芒果YOLOv5改进42：主干Backbone篇之RepGhost：全网首发最新原创打造RepGhostNeXt结构，基于重参数化结构，实现硬件高效的RepGhost模块、打造全新YOLOv5检测器

已于 2024-03-14 20:50:55 修改
阅读量5.5k 收藏 14
点赞数 8
分类专栏： 芒果YOLOv5原创改进 文章标签： 深度学习 神经网络
于 2022-12-08 21:04:31 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/127999410
版权
本教程详细介绍了如何基于RepGhost模块改进YOLOv5，减少参数量和计算量。内容涵盖RepGhost的理论、网络结构、实验消融研究，以及核心代码实现，包括RepGhostNeXt的结构集成到YOLOv5网络配置中。此外，还提供论文链接和原创改进内容，适合深度学习和神经网络领域的进阶学习。
摘要由CSDN通过智能技术生成

参数量与计算量均减少

一、RepGhost理论部分

请添加图片描述

论文具体的细节部分 可以细看原论文:

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轻量化：RepGhost，通过重参数化实现硬件高效的Ghost模块
07-31 1322
一种轻量级CNN模块，并提出RepGhostNet轻量级网络，性能优于GhostNet、MobileNetV3等，在移动设备上具有更少的参数和可比的延迟。
YOLOv5轻量化骨干设计，通过结合GHostNetv2结构实现计算量降低
qq_44224801的博客
05-21 2624
GhostNetv2是一种针对移动设备和边缘设备的优化神经网络，其设计继承了GhostNetv1的高效节省计算资源的特性，并在其基础上引入了一种新的注意力模块——DFC注意力模块，以增强模型对长距离空间信息的处理能力。DFC注意力模块是一种基于解耦全连接层的注意力机制，设计满足以下三个条件：对空间长距离信息的建模能力强；部署高效，对硬件友好且计算高效；概念简单，便于保证注意力模块的泛化能力。对于端侧设备这类计算资源受限的环境，以上设计目标帮助模型在提升性能的同时，不牺牲实时性和部署效率。
RepGhost
whaosoft143ai的博客
11-21 1457
GhostNet 通过一些廉价的操作来生成更多的特征图，并将它们与原始特征图 Concat 起来，从而产生越来越多的特征图，它利用特征复用技术，来扩大 channel 数量和网络容量，同时保持一个比较低的 FLOPs。似乎 Concat 操作已经成为特性复用的标准操作。Concat 操作确实是一种 0 Params，0 FLOPs 的操作。但是，它在硬件设备上的计算成本是不可忽略的。所以本文作者希望通过结构重新参数化技术开发一种硬件高效的 RepGhost 模块，以实现特征的隐式重用。whaosoft ai
YOLOv8改进003：Neck 添加双向特征金字塔网络 BiFPN + 添加小目标检测头（小目标检测大量涨点）
最新发布
m0_46496775的博客
08-06 1404
YOLOv8 目标检测算法改进之 Neck 添加双向特征金字塔网络 BiFPN 并结合《YOLOv8改进002：添加小目标检测头（小目标检测大量涨点）》一起改进，实现小目标检测大幅度涨点。
YOLOv5更换Ghostnet模块
m0_56247038的博客
05-19 8833
在最新版本的YOLOv5-6.1源码中，作者已经加入了Ghost模块，在models/common.py文件下 并在models/hub/文件夹下，给出了yolov5s-ghost.yaml文件，因此直接使用即可 在用的时候注意train.py里面的'--cfg'配置文件 更改完毕，直接运行就可以啦~~~ reference：【魔改YOLOv5-6.x（上）】结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet_嗜睡的篠龙的博客-CSDN博客_yolov.
基于yolov5m融合轻量级Ghost组件开发构建水面障碍物检测识别系统
Together_CZ的博客
06-08 345
基于yolov5m融合轻量级Ghost组件开发构建水面障碍物检测识别系统
芒果YOLOv7改进22：主干篇：改进主干RepGhost论文系列：全网首发最新原创RepGhostNeXt结构，基于重参数化结构实现硬件高效的模块RepGhost， 打造全新YOLOv7检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-08 4735
YOLOv7全网首发最新原创RepGhostNeXt结构，打造全新YOLOv7检测器
芒果YOLOv9改进27：主干Backbone篇之RepGhostNeXt：基于重参数化结构，实现硬件高效的RepGhost 模块、打造全新YOLOv8检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-20 715
YOLOv9改进：主干Backbone篇之RepGhostNeXt：基于重参数化结构，实现硬件高效的RepGhost 模块、打造全新YOLOv8检测器
芒果YOLOv10改进05：主干Backbone篇之RepGhostNeXt：基于重参数化结构，实现硬件高效的RepGhost 模块、打造全新YOLOv8检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-08 44
YOLOv10改进：主干Backbone篇之RepGhostNeXt：基于重参数化结构，实现硬件高效的RepGhost 模块、打造全新YOLOv8检测器
芒果YOLOv5改进44：主干Backbone篇之MobileViTv2：全网首发最新苹果续作加强版 MobileViTv2结构（二），提出移动视觉 Transformer 的可分离自注意力机制，高效
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-29 4065
首发最新结合苹果最新续作 MobileViTv2 结构(二)，提出移动视觉 Transformer 的可分离自注意力机制。该论文提出来的MobileViTv2结构对MobileViT进行升级改进！提出了一种具有线性复杂度的可分离自注意力方法，进一步提高效率，表现SOTA！性能优于Mobile-former等网络,本文将结合YOLO系列应用。
目标检测算法——YOLOv5/YOLOv7改进结合轻量型Ghost模块
热门推荐
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 2万+
将轻量型的Ghost模块与YOLOv5算法相结合，进一步降低网络参数量，使模型轻量化的同时加快网络推理速度。
YOLOv8改进：构建新的C2f_RepGhost模块，针对Ghost进行重参数化，速度，mAP双提高！
Mirana
11-27 5595
请大家记住本号“YOLO歪瓜裂枣”，抵制搬运！这是作者在文中的实验结果图，对比实验结果图，证明提出的RepGhost模块的有效性。
Yolov5轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22 Spotlight
06-20 1020
Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，与c2f和c3结合减少最新的深度神经网络的计算成本，引入高效的神经网络结构。
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
弗兰-随风小欢的博客
01-10 3285
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
Yolov5轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
06-20 1239
Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，与c2f和c3结合减少最新的深度神经网络的计算成本，引入高效的神经网络结构。
YOLOv5 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络
kay_545
03-28 2422
卷积层和建议的 Ghost 模块的图示，用于输出相同数量的特征图。Φ 代表廉价操作深度卷积神经网络通常由大量卷积组成，这会导致巨大的计算成本。尽管 MobileNet 和 ShuffleNet 等最近的工作引入了深度卷积或洗牌操作，以使用较小的卷积滤波器（浮点数操作）构建高效的 CNN，但剩余的 1 × 1 卷积层仍然会占用大量内存和失败。其中*是卷积运算，b是偏置项，Y ∈ Rh′×w′×n是n个通道的输出特征图，f ∈ Rc×k×k×n是该层的卷积滤波器。
YOLOv5 Ghost卷积，报错
qq_44438961的博客
11-20 591
Ghost卷积替换第零层卷积，YOLOV5
YOLOV5目标检测换多种主干的方法（含shufflenet，ghost net，mobilenet，resnet等）
weixin_57111012的博客
11-03 5983
其实换主干是一个较为简单的操作方法，但是很多新手可能不太会，或者其中可能会出现一些问题，那我对这些问题归纳出三步走换主干的方法，以便和大家分享交流。我们这里以yolov5s为例。
YOLOv5改进详解：CSPDarkNet53、SPP与自适应策略
"这篇文档详细介绍了YOLOv5的改进思想和关键组件，包括不同的模型大小，如Yolov5s、Yolov5m、Yolov5l和Yolov5x，以及一系列技术优化，如CSPDarkNet53+Focus作为backbone，SPP+PAN在neck部分，还有自适应图片缩放、...
评论 2
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