02-18 5716
在嵌入式设备上部署卷积神经网络（CNNs）由于有限的内存和计算资源而变得困难。特征图中的冗余是那些成功的CNNs的一个重要特性，但在神经架构设计中很少被研究。本文提出了一种新颖的Ghost模块，用于通过低成本操作生成更多的特征图。基于一组内在特征图，我们应用一系列低成本的线性变换来生成许多能够充分揭示内在特征信息的幽灵特征图。所提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。设计了Ghost瓶颈来堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。在基准测试上进行的实验表明
实战 | YOLOv8使用TensorRT加速推理教程（步骤 + 代码）
最新发布
Color Space的博客
07-09 1181
这一步主要是安装根据自己的硬件安装GPU驱动，下载CUDNN等，以往的文章已经介绍过多次，可以点击下面的图片跳转到对应文章查看(点击图片跳转)。DeepSparse：专为稀疏模型设计的CPU推理运行时，可以有效加速基于WSL2的Windows环境下的推理。OpenVINO：Intel的推理工具套件，用于CPU上的模型优化和加速，支持量化和多种硬件加速。可以使用官网下载的模型也可以使用自己训练好的模型。保持框架最新：确保使用的深度学习框架版本是最新的，以获得最新的优化和bug修复。
yolov8轻量化卷积
08-17
Yolov8是一种目标检测算法，它采用了卷积神经网络（Convolutional Neural Network，CNN）来实现物体检测。轻量化卷积是在Yolov8的基础上进行了优化，以减少模型的计算量和参数数量，从而使得模型更加轻量化。 在Yolov8轻量化卷积中，通常会采用一些技术来减少模型的大小和计算量，例如使用深度可分离卷积（Depthwise Separable Convolution）代替传统的卷积操作，使用残差连接（Residual Connection）来减少信息丢失等。此外，还可以通过减少特征图的通道数、降低网络的层数或者采用更小的卷积核等方式来进一步减小模型的大小和计算量。 通过轻量化卷积，可以在保持较高检测精度的同时，减少模型的大小和计算量，使得在资源受限的设备上也能够进行实时目标检测。

“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
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

kay_545

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