YOLOv8改进 | 主干网络 | 替换EfficientViT为backbone【轻量化网络】

 秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

---

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

---

专栏目录 ：《YOLOv8改进有效涨点》专栏介绍 & 专栏目录 | 目前已有90+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进——点击即可跳转

---

高分辨率的密集预测使许多吸引人的现实世界应用成为可能，如计算摄影、自动驾驶等。然而，庞大的计算成本使得将最先进的高分辨率密集预测模型部署到硬件设备上变得困难。本文介绍了EfficientViT，这是一种新的高分辨率视觉模型，具有新颖的多尺度线性注意力。与之前依赖重softmax注意力、硬件效率低的大核卷积或复杂拓扑结构来获得良好性能的高分辨率密集预测模型不同，我们的多尺度线性注意力仅通过轻量级和硬件高效的操作就实现了全局感受野和多尺度学习。因此，EfficientViT在包括移动CPU、边缘GPU和云GPU在内的各种硬件平台上，相较于以前的最先进模型，实现了显著的速度提升和性能增益。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。   

 专栏地址：YOLOv8改进——更新各种有效涨点方法——点击即可跳转 订阅学习不迷路   

目录

1. 原理

2.  将EfficientViT添加到YOLOv8中

2.1 EfficientViT的代码实现

2.2 更改init.py文件