优化改进YOLOv5算法之添加RepVGG模块(超详细)

已于 2023-01-01 07:59:46 修改
阅读量3.9k 收藏 19
点赞数 2
分类专栏： YOLOv5创新改进方法 文章标签： 深度学习 人工智能 神经网络
于 2022-12-30 22:31:28 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_40716944/article/details/128500918
版权
本文介绍了将RepVGG模块整合到YOLOv5中的详细步骤，通过在YOLOv5s模型中添加或替换RepVGG块，实现了性能的提升。在口罩检测数据集上进行实验，结果显示加入RepVGG模块后的YOLOv5s模型与原始模型效果相当。
摘要由CSDN通过智能技术生成

在前面的文章中已经详细介绍了在本机上安装YOLOv5的教程，安装YOLOv5可参考前面的文章YOLOv5训练自己的数据集(超详细)https://blog.csdn.net/qq_40716944/article/details/118188085

目录

1、RepVGG原理

1.1 模型定义

1.2 为什么要用VGG式模型

1.3 结构重参数化让VGG再次伟大

2、YOLOv5中加入RepVGG模块

2.1 common.py配置

2.2 yolo.py配置

 2.3 创建添加RepVGG模块的YOLOv5的yaml配置文件 

 3、实验效果对比

3.1 口罩检测数据集

3.2 效果对比

 参考文章：

1、RepVGG原理

1.1 模型定义

我们所说的“VGG式”指的是：

  • 没有任何分支结构。即通常所说的plain或feed-forward架构。
  • 仅使用3x
了解本专栏 订阅专栏 解锁全文 超级会员免费看
AI追随者
关注
专栏目录
订阅专栏
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-11 1万+
目标检测算法——YOLOv5/YOLOv7改进之结合​RepVGG（速度飙升）。在ImageNet上，据我们所知，RepVGG的top-1准确性达到80％以上，这是老模型首次实现该精度。 在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，并且具有更高的精度，与诸如EfficientNet和RegNet的最新模型相比，RepVGG显示出良好的精度-速度权衡。效果对比如下图所示。
YOLOv5/v7 引入 RepVGG 重参数化模块
YOLOv8项目贡献者
01-23 7387
YOLO添加RepVGG教程
YOLOv5改进 | Neck | 有效提升小目标检测效果【小白必备】
最新发布
kay_545
08-07 1358
yolov5，yolov5改进，GSConv, VoVGSCSP, VoVGSCSPC，slim-neck
YOLOv5实战：如何添加RepVgg模块
wqthaha的专栏
10-30 4564
添加RepVGG模块到YOLOv5中的实践有用
YOLOv5、YOLOv8改进：RepVGG结构
weixin_45303602的博客
10-09 1419
最新RepVGG结构: Paper我们所说的“VGG式”指的是：没有任何分支结构。即通常所说的plain或feed-forward架构。仅使用3x3卷积。仅使用ReLU作为激活函数。主要创新点为结构重参数化。在训练时，网络的结构是多分支进行的，而在推理时则将分支的参数进行重参数化，合为一个分支来进行的，所以推理的速度要比多分支网络快很多，并且精度也比单分支的网络更高。
关于yolov5移植repvgg
weixin_47728827的博客
03-28 4879
这个工作其实已经有大佬已经做过了:https://blog.csdn.net/weixin_45829462/article/details/120372921 这里我把他用到我的数据集上感觉效果不是很理想。阐述如下： 1.网络结构改动模块 repvgg网络加宽了yolov5，这里我们将yolov5原先的conv3×33\times33×3的卷积替换成repvgg的conv3×33\times33×3的样子，具体如下如所示： 在训练的时候，我们将走每一条支路。在测试的时候，将分支都收回来，归并成一个卷积。
全方位优化yolov5模型
wwm2003____的博客
06-23 1588
一、修改models/yolov5s.yaml文件这个配置文件定义了一个完整的YoloV5s模型结构，包括其主干网络和检测头。我做出了很多修改，这样的配置允许模型以不同的层次进行特征提取和对象检测，非常适用于本次项目实训所用的人物检测，安全帽识别，高空作业有无系安全绳的三项场景。二、创建数据增强配置文件dataset.yaml数据增强是提高模型泛化能力的关键步骤。对于目标检测任务，尤其是在多样化的环境中（如不同光照、视角），强化数据增强是非常必要的。下列代码是我第一次的代码：这段代码属于基础配置。
优化改进YOLOv5算法之添加SE、CBAM、CA模块(超详细)
热门推荐
qq_40716944的博客
01-04 1万+
本文主要是在YOLOv5算法中加入SE、CBAM和CA注意力机制模块，通过实验验证对比，加入CBAM和CA注意力机制后的效果均有所提升
番外篇 | YOLOv8改进之引入RepVGG重参数化模块 | 即插即用，实现有效涨点
突然好想你
04-03 581
重参数化模块（RepVGG）是一种深度学习模型，它借鉴了卷积神经网络（CNN）中的卷积操作，并对其进行了一些改进，以提高模型的性能和计算效率。RepVGG的核心思想是通过重参数化技术，对卷积操作中的权重进行重新配置，以适应不同的数据集和任务。本文就给大家详细介绍如何在YOLOv8中引入RepVGG重参数化模块！~🌈
YOLOv8改进 | 卷积模块 | 减少冗余计算和内存访问的PConv【CVPR2023】
kay_545
07-02 1426
yolov8，pconv，yolov8改进
mobile-yolov5-pruning-distillation:mobilev2-yolov5s剪枝，蒸馏，支持ncnn，tensorRT部署。超轻但性能更好！
03-19
移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize
YOLOv5量化调优
算能开发者社区是一个为开发者提供信息传播、开发交流、技术分享的交流空间。
11-15 4274
YOLOv5量化调优经验
YOLOv5改进策略|YOLO模型优化|Slowfast 和 YOLOv5 检测器 自动驾驶、车辆识别、车牌识别、车道识别、行人识别
sybh的博客
06-16 845
全面的，122K从 22 个视频中提取的帧被标记，包括 AV 自身的 动作(附加到整个帧)和附加了三种类型中每一种的一个或多个 标签的边界框:代理、动作、位置。总共，ROAD 包括第560章 K边界框与1。7中号 各个标签的实例。后一个图可以分解为第 560章K代理标签的实例，640K动作标签的实例，以及第499章 K位置标签的实例。根据手动分配的各个标签，我们可以识别 603K双工(代理操作)标签的实例和 第454章K三元组的实例 (事件标签)。
YOLOv5改进（二）-- 目标检测优化点（添加小目标头检测）
qq_44231797的博客
04-14 3806
YOLOv5优化点，小目标检测
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 4807
轻量化YOLOv5s模型
YOLOv5模型的部署与优化
sybh的博客
10-01 1389
本文将介绍如何将YOLOv5模型部署到不同平台，包括本地服务器、云端服务和移动设备，并讨论模型量化和优化技术，以提高模型的性能和效率。将量化后的模型部署到移动设备上，可以使用移动端深度学习框架，如TensorFlow Lite、Core ML或使用移动端推理库，如Android的TensorFlow Lite推理库或iOS的Core ML推理库。模型量化是将模型的权重和激活值从浮点数转换为低精度的整数或定点数的过程，以减少模型的内存占用和计算量。模型剪枝是去除模型中冗余权重的过程，以减小模型的大小。
优化改进YOLOv5算法之针对小目标检测优化YOLOv5_Face2(超详细)
qq_40716944的博客
06-17 2586
本文主要参考YOLO-FaceV2这个文章，该文章为了解决人脸检测中小目标、遮挡等问题，在YOLOv5算法的基础提出了几点改进，且取得了比较不错的效果。
YOLOv5算法改进（1）— 如何去改进YOLOv5算法
突然好想你
08-15 6865
为了让大家能够清楚地了解如何去改进YOLOv5算法以及从哪几方面去进行改进，本篇文章就简单介绍一下本系列的算法改进思想！
评论 7
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

AI追随者

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