YOLOv7改进结构系列：最新结合DO-DConv卷积提高性能涨点，打造高性能检测器

已于 2024-03-14 11:10:30 修改
阅读量9.6k 收藏 36
点赞数 8
分类专栏： 目标检测YOLO改进指南 文章标签： 深度学习 计算机视觉 神经网络
于 2022-10-13 10:50:06 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/127297016
版权
该教程介绍如何在YOLOv5系列中应用DO-DConv，通过深度过参数化的卷积层提高检测器性能，同时保持推理阶段的计算复杂度不变。文章详细讲解DO-Conv的基本原理，并提供了代码实现，展示了在YOLOv5模型中的应用步骤。
摘要由CSDN通过智能技术生成
  • 💡该教程包含大量的原创首发改进方式, 所有文章都是原创首发改进内容🚀
    降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程🚀
  • 💡本篇文章基于 基于 YOLOv7、YOLOv7-Tiny 、YOLOv5、YOLOv6、YOLOX、YOLOv4 结合 DO-DConv 打造高性能、轻量级检测器 改进。代码直接运行🚀
  • 专栏读者有问题可以私信博主，看到了就会回复.

文章目录

参数对比(均减少)

标准

Model Summary: 270 layers, 7235389 parameters, 7235389 gradients, 16.6 GFLOPs
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
haproxy-dconv:HAProxy文档转换器
05-13
HAProxy文档转换器 在当前状态下，HAProxy正在将HAProxy文档.txt文件转换为HTML。 该项目的目的是最终将HAProxy文档转换为更通用的格式（例如：ReStructuredText），从而可以更轻松地传播各种输出文件（.pdf，.html...
DO-Conv 涨点模块
红叶谷 wsp_1138886114的博客
04-01 6751
文章目录0.动机1.传统的卷积和Depthwise卷积2.Depthwise over-parameterized卷积（DO-Conv）3.DO-DConv和DO-GConv4.在视觉任务中使用Depthwise over-parameterized卷积5.总结 DO-Conv无痛涨点：使用over-parameterized卷积层提高CNN性能 DO-Conv: Depthwise Over-parameterized Convolutional Layer 论文： https://arxiv.org/
【卷积网络】DO-Conv: Depthwise Over-parameterized Convolutional Layer论文速读笔记
qq_43004066的博客
12-04 5275
文章目录基本信息核心逻辑优势 基本信息 论文：https://arxiv.org/pdf/2006.12030.pdf 代码：https://github.com/yangyanli/DO-Conv 核心逻辑 上图是卷积核在一个滑动窗口区域上的一次标准卷积操作，注意这里没有滑动的过程，就是一次卷积操作。 其中M和N是卷积核在两个spatial方向上的大小，比如我们一般使用3*3卷积核，那这里就是M=3和N=3，这个图片就是指我们在Cin * 3 * 3的原图P上做了一次卷积操作，得到了1 * Cout的结
【YOLOv7】主要改进点详解_yolov7改进
2401_84254530的博客
06-25 889
YOLOv7在5FPS到160FPS的范围内，无论是速度或是精度，都超过了目前已知的检测器在V100上进行测试， 精度为56.8%AP的模型可达到30FPS（batch=1）以上的检测速率目前唯一一款在如此高精度下仍能超过30FPS的检测器代码冗余，版本更新问题如何评价AlexeyAB版的YOLOv7？验证时数据预处理的图像缩放异常（没有做padding操作）验证时的NMS异常（应该是multi_label = False）参考资料。
yolov7改进系列
Hoshea_sun的博客
03-08 4357
111
Yolov5/Yolov7优化：卷积变体---分布移位卷积（DSConv）,提高卷积层的内存效率和速度
04-29 5160
yolov5优化改进，通过分布移位卷积（DSConv），提高卷积层的内存效率和速度
dconv-开源
07-25
dconv 是一个简单的命令行实用程序来处理日期。 使用选项 --help 查看命令。 在此处与我联系：hal9k (at) altervista.org
C2F-FWN:“C2F-FWN”的数据代码库
05-30
NVIDIA GPU（>12GB 内存）+ CUDA10 cuDNN7 PyTorch 1.0.0 其他依赖 DConv（从原始修改） cd models/dconv bash make.sh FlowNet_v2（直接从原始移植[flownet2]以下中所描述的步骤[vid2vid] ） cd models/...
cascade_rcnn_dconv_c3-c5_r50_fpn_1x_20190125-dfa53166.pth
05-04
cascade_rcnn_dconv_c3-c5_r50_fpn_1x_20190125-dfa53166.pth深度学习公开模型文件。使用coco数据集训练。
DO-Conv:深度超参数化卷积层
03-20
DO-Conv：深度超参数化卷积层 由金明曹，创建，孙铭超，， ，，和。 介绍 DO-Conv是深度过参数化的卷积层，可在训练阶段用作CNN中常规卷积层的替代，以实现更高的精度。在推理阶段，DO-Conv可以融合到常规卷积层中，从而导致计算量与常规卷积层的计算量完全相同。 有关更多详细信息，请参见的，其中我们展示了DO-Conv在各种基准数据集/任务上的优势。 我们高度欢迎的问题 我们非常欢迎与DO-Conv相关的问题，而不是电子邮件，而不是电子邮件。 此外，如果在发行中提供最少的可复制示例代码，那将是很好的。 ImageNet分类性能 我们以的为基准。基线中的设置已经过调整，以适应基线，并且在切换到DO-Conv期间不会被触摸。换句话说，DO-Conv是唯一且仅在基线上进行更改的工具，并且没有进行任何超参数调整来支持DO-Conv。我们认为GluonCV具有很高的重现性，但是，为了尽可
htc_dconv_c3-c5_mstrain_400_1400_x101_64x4d_fpn_20e_20190408-0e50669c.pth的百度云链接
03-16
3. **ResNeXt**：深度学习中的卷积神经网络结构，通过“分组卷积”提高了计算效率和模型性能。 4. **Deformable Convolutional Networks (DCN)**：改进的卷积操作，允许滤波器根据输入的局部特征调整形状，提高了对...
即插即用模块之DO-Conv（深度过度参数化卷积层）详解
weixin_47151388的博客
04-12 1704
卷积层是卷积神经网络(cnn)的核心组成部分。在本文中，我们建议用额外的深度卷积来增强卷积层，其中每个输入通道与不同的二维核进行卷积。这两个卷积的组合构成了一个过度参数化，因为它增加了可学习的参数，而结果的线性操作可以用单个卷积层来表示。我们把这个深度过度参数化的卷积层称为DO-Conv。我们通过大量的实验表明，仅仅用DO-Conv层替换传统的卷积层就可以提高cnn在许多经典视觉任务上的性能，例如图像分类、检测和分割。
yolov5组件笔记
jacke121的专栏
08-02 7874
深度学习模型组件 ------ 深度可分离卷积、瓶颈层Bottleneck、CSP瓶颈层BottleneckCSP、ResNet模块、SPP空间金字塔池化模块 YOLOv5 组件 作者：elfin资料来源：yolov5 目录 1、标准卷积: Conv + BN + activate 2、DWConv深度可分离卷积 3、Bottleneck瓶颈层 4、BottleneckCSP-CSP瓶颈层 5、ResNet模块 6、SPP空间金字塔池化模块 1、...
YOLOv8改进 | 卷积模块 | 用DWConv卷积替换Conv【轻量化网络】
kay_545
05-18 2150
YOLOv8改进，yolov8，yolov8创新，yolov8涨点
有效涨点：YOLOV5/YOLOV7/YOLOV8改进——DSConv替换标准卷积
2201_76125261的博客
10-06 581
卷积神经网络已被证明在计算机视觉中传统的艰巨任务中是成功的，例如图像分类和。随着AlexNet的突破，ILSVRC中创建了许多新的拓扑来实现高精度。此类网络的成功不仅将注意力转移到如何做到这一点上，而且还转移到了它运行的速度和记忆效率上。这些模型以具有数百万个参数而闻名，即使使用GPU，它也需要更多的计算时间和比许多应用程序所需的更多的存储空间。运行卷积神经网络时所需的大部分内存和计算工作都花在了卷积层中，例ResNet50超过90%的时间/内存。
【yolo系列：yolov7训练添加spd-conv】
weixin_47869094的博客
10-07 2152
以上只是·简单添加了一层spd，需要添加多层spd-con可以直接修改yolov7的yaml配置文件，不需要修改其他。
助力安全作业生产，基于轻量级YOLOv5融合DWConv开发构建违规生产行为检测识别分析系统
Together_CZ的博客
01-13 613
助力安全作业生产，基于轻量级YOLOv5融合DWConv开发构建违规生产行为检测识别分析系统
【深度学习】深度学习模型的加密及解密方案及源码
利哥AI实例探险
09-18 1150
本文主要根据自己遇到的情况，例如：对于yolo或paddle训练的模型文件，对外使用，不想要别人拿到我的模型文件随意乱用，此时就涉及到对模型文件进行加密与解密 深度学习模型的加密保护非常重要，尤其在商业应用场景下。常见的模型加密方法包括模型文件加密、加密硬件加密、授权管理和自定义解密机制。下面介绍几种常用方法及其原理。
深度学习02-pytorch-03-张量的数值计算
最新发布
weixin_41645791的博客
09-19 457
张量是多维数组的泛化，广泛应用于深度学习和数值计算。通过基本的算术操作、线性代数运算、维度操作等，我们可以高效地处理大规模数据。同时，PyTorch 还支持自动微分和 GPU 加速，这使得它在深度学习领域非常流行。
drconv yolo
07-28
引用\[1\]:该方法不仅仅是适用改进YOLOv5，也可以改进其他的YOLO网络以及目标检测网络，比如YOLOv7、v6、v4、v3，Faster rcnn ，ssd等。\[1\]引用\[2\]:在YOLOv5系列中应用DO-DConv代码部分\[2\]引用\[3\]: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。\[3\] 问题: drconv yolo是什么? 回答: 目前没有找到关于"drconv yolo"的具体信息。然而，根据引用的内容，可以看出YOLOv5系列算法可以通过不同的改进方法来提高目标检测的效果，包括使用DO-DConv等技术。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* *3* [【YOLOv8/YOLOv7/YOLOv5/YOLOv4/Faster-rcnn系列算法改进NO.58】引入DRconv动态区域感知卷积](https://blog.csdn.net/m0_70388905/article/details/129539098)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [YOLOv7改进结构系列：最新结合DO-DConv卷积提高性能涨点，打造高性能检测器](https://blog.csdn.net/qq_38668236/article/details/127297016)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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