芒果YOLOv5改进43：主干Backbone篇之CReToNeXt：最新改进提出 CReToNeXt 结构，基于阿里达摩院出品的DAMOYOLO核心网络模型进行改进，打造高性能检测器（上）

已于 2024-03-14 20:52:46 修改
阅读量5.5k 收藏 30
点赞数 6
分类专栏： 芒果改进YOLO进阶指南 芒果YOLOv5原创改进 文章标签： 深度学习 计算机视觉 目标检测
于 2022-12-11 17:39:43 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/128276317
版权
芒果YOLOv5原创改进 同时被 2 个专栏收录
98 篇文章 32 订阅 ¥239.90 ¥99.00
订阅专栏
芒果改进YOLO进阶指南
65 篇文章 621 订阅 ¥299.90 ¥99.00
订阅专栏
  • 💡该教程为改进进阶指南，属于《芒果书》📚系列，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🚀
  • 💡本篇文章 基于 YOLOv5等网络改进YOLO系列：最新原创改进提出 CReToNeXt 结构，打造高性能检测器，基于阿里达摩院出品的DAMOYOLO核心网络模型进行深度改进（上）。这是DAMOYOLO模型核心系列第一篇

💡🚀🚀🚀内含·改进源代码·，按步骤操作运行改进后的代码即可
重点：🔥🔥🔥有同学已经使用这个 CReToNeXt创新点 在自己的数据集改进做完实验： 在目标检测上的效果很强！mAP精度涨点了！！实测改进有效，有点强

本文内容包括理论部分和改进源代码部分🚀 仅基于阿里DAMOYOLO的内容，原创部分全网其他地方没有的，可以直接用来写论文

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
  • 6
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
芒果YOLOv7改进35：主干篇：改进DAMOYOLO结构：首发最新改进提出 CReToNeXt 结构，打造高性能检测器，基于阿里达摩院出品的DAMOYOLO核心网络模型（上）
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-11 7171
YOLOv7结合改进基于阿里达摩院出品的DAMOYOLO模型核心提出 CSPReToNeXt 结构，打造高性能检测器
YOLOV5 改进实战项目【更换backbone为MobileNet】：大型海上图像目标检测数据集
03-19
基于YOLOV5【更换backbone为MobileNet】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、帆船等共10个类别 训练集datasets-images-train：6894张图片和6894个标签txt文件组成 测试集datasets-images-val：1723张图片和1723个标签txt文件组成 【yolov5】项目总大小：720MB 项目迭代了100个epoch，在runs目录下保存了训练结果，训练最好的精度map0.5=0.83，map0.5:0.95=0.56。训练过程中会生成验证集的混淆矩阵，PR曲线、F1曲线等等runs/detect目录下保存了网络推理训练集的全部结果，推理效果很好 更多yolov5改进介绍、或者如何训练，请参考： https://blog.csdn.net/qq_44886601/category_12605353.html
YOLOv5：修改backbone为ConvNeXt
09-14
1、官方源项目地址 ：https://github.com/ultralytics/yolov5 2、在yolov5-6.1中修改backbone为ConvNeXt。 3、训练、测试、预测命令与官方版本一致。
YOLOV5 改进实战项目【更换backbone为Vgg】：大型海上图像目标检测数据集
03-19
基于YOLOV5【更换backbone为Vgg】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、帆船等共10个类别 训练集datasets-images-train：6894张图片和6894个标签txt文件组成 测试集datasets-images-val：1723张图片和1723个标签txt文件组成 【yolov5】项目总大小：773MB 项目迭代了100个epoch，在runs目录下保存了训练结果，训练最好的精度map0.5=0.74，map0.5:0.95=0.42。训练过程中会生成验证集的混淆矩阵，PR曲线、F1曲线等等runs/detect目录下保存了网络推理训练集的全部结果，推理效果很好 更多yolov5改进介绍、或者如何训练，请参考： https://blog.csdn.net/qq_44886601/category_12605353.html
YOLOV5 改进实战项目【更换backbone为Swin-Transformer】：农场乌鸡目标检测数据集
03-21
基于YOLOV5【更换backbone为Swin-Transformer】对农场乌鸡目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】乌鸡图像数据，1类别：乌鸡 训练集datasets-images-train：400张图片和400个标签txt文件组成 测试集datasets-images-val：100张图片和100个标签txt文件组成 【yolov5】项目总大小：213MB 项目迭代了100个epoch，在runs目录下保存了训练结果，训练最好的精度map0.5=0.84，map0.5:0.95=0.42。训练过程中会生成验证集的混淆矩阵，PR曲线、F1曲线等等runs/detect目录下保存了网络推理训练集的全部结果，推理效果很好 更多yolov5改进介绍、或者如何训练，请参考： https://blog.csdn.net/qq_44886601/category_12605353.html
YOLOV5的多主干网络（backbone）实现.zip
03-05
# 复现TPH-YOLOv5 # 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5
YoloV5+DAMOYOLO:将DAMOYOLO中的GFPN结构与Yolov5结合
qianxun
01-05 5190
前段时间写了一篇damoYolo的训练教程，同时也对自己的数据集进行了训练，虽然效果确实不是很好，但是damoyolo的一些思想和网络结构啥的还是可以借鉴使用的，此次将damoyolo的RepGFPN结构掏出来放到v5的NECK中，测试一下对本人的数据集(小目标)效果比v5要好，大概提升2个点左右。对比之下参数量和FLOPs确实有增加，但同时map也相应地增加了，这种的增加不大，还是可以接受的。damoyolo的整体结构我们是无法看到的因为他的主干网络是。里面是txt文件，RepGFPN是可以看到的。
YOLOv8改进 | 主干篇 | 添加EfficientViT替换Backbone（高效的视觉变换网络，改进策略）
Snu77的博客
12-11 4595
本文给大家带来的改进机制是（高效的视觉变换网络），EfficientViT的核心是一种轻量级的多尺度线性注意力模块，能够在只使用硬件高效操作的情况下实现全局感受野和多尺度学习。本文带来是2023年的最新版本的EfficientViT网络结构，论文题目是'EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction'这个版本的模型结构(这点大家需要注意以下)。
DAMO-YOLO：一种平衡速度和准确性的新目标检测框架
weixin_42010722的博客
06-26 1779
DAMO-YOLO是一种考虑了速度和准确性的目标检测框架，其效果超越了当前的YOLO系列方法，并在保持高推理速度的同时实现了SOTA。DAMO-YOLO在YOLO框架的基础上引入了一系列新技术，并对整个检测框架进行了重要修改。具体来说，它包括基于NAS搜索的新的检测主干结构，更深的中间结构，简化的头部结构，以及引入蒸馏技术以进一步改善效果。除了模型之外，DAMO-YOLO还提供了高效的训练策略和方便易用的部署工具，帮助您快速解决工业领域的实际问题！
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
weixin_51692073的博客
09-14 3571
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
阿里达摩院开源DAMO-YOLO：兼顾速度与精度的新目标检测框架
weixin_40920183的博客
11-29 1072
作者丨陈威华 阿里达摩院智能计算实验室编辑丨极市平台1.简介DAMO-YOLO是一个兼顾速度与精度的目标检测框架，其效果超越了目前的一众YOLO系列方法，在实现SOTA的同时，保持了很高的推理速度。DAMO-YOLO是在YOLO框架基础上引入了一系列新技术，对整个检测框架进行了大幅的修改。具体包括：基于NAS搜索的新检测backbone结构，更深的neck结构，精简的head结构，以及引入蒸馏技术...
YOLOV8改进:更换PoolFormer主干网络
2201_76125261的博客
10-04 526
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。2.涨点效果：添加PoolFormer主干，有效涨点。Transformer已经在计算机视觉中展现了巨大的潜力，一个常见的观念是视觉Transformer之所以取得如此不错的效果主要是由于基于self-attention的token mixer模块。
Python数据挖掘项目开发实战：用深度学习方法为图像中的物体进行分类
一个好知识的传播者
04-15 431
**数据集收集**：获取包含已标注类别信息的图像数据集，如CIFAR-10、CIFAR-100、MNIST、ImageNet、Pascal VOC、COCO等，或者针对特定任务收集和标注定制数据集。- **可视化**：使用如TensorBoard等工具，可视化训练过程中的损失曲线、精度曲线，以及模型的权重、激活映射、类激活映射（CAM）等，以理解模型学习情况和识别错误模式。- **优化器**：选择合适的优化算法，如Adam、SGD（带有动量）、RMSprop等，并设置合适的学习率、权重衰减等参数。
【深度学习】yolov5目标检测学习与调试
qq_45306739的博客
04-15 217
2024.4.15。
CV 面试指南—深度学习知识点总结（2）
最新发布
不要给自己设限，尝试更多可能（思所向 皆可往）
04-15 305
Concatenate操作是在Inception中首次使用，被DenseNet发扬光大，和Addition不同的是，它只要求两个feature map的HW相同，通道数可以不同，然后两个feature map在通道上直接拼接，得到一个更大的feature map，它保留了一些原始的特征，增加了特征的数量，使得有效的信息流继续向后传递。首先按照通道进行计算按位相乘的计算，深度可分离卷积中的卷积核都是单通道的，输出不能改变feature map的通道数，此时通道数不变；
【图像分类】基于深度学习的轴承和齿轮识别（ResNet网络）
学无止境、积少成多、厚积薄发
04-15 103
基于深度学习得齿轮和轴承识别
【深度学习】BatchNorm、LayerNorm
研究兴趣：开放集识别、开放世界识别、新类发现、增量学习、少样本学习
04-14 862
BatchNorm、LayerNorm的概念、作用、实现
UNET——经典的CNN架构，上下文信息进行统一
weiming0的博客
04-13 328
利用contracting path（收缩路径）捕获上下文信息，symmetric expanding path（对称扩展路径）就获取精确的定位信息，（本质上是编码和解码过程）将两者结合，得到一个很好的效果。
yolov5网络结构改进
07-29
Yolov5 网络结构是对目标检测算法 YOLO（You Only Look Once）的进一步改进。以下是一些可能的改进方向： 1. Backbone 网络：Yolov5 使用 CSPDarknet53 作为主干网络，可以考虑采用其他更强大的主干网络，如 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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