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1.5k 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
71 篇文章 27 订阅 ¥129.90 ¥299.90
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

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
yolov8魔改之Ghost引入
Littro Innovations
06-04 244
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。
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 卷积（depthwise separable convolution， DepthSepConv）结构，减少模型参数量，提升模型检测性能；其次，在颈部网 络部分添加全局注意力机制（global attention mechanism， GAM）模块，强化特征中语义信息和位置信息，提高模型特 征融合能力；然后，引入轻量级通用上采样内容感知重组（content-aware reassembly of features，CARAFE）模块，提高 模型对重要特征的提取能力；最后，使用 Wise-IoU（weighted interpolation of sequential evidence for intersection over union）边界损失函数代替原损失函数，提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明，对于大 田环境下所采集的小麦病害数
轻量化网络——Ghost【论文笔记】
Bryce-HJ
09-05 4075
ghostnet中用到的SEblock结构： Sequeeze-and-Excitation(SE) block并不是一个完整的网络结构，而是一个结构快，可以嵌入到其他神经网络模型中。SEblock的核心思想在于通过网络根据loss去学习特征权重，使得有效的feature map权重大，无效或效果小的feature map权重小的方式训练模型达到更好的结果。 SEblock的工作就是将上图中左边的X特征图经过一系列运算得到上图中右边彩色的x̅，可将整个运算过程分为四步，接下来结合论文中的公式对这四个步骤做
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 1034
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 2918
【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
11-20 571
Ghost卷积替换第零层卷积，YOLOV5
YOLOv5更换Ghostnet模块
m0_56247038的博客
05-19 8737
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
06-08 348
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 3362
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 5254
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
01-26 643
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 6031
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
YOLO场景
最新发布
weixin_52236586的博客
07-24 274
YOLO（You Only Look Once）目标检测技术的应用场景示例表格，包括各种领域的实际应用：
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。
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