YOLOv9改进策略【模型轻量化】| ShufflenetV2，通过通道划分构建高效网络

Limiiiing

已于 2024-09-20 15:35:08 修改

阅读量1.6k

点赞数 38

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 2024-08-31 21:12:23 首次发布

本文链接：https://blog.csdn.net/qq_42591591/article/details/141573838

版权

YOLOv9改进专栏专栏收录该内容

47 篇文章 1 订阅 ¥69.90 ¥99.00

订阅专栏

一、本文介绍

本文记录的是基于ShufflenetV2的YOLOv9目标检测轻量化改进方法研究。FLOPs是评价模型复杂独的重要指标，但其无法考虑到模型的内存访问成本和并行度，因此本文在YOLOv9的基础上引入ShufflenetV2，使其在在保持准确性的同时提高模型的运行效率。

模型	参数量	计算量	推理速度(bs=32)
YOLOv9-c	50.69M	236.6GFLOPs	32.1ms
Improved	42.88M	194.5GFLOPs	23.2ms

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方向

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

一、本文介绍
二、ShuffleNet V2设计原理
三、ShuffleNet V2基础模块的实现代码
四、添加步骤
- 4.1 修改common.py

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Limiiiing

关注关注

38
点赞
踩
32

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

YOLOv5改进 | Conv篇 | 利用CVPR2024-DynamicConv提出的GhostModule改进C3（全网独家首发）

Snu77的博客

04-23

1242

本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，在其提出的时候它也提出了一个新的模块hostModule，我勇其魔改C2f从而达到创新的目的，在V5n上其参数量仅有220W计算量为5.8GFLOPs，

YOLOv5改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】

kay_545

06-03

1698

yolov5改进，shufflenetv2

参与评论您还未登录，请先登录后发表或查看评论

YOLOv9如何训练自己的数据集（NEU-DET为案列）

03-13

2826

教会你如何使用YOLOv9训练自己的数据集

YOLOv5改进（四）--轻量化模型ShuffleNetv2

qq_44231797的博客

05-30

1023

移动端设备也需要既准确又快的小模型。为了满足这些需求，一些**轻量级的CNN网络如MobileNet和ShuffleNet被提出**，它们在速度和准确度之间做了很好地平衡。本文主要轻量化YOLOv5网络，即引入ShuffleNetv2，它是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。

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方向

热门推荐

Snu77的博客

02-22

1万+

YOLOv9发布时间为2024年2月21日是当前的SOTA模型，当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息。

YOLOv9改进策略【模型轻量化】| 使用 MoblieOne 模块，引入结构重参数化，提高模型检测效率

qq_42591591的博客

08-30

1563

本文记录的是基于MobileOne的YOLOv9骨干网络改进方法研究。MobileOne的基础模块通过重参数化，。在将其替换YOLOv9的骨干网络后，实现模型轻量化。

【实战解析】YOLOv9全流程训练至优化终极指南

weixin_45921929的博客

04-08

6750

YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN)等开创性技术，标志着实时目标检测领域的重大进步。该模型在效率、准确性和适应性方面都有显著提高，在 MS COCO 数据集上树立了新的标杆。

YOLOv8改进 | 注意力机制 | 添加MLCA混合局部通道注意力（轻量化注意力机制）

Snu77的博客

01-03

5985

本文带来的改进机制是MLCA(Mixed local channel attention)翻译来就是混合局部通道注意力，它结合了局部和全局特征以及通道和空间特征的信息，根据文章的内容来看他是一个轻量化的注意力机制，能够在增加少量参数量的情况下从而大幅度的提高检测精度(论文中是如此描述的)，根据我的实验内容来看，该注意力机制确实参数量非常少，效果也算不错，而且官方的代码中提供了二次创新的思想和视频讲解非常推荐大家观看。推荐指数：⭐⭐⭐⭐⭐涨点效果：⭐⭐⭐⭐⭐。

YOLOv8改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】

kay_545

06-03

1319

yolov8，yolov8创新，yolov8改进

YOLOv8 更换主干网络之 ShuffleNetv2 详解

走向CTO的路上...

05-29

1127

ShuffleNetv2 是一种轻量级高效的卷积神经网络架构，旨在为图像识别任务提供更高的性能和效率。它通过使用通道洗牌 (Channel Shuffling) 和分组卷积 (Group Convolution) 等技术来实现，在保持精度的同时显著降低了模型的计算量和参数量。

YoloV9改进策略：Block改进|视觉网络的有效调制|全网首发

m0_47867638的博客

07-29

348

在本文中，我提出了一种创新的方法，利用最新提出的EfficientMod技术来显著提升YoloV8模型的性能。EfficientMod作为一种高效的视觉网络设计策略，通过优化调制机制，结合卷积上下文建模和特征投影层，实现了特征的高效融合与表示。我成功地将EfficientMod的核心Block设计应用于YoloV9模型中，特别是替代了原有模块中的Bottleneck结构，取得了显著的涨点效果。 EfficientMod概述：YoloV9模型改进：链接：https://arxiv.org/pdf/2403.1

YOLOv5改进策略|YOLOv5 的模型压缩方法、模型压缩、剪枝、量化

sybh的博客

06-13

1535

作为一个基本问题，目标检测多年来一直是一个活跃的研究领域。对象检测的主要目标涉及从数据中识别和定位感兴趣的对象FF某些给定图像中的不同类别。对象检测是许多其他高级计算机视觉任务 [1] 的基础，从语义分割 [2] 到对象跟踪 [3] 到活动识别 [4]。近年来，卷积神经网络(CNN)等基于深度学习的方法在目标检测任务中取得了最先进的性能。由于计算能力和尖端算法的进步，物体检测变得更加准确，从而实现了广泛的现实应用。

YOLOv9有效改进|CVPR2023即插即用的到残差注意力机制（轻量化注意力机制）Inverted Residual Mobile Block

深度学习炼丹师，偶尔分享炼丹技术!

03-21

1713

在YOLOv9中加入CVPR2023即插即用的到残差注意力机制。结合了倒置残差块（IRB）和Transformer的动态模型能力，从而扩展了CNN的IRB到基于注意力的模型。iRMB的设计目标是在保持模型轻量级的同时，实现对计算资源的有效利用和高准确率。一种轻量化模块，适合移动端部署。Inverted Residual Mobile Block仅由标准卷积和 MHSA 组成，没有其他复杂的操作符。

YOLOv9/YOLOv8算法改进【NO.102】涨点+轻量化，亲测有效。引入二次创新模块Faster-EMA，将EMA注意力机制与FasterNet中的核心模块结合构成新模块，

m0_70388905的博客

03-09

2728

YOLOv8算法二次创新，亲测涨点且轻量化

YOLOv9改进策略 | 细节涨点篇 | UNetv2提出的一种SDI多层次特征融合模块（含二次创新机会）

Snu77的博客

04-20

3038

本问给大家带来的改进机制是UNetv2提出的一种多层次特征融合模块（SDI）其是一种用于替换Concat操作的模块，SDI模块的主要思想是通过整合编码器生成的层级特征图来增强图像中的语义信息和细节信息。该方法已在多个公开的医学图像分割数据集上进行了验证，包括皮肤病变分割和息肉分割，展示了其在这些分割任务中相比于现有方法的效果。所以其的一开始提出使用于分割，但是其也可以用于目标检测，亲测效果非常好，同时该结构主要是可以用于替换我们各种Neck中的结构形成二次创新比如之前的BiFPN，

把yolov6的主干网络换为shufflenetv2可以使yolov6变得更轻量化吗

05-22

是的，将 YOLOv6 的主干网络从 YOLOv5 的 CSPDarknet53 换成 ShuffleNetV2 可以使 YOLOv6 变得更轻量化。ShuffleNetV2 是一种轻量级的神经网络结构，它在保持准确性的同时，可以大幅减少参数数量和计算量。这意味着使用 ShuffleNetV2 作为 YOLOv6 的主干网络可以大幅减小模型的大小和计算资源的需求，从而使得 YOLOv6 更适合在嵌入式设备或移动设备上部署。但需要注意的是，使用 ShuffleNetV2 作为 YOLOv6 的主干网络可能会对模型的检测性能产生一定影响，需要进行相应的调优和测试。