【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.62】结合NeurIPS 2022年GhostnetV2网络模块

人工智能算法研究院

已于 2023-03-27 13:02:14 修改

阅读量1.5k

点赞数 1

分类专栏：首发创新改进方法 YOLO算法改进系列文章标签：算法计算机视觉深度学习 Powered by 金山文档

于 2023-03-26 23:11:04 首次发布

本文链接：https://blog.csdn.net/m0_70388905/article/details/129786270

版权

首发创新改进方法同时被 2 个专栏收录

54 篇文章 75 订阅 ¥179.90 ¥299.90

订阅专栏

超级会员免费看

YOLO算法改进系列

138 篇文章 1434 订阅

订阅专栏

本文针对YOLOv5模型的C3结构导致的参数量大、检测速度慢的问题，提出使用GhostnetV2进行主干网络替换，旨在实现模型轻量化并保持检测性能。通过引入GhostnetV2网络，以适应移动和嵌入式设备的低延迟需求。同时，这种方法也可应用于其他YOLO和目标检测模型，如YOLOv7、v4、v3及Faster R-CNN。

摘要由CSDN通过智能技术生成

前言
作为当前先进的深度学习目标检测算法YOLOv8，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv8的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。由于出到YOLOv8，YOLOv7、YOLOv5算法2020年至今已经涌现出大量改进论文，这个不论对于搞科研的同学或者已经工作的朋友来说，研究的价值和新颖度都不太够了，为与时俱进，以后改进算法以YOLOv7为基础，此前YOLOv5改进方法在YOLOv7同样适用，所以继续YOLOv5系列改进的序号。另外改进方法在YOLOv5等其他算法同样可以适用进行改进。希望能够对大家有帮助。