YOLOv9改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化RepNCSPELAN4

已于 2024-10-11 15:34:29 修改
阅读量1.8k 收藏 12
点赞数 37
分类专栏： YOLOv9改进专栏 文章标签： YOLO 计算机视觉 深度学习 目标检测
于 2024-08-24 22:00:27 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_42591591/article/details/140667641
版权

一、本文介绍

本文记录的是利用ExtraDW优化YOLOv9中的RepNCSPELAN4，详细说明了优化原因，注意事项等。ExtraDW是MobileNetv4模型中提出的新模块，允许以低成本增加网络深度和感受野，具有ConvNext和IB的组合优势。可以在提高模型精度的同时降低一定量的模型参数。

专栏目录：YOLOv9改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

专栏地址：YOLOv9改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

文章目录

了解本专栏 订阅专栏 解锁全文
Limiiiing
关注
专栏目录
订阅专栏
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 6287
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
YOLOv11改进 | 主干篇 | YOLOv11引入MobileNetV4
tsg6698的博客
10-03 1213
在其核心，我们引入了通用倒瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）和新颖的额外深度（ExtraDW）变体。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的，后期我会根据各种前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~此外，MNv4还包括一个优化的NAS配方，这一配方显著提高了搜索效率并促成了更大规模的模型创建。
YOLO11改进 | 注意力机制 | 添加SE注意力机制
kay_545
10-16 1414
yolov11，yolo11改进
YOLOv9改进，YOLOv9主干网络替换为MobileNetV4(2024独家首发)
weixin_44779079的博客
09-07 143
MobileNetV4具有面向移动设备的通用高效架构设计。其核心是我们引入的通用倒置瓶颈（Universal Inverted Bottleneck，UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新型的额外深度卷积（ExtraDW）变体。
MobileNetV4——移动生态系统的通用模型
AI浩
04-26 2325
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
YOLOv9改进策略【注意力机制篇】| 引入MobileNetv4中的Mobile MQA，提高模型效率
qq_42591591的博客
08-25 1541
本文记录的是基于Mobile MQA模块的YOLOv9目标检测改进方法研究。中的是用于模型加速，减少内存访问的模块，相比其他全局的自注意力，
YOLOv11改进策略【卷积层】| 利用MobileNetv4中的UIB、ExtraDW优化C3k2
qq_42591591的博客
10-12 70
通用反向瓶颈结构。
YOLOv8改进 | 独家创新篇 | 利用MobileNetV4的UIB模块二次创新C2f（全网独家首发）
Snu77的博客
05-09 3702
本文给大家带来的改进机制是利用MobileNetV4的UIB模块二次创新C2f，其中UIB模块来自2024.5月发布的MobileNetV4网络，其是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB，也就是本文利用的结构）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。我将其用于C2f的二次创新在V8n上参数量为220W（下降约一百万），计算量为6.2GFLOPs，非常适用于想要轻量化网络模型的读者来使用，同时本文结构为本专栏
YOLOv5改进 | 独家创新篇 | 利用MobileNetV4的UIB模块二次创新C3（全网独家首发）
Snu77的博客
05-10 1316
本文给大家带来的改进机制是利用的UIB模块二次创新C3其中UIB模块来自2024.5月发布的网络，其是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点采用了通用反向瓶颈（UIB，也就是本文利用的结构）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。我将其用于C3的二次创新在V5n上参数量为130W，计算量为3.3GFLOPs，非常适用于想要轻量化网络模型的读者来使用，同时本文结构为本专栏独家创新。欢迎大家订阅我的专栏一起学习YOLO！
YoloV8改进策略：主干网络改进|使用YoloV8实现多任务检测|基于MobileNetV4实时与通用多任务检测模型的改进
m0_47867638的博客
08-27 1264
在自动驾驶领域，高精度、轻量级和实时响应是三个至关重要的要求。本文介绍了一种基于MobileNetV4的改进版A-YOLOM（Adaptive YOLO Multi-task）模型，该模型旨在进一步提升实时性能，同时保持对目标检测、可行驶区域分割和车道线分割任务的高精度处理能力。通过替换原A-YOLOM模型中的YOLOv8骨干网络为MobileNetV4，我们成功降低了模型复杂度，显著提升了推理速度，同时保持了良好的检测与分割性能。
YOLOv8改进策略|MobileNetv4替换主干网络
m0_61698839的博客
07-08 3925
yolov8的改进策略分享|采用mobilenetv4对yolov8的主干网络进行替换
【天线＆化学】航拍图屋顶异常检测系统源码＆数据集全套：改进yolo11-ContextGuided
qunshansj的博客
11-02 412
本项目数据集信息介绍本项目所使用的数据集名为“Roof inspection anomalies”，旨在为改进YOLOv11的航拍图屋顶异常检测系统提供高质量的训练数据。该数据集专注于屋顶检查过程中可能出现的异常情况，尤其是与设备相关的异常。数据集中包含了一个类别，即“equip”，该类别涵盖了与屋顶设备相关的各种异常现象。这些异常可能包括设备的损坏、老化、错位等问题，这些问题在航拍图像中可能表现为特定的视觉特征。
【天线＆运输】交通事故严重程度检测系统源码＆数据集全套：改进yolo11-HSFPN
最新发布
m0_73650442的博客
11-02 495
本项目数据集信息介绍本项目所使用的数据集名为“SEVERITY-ACCIDENT-DETECTION -FINALIZED”，旨在为改进YOLOv11的交通事故严重程度检测系统提供高质量的训练数据。该数据集包含三种主要类别，分别为“moderate-accident”（中等严重事故）、“object-accident”（物体事故）和“severe-accident”（严重事故）。
【制造业＆仓库】灭火器检测系统源码＆数据集全套：改进yolo11-convnextv2
m0_73650442的博客
10-29 1041
本项目数据集信息介绍本项目所使用的数据集名为“fire extinguisher”，旨在为改进YOLOv11的灭火器检测系统提供强有力的支持。该数据集专注于灭火器的检测与分类，包含了三种主要类别，分别是“fire protection - ABC POWDER fire Extinguisher”、“fire protection - CO2 fire Extinguisher”以及“fire protection - YAMATO ABC POWDER fire Extinguisher”。
【制造业＆盒子】食品物品检测系统源码＆数据集全套：改进yolo11-MultiSEAMHead
m0_74241524的博客
11-01 851
本项目数据集信息介绍本项目所使用的数据集名为“MIS326”，其主要目的是为改进YOLOv11的食品物品检测系统提供高质量的训练数据。该数据集包含38个不同的类别，涵盖了广泛的食品物品，旨在提升模型在实际应用中的识别能力和准确性。具体类别包括常见的水果如苹果、香蕉、葡萄、橙子和西瓜等，以及多种包装食品，如袋装面条、盒装饼干、罐装饮料等。此外，数据集中还包含一些特定的食品项目，如蛋卷、火龙果和各种口味的零食，确保模型能够适应多样化的食品种类。
YOLO11改进 | 激活函数 | 十余种常见的激活函数一键替换​
kay_545
11-01 707
yolo11改进，激活函数
YOLOv6-4.0部分代码阅读笔记-iou2d_calculator.py
m0_58169876的博客
10-29 348
【代码】YOLOv6-4.0部分代码阅读笔记-iou2d_calculator.py。
yolov8训练及测试（ubuntu18.04、tensorrt、ros)
weixin_45702256的博客
10-30 431
数据集制作训练及测试
uib68 十翻二运算
12-26
uib68 十翻二运算是指将八进制数uib68转换为二进制数。首先，我们需要将八进制数uib68转换为十进制数，然后再将十进制数转换为二进制数。 首先，将八进制数uib68转换为十进制数，按权展开可得： (8^4 * u) + (8^3 * i) + (8^2 * b) + (8^1 * 6) + (8^0 * 8) = (4096 * u) + (512 * i) + (64 * b) + (48) + (8) = 32944u + 4096i + 512b + 56 然后，将十进制数32944u + 4096i + 512b + 56转换为二进制数。先对32944u + 4096i + 512b + 56进行除2取余法，得到二进制数。 32944u + 4096i + 512b + 56 ÷ 2 = 16472u + 2048i + 256b + 28 16472u + 2048i + 256b + 28 ÷ 2 = 8236u + 1024i + 128b + 14 8236u + 1024i + 128b + 14 ÷ 2 = 4118u + 512i + 64b + 7 4118u + 512i + 64b + 7 ÷ 2 = 2059u + 256i + 32b + 3 2059u + 256i + 32b + 3 ÷ 2 = 1029u + 128i + 16b + 1 1029u + 128i + 16b + 1 ÷ 2 = 514u + 64i + 8b + 0 514u + 64i + 8b + 0 ÷ 2 = 257u + 32i + 4b + 0 257u + 32i + 4b + 0 ÷ 2 = 128u + 16i + 2b + 1 128u + 16i + 2b + 1 ÷ 2 = 64u + 8i + 1b + 0 64u + 8i + 1b + 0 ÷ 2 = 32u + 4i + 0b + 0 32u + 4i + 0b + 0 ÷ 2 = 16u + 2i + 0b + 0 16u + 2i + 0b + 0 ÷ 2 = 8u + 1i + 0b + 0 8u + 1i + 0b + 0 ÷ 2 = 4u + 0i + 0b + 0 4u + 0i + 0b + 0 ÷ 2 = 2u + 0i + 0b + 0 2u + 0i + 0b + 0 ÷ 2 = u + 0i + 0b + 0 u + 0i + 0b + 0 ÷ 2 = 0u + 0i + 0b + 1 综上所述，uib68的十翻二运算结果为10011000101110100101110。
评论 1
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

Limiiiing

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