芒果YOLOv5改进45：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局

已于 2024-03-14 20:53:47 修改
阅读量4.7k 收藏 19
点赞数 1
分类专栏： 芒果YOLOv5原创改进 文章标签： 目标检测 深度学习 计算机视觉
于 2022-09-29 15:26:36 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/qq_38668236/article/details/127107758
版权
芒果YOLOv5原创改进 同时被 2 个专栏收录
106 篇文章 54 订阅 ¥239.90 ¥399.90
订阅专栏
芒果改进YOLO进阶指南
65 篇文章 621 订阅 ¥299.90 ¥399.90
订阅专栏
本教程介绍了如何将MobileViTv3的改进版应用于YOLOv5，通过轻量级Transformer融合局部和全局特征，提升目标检测性能。内容涵盖理论分析、实验结果、代码实现和网络配置，适用于移动设备的视觉任务。
摘要由CSDN通过智能技术生成
  • 💡该教程为改进进阶指南，包含大量的原创首发改进方式, 所有文章都是全网首发原创改进内容🚀，本篇是MobileViT系列三个版本中的第三版论文结合YOLOv5改进，MobileViTv3系列三
    💡本篇文章 基于 YOLOv5等网络：首发最新结合 MobileViTv3 系列最强版本！：轻量化Transformer视觉转换器，简单有效地融合了本地全局和输入特征,本文将结合YOLO系列应用。
  • 重点：🔥有不少同学已经反应 专栏的教程 提供的网络结构 在数据集上有效涨点!!!
  • 重点：🌟进阶专栏内容持续更新中🎈☁️🏅️，订阅了该专栏的读者务必·私信博主·加·全新创新点进阶交流群·群内不定时会发一些其他未公开的Tricks.
  • 本篇内容包括理论部分和YOLO改进结构代码，并提出首发原创X结构(其他地方没有)，进行改进
包含整个 MobileViT 系列（Transformer不同论文）

目前最新一共3个版本，分别是MobileViT模型、MobileViTv2模型、MobileViTv3模型，这是三篇不同的论文！！

文章目录

了解本专栏 订阅专栏 解锁全文
芒果汁没有芒果
关注
专栏目录
订阅专栏
YOLOv8改进 | 融合改进 | C2f融合轻量化视觉Transformer【完整代码】
kay_545
08-15 1004
yolov8，yolov8改进，CloFormer，C2f_CloFormer
用YOLOv5和MobileViTs骨干网络革新目标检测：高效准确AI视觉的未来
学Java，找哪吒
05-24 2545
MobileViT是一种结合了ViT和MobileNetV3的深度神经网络，旨在充分利用两种网络结构的优势，并避免它们各自的缺点。ViT是基于注意力机制的视觉转换器，适用于图像分类任务，表现出色。
yolov5 backbone 更改为 mobilevit(即改即用)
weixin_63858429的博客
02-22 4029
前提须知：在看了几位大佬的博客后，始终无法跑起来，反反复复的修改yaml文件，和其他代码，于是便有了以下第4条最终的解决方法，能跑，不能保证效果，读者如果有更好的解决办法，欢迎评论
基于YOLOv5改进更多的主干resnet、shufflenet、moblenet、efficientnet、hrnet、cbam、dcn以及tensorrt等（源码+说明）.rar
04-15
1、资源内容：基于YOLOv5改进更多的主干resnet、shufflenet、moblenet、efficientnet、hrnet、cbam、dcn以及tensorrt等（源码+说明）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
使用MobileViT替换YOLOv5主干网络
qq_43448116的博客
10-28 6057
相比较于其他的transformer变体，MobileViT这篇文章给出的改动技巧很简单高效，它解决的ViT中因为像素摊平操作导致的位置信息损失问题，将卷积的局部信息提取优势和自注意力机制的全局信息提取能力结合起来，并且根据论文描述具有高度轻量化+极快的推理速度，具体的大佬们自己去读读，本菜鸡好久之前读的了，印象不是很深了…1、由于transformer自注意力机制结构中存在大量的矩阵乘操作，对内存的消耗特别大，如果显卡显存不是特别大，建议将。话不多说，直入主题吧！
改进YOLO系列 | YOLOv5更换骨干网络之 MobileViTs
YOLOv8项目贡献者
01-12 4258
MobileViT 各个版本网络添加到YOLO的修改教程
芒果YOLOv10改进08：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合
最新发布
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-08 62
YOLOv10改进08：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合
芒果YOLOv9改进22：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 72
YOLOv9改进：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局
芒果YOLOv8改进32：主干Backbone篇之MobileViTv3：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-07 2296
YOLOv8代码实践🎈｜原创改进 MobileViTv3 网络
芒果YOLOv7改进20：主干篇：全网首发最新 MobileViTv3 系列最强改进版本（三）｜轻量化Transformer视觉转换器，简单有效地融合了本地全局和输入特征，高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-11 6358
💡本篇文章 基于 YOLOv5、YOLOv7、YOLOv7-tiny 等网络：首发最新结合 MobileViTv3 系列最强版本！：轻量化Transformer视觉转换器，简单有效地融合了本地全局和输入特征, 本文将结合YOLO系列应用。
yolov5改mobilevit遇到的问题
Mute2022的博客
07-26 304
虽然确实轻量化了，但代价太大了，掉点严重，且非常吃显存，batch-size为4，workers为1，显存占了8.35G，一个epoch的时间是原版yolov5s的3倍，感觉这个改进很不划算，可以作为背景板放进对比实验中。另外，改backbone其实本身逻辑就有问题，backbone作为网络的主干，把它换了，那还和它有关系吗？类似于改装自行车，直接把车架换了。所以，轻量化不该只考虑空间复杂度（参数量），时间复杂度（计算量），模型体积，也得考虑同等占显存情况下的训练的速度。
芒果YOLOv8改进76：主干Backbone篇Swin Transformer：在基础SwinTransformer结构的基础上进行多种改进结构，集成Transformer和CNN的优势
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-27 2307
YOLOv8 | Swin Transformer改进🍊
如何从轻量化角度改进YOLOv8？
热门推荐
jsnuchao的博客
03-11 1万+
改进YOLOv8：压缩、优化、结合新技术，提高精度。
赋能 YOLOv8：引领目标检测革命的 SwinTransformer 主干网络
一直在水些技术小文
09-20 1736
YOLO（You Only Look Once）系列一直以其出色的性能和实时性而备受关注，而 YOLOv8 则将先进的 SwinTransformer 主干网络引入其中，为目标检测带来了新的突破。本文将深入研究 YOLOv8 和 SwinTransformer 的结合，为你呈现一篇详尽的博文，包含示例和代码，帮助你深入了解如何实现这一强大的目标检测模型。其中一个最引人注目的改进是将主干网络替换为 SwinTransformer，这一变化为目标检测的实时性和准确性带来了巨大的提升。
YOLOv8改进 | 主干篇 | SwinTransformer替换Backbone（附代码 + 详细修改步骤 +原理介绍）
Snu77的博客
12-12 7156
本文给大家带来的改进机制是利用Swin Transformer替换YOLOv8中的骨干网络其是一个开创性的视觉变换器模型，它通过使用位移窗口来构建分层的特征图，有效地适应了计算机视觉任务。与传统的变换器模型不同，Swin Transformer的自注意力计算仅限于局部窗口内，使得计算复杂度与图像大小成线性关系，而非二次方。这种设计不仅提高了模型的效率，还保持了强大的特征提取能力。Swin Transformer的创新在于其能够在不同层次上捕捉图像的细节和全局信息，使其成为各种视觉任务的强大通用骨干网络。
YoloV8改进策略：RefConv打造轻量化YoloV8利器
m0_47867638的博客
11-07 3994
REFCONV是一种用于构建强大卷积神经网络的重新参数化的重新聚焦卷积（re-parameterized refocusing convolution）。它是一种特殊的卷积层，旨在通过重新参数化输入特征图来增强卷积神经网络的能力。在传统的卷积神经网络中，卷积层通过将输入特征图与一组卷积核（filters）进行卷积运算，以检测和提取输入数据中的局部特征。然而，这种传统的卷积方式可能会在处理具有复杂结构和多样性的数据时遇到一些挑战。REFCONV通过重新参数化输入特征图来解决这些问题。
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 4884
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
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

芒果汁没有芒果

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