ghostnet与mobilenetv3、mobilenetv2对比

最新推荐文章于 2024-07-02 11:25:44 发布
最新推荐文章于 2024-07-02 11:25:44 发布
阅读量1.8k 收藏 5
点赞数
分类专栏： 卷积网络 文章标签： 计算机视觉 人工智能 深度学习
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/pilykuang/article/details/108765718
版权

      同等计算量，mobilenetv3 small比mobilenetv2精度高，ghostnet比mobilenetv3 small精度高，mobilenetv3 small + anti-aliased比mobilenetv3 small精度高；mobilenetv3使用的SE模块有助于涨点。anti-aliased BlurPool在stride=2之前使用低通滤波，增加了平移不变性，测试同样提高的精度

 

YOLOv8改进，YOLOv8改进主干网络为GhostNetV3(2024年华为的轻量化架构，全网首发)，助力涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-28 1686
GhostNetV3 提供了以下几种常见的模型权重，不同宽度缩放因子（Width Scaling）： - 0.5x: 较小模型深度，用于资源更受限的场景。 - 1.0x: 标准模型。 - 1.3x: 模型深度比1.0x更深。 - 1.6x: 更大的模型版本，适用于计算资源较多的设备。
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
最新发布
03-01 125
华为Ghostnet，超越谷歌MobileNet | CVPR2020
GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码
08-28
GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码；GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码；GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码；GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码；GhostNet的不同版本（v1、v2、v3）实现的人工智能图像分类源码；
MobileNetV1/V2/V3简述 | 轻量级网络
喜欢打酱油的老鸟
07-09 2429
MobileNet系列很重要的轻量级网络家族，出自谷歌，MobileNetV1使用深度可分离卷积来构建轻量级网络，MobileNetV2提出创新的inverted residual with linear bottleneck单元，虽然层数变多了，但是整体网络准确率和速度都有提升，MobileNetV3则结合AutoML技术以及人工微调进行更轻量级的网络构建   来源：晓飞的算法工程笔记 公众号 MobileNetV1 论文: MobileNets: Efficient Convolutional .
（C1-1）MobileNet、ShuffleNet、GhostNet
木槿qwer的博客
12-12 487
轻量化网络模型
CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源
深度学习与计算机视觉
02-28 2086
作者：王云鹤本文转载自知乎，作者已授权，未经许可请勿二次转载。来自华为诺亚方舟实验室的一篇工作近日被CVPR 2020接受，提出了一种新型的端侧神经网络...
MobileNetsV1、MobileNetsV2、MobileNetsV3
qq_46981910的博客
07-02 2198
这种更有效的最后一个阶段能够在网络末尾删除三个昂贵的层，而不会损失准确性。
YOLOv5改进系列(三) 更换backbone主干MobileNetV3，ShuffleNetV2，EfficientNetv2，GhostNet，SwinTransformer
专注于人工智能学习，总结
12-14 2571
文章目录MobileNetV3一、MobileNetV3原理**1.1 MobileNetV3简介**1.2 **MobileNetV3相关技术**二、YOLOv5结合MobileNetV3_small2.1 添加顺序2.2 具体添加步骤**第①步：在common.py中添加**MobileNetV3**模块****第②步：在yolo.py文件里的parse_model函数加入类名****第③步：创建自定义的yaml文件**第④步：验证是否加入成功**第⑤步：修改train.py中 ‘--cfg’默认参数*
改进YOLOv5：MobileNEtv2、v3篇**涨点必备 | 创新实用 | 轻量化骨干网络大一统，包含FastNet、ShuffleNet、mobileNet、Ghostnet等
qq_44224801的博客
05-18 1478
​   轻量化MobileNEtv2、v3​   轻量化MobileNEtv2、v3。
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
静谧、淡雅
04-19 3345
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
YOLOv5改进系列(三) 本文(7万字) | 更换主干backbone | MobileNetV3 | ShuffleNetV2 | EfficientNetv2 | GhostNet | 等 |
专注于人工智能学习，总结
12-29 4183
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程MobileNetV3，是谷歌在2019年3月21日提出的轻量化网络架构，在前两个版本的基础上，加入神经网络架构搜索（NAS）和h-swish激活函数，并引入SE通道注意力机制，性能和速度都表现优异，受到学术界和工业界的追捧。引用大佬的描述：MobileNet V3 = MobileNet v2 + SE结构 + hard
大白话解读2020CVPR-GhostNet论文以及相关代码: 超越MobileNetV3的轻量级网络
期待黎明的博客
03-01 4378
大白话解读GhostNet论文以及相关代码: 超越MobileNetV3的轻量级网络 华为源码 源码 为了减少神经网络的计算消耗，论文提出Ghost模块来构建高效的网络结果。该模块将原始的卷积层分成两部分，先使用更少的卷积核来生成少量内在特征图，然后通过简单的线性变化操作来进一步高效地生成ghost特征图。从实验来看，对比其它模型，GhostNet的压缩效果最好，且准确率保持也很不错，论文思想...
MobileNet、GhostNet理解及测试
Brikie的博客
01-17 3173
MobileNet和GhostNet是两个可在端侧使用的轻量级图像识别网络，本文分别介绍其主要原理，即深度可分离卷积的原理和Ghost模块的原理，然后在cifar10上进行试验对比分析其参数量、速度和精度等。
移动端轻量级模型开发谁更胜一筹，efficientnet、mobilenetv2、mobilenetv3、ghostnet、mnasnet、shufflenetv2驾驶危险行为识别模型对比开发测试
Together_CZ的博客
11-23 3579
移动端轻量级模型开发谁更胜一筹，efficientnet、mobilenetv2、mobilenetv3、ghostnet、mnasnet、shufflenetv2驾驶危险行为识别模型对比开发测试
GhostNetV3：探索紧凑型模型的训练策略学习笔记
athrunsunny的博客
04-21 3082
紧凑型神经网络是专门为边缘设备上的应用而设计的，具有更快的推理速度和适度的性能。然而，目前紧凑型模型的训练策略是从传统模型中借鉴的，这忽略了它们在模型容量上的差异，从而可能会阻碍紧凑模型的性能。在本文中，通过系统地研究不同训练成分的影响，作者为紧凑模型引入了一种强训练策略。重参数化和知识蒸馏的适当设计对于训练高性能紧凑型模型至关重要，而用于训练传统模型的一些常用数据增强，如Mixup和CutMix，会导致较差的性能。
【读点论文】GhostNetV3: Exploring the Training Strategies for Compact Models，感觉是调参作品，知识蒸馏，学习率调整，EMA,重参数...
白水空空
05-08 1719
目前最先进的模型MobileFormer实现了79.3%的前1级精度，延迟为129.58ms，这在现实世界的应用中是负担不起的。接下来，我们将GhostNetV3与其他基于CNN的紧凑型模型进行比较，包括MobileNets、ShuffleNets、MixNet、MNASNet、FBNet、EfficientNet和MobileOne，其中FBNet、MNASNet和MobileNetV3是基于搜索的模型，其他是手动设计的模型。因此，KD 采用更大的模型作为教师来指导紧凑模型的学习，是提高性能的合适方法。
华为的GhostNet是如何超越Google的MobileNet的
二分掌柜的
04-21 1435
目标检测 SSD: Single Shot MultiBox Detector - 综述 flyfish 论文的效果 对于图片大小为300×300的输入，SSD在VOC2007测试中以59FPS的速度在Nvidia Titan X上达到74.3%的mAP，对于图片大小为512×512的输入，SSD达到了76.9%的mAP 数据集（VOC） VOC数据集的类别个数是21,还有一个没在列表里的背景 V...
GhostNetV3：探索紧凑模型的训练策略
AI浩
04-23 2028
论文链接：https://arxiv.org/pdf/2404.11202.pdf紧凑神经网络是专为边缘设备设计的，这些设备具有更快的推理速度但性能适中。然而，目前紧凑模型的训练策略是从传统模型中借鉴的，这忽略了它们在模型容量上的差异，因此可能阻碍紧凑模型的性能。在本文中，我们通过对不同训练成分进行系统调查，为紧凑模型引入了一种强大的训练策略。我们发现，适当的重参数化和知识蒸馏设计对于训练高性能紧凑模型至关重要，而一些常用于训练传统模型的数据增强方法，如Mixup和CutMix，反而会导致性能下降。
轻量化网络ShuffleNet MobileNet v1/v2/v3( MobileNet)学习笔记
热门推荐
justsolow的博客
04-07 1万+
轻量化网络ShuffleNet MobileNet v1/v2学习笔记 部分取自（giantpandacv公众号） 在学习这两部分之前，大家应该要懂一个卷积操作，分组卷积和深度可分离卷机。其实他们的原理差不多，我在这里就不详细讲了，不清楚的同学可以查看我的这篇博文这篇博文几乎涵盖了现在神经网络中大部分的卷积的骚操作，看完以后相信你就会茅塞顿开的。 MobileNet v1 文章链接 Mobilen...
ghostnet和mobilenet网络精度对比
02-11
### 比较GhostNet和MobileNet神经网络模型的精度 对于不同类型的卷积神经网络，在评估其性能时，通常会考虑多种因素来衡量准确性。当比较像GhostNet和MobileNet这样的轻量化架构时，重要的是要理解两者的设计理念以及它们如何影响最终的结果。 #### 设计哲学差异 GhostNet引入了一种新颖的方法来构建高效的卷积层，通过利用特征图之间的冗余性减少计算量而不显著降低表现力[^1]。相比之下，MobileNet系列则依赖于深度可分离卷积(depthwise separable convolutions)，这种方法可以大幅削减参数数量并加速推理过程，同时保持较高的识别能力[^2]。 #### 准确性的考量 准确性的测量往往取决于具体的任务需求和数据集特性。一般而言： - **训练集规模的影响**：较大的训练样本有助于提高泛化能力和稳定性。研究表明，随着训练集合的增长，某些高效模型可能会显示出更好的收敛性和更高的上限潜力。 - **输入分辨率的作用**：为了有效捕捉细粒度的信息，特别是针对目标检测等应用场景，适当提升输入图片的质量至关重要。这可能意味着采用更高解析度作为输入给定模型，从而增强细节描述的能力[^3]。 #### 实验对比分析 具体到GhostNet与MobileNet之间精确度上的区别，实际测试结果表明，在ImageNet基准上，尽管二者都属于紧凑型设计，但GhostNet能够在相似甚至更少资源消耗的情况下达到接近或超越MobileNetV3的表现水平。例如，在Top-1错误率方面，GhostNet取得了约4.8%的优势；而在FLOPs指标下，则实现了大约50%以上的效率增益。 ```python import torch from torchvision import models ghostnet = models.ghostnet(pretrained=True) mobilenet_v3_small = models.mobilenet_v3_small(pretrained=True) # 假设已经准备好了一个验证集 dataloader 和相应的评价函数 evaluate_accuracy accuracy_ghostnet = evaluate_accuracy(ghostnet, val_loader) accuracy_mobilenet = evaluate_accuracy(mobilenet_v3_small, val_loader) print(f'Accuracy of GhostNet: {accuracy_ghostnet:.4f}') print(f'Accuracy of MobileNet V3 Small: {accuracy_mobilenet:.4f}') ```
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
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