改进YOLOv5：涨点必备 | 创新实用 | 轻量化骨干网络大一统，包含FastNet、ShuffleNet、mobileNet、Ghostnet等

已于 2024-01-13 10:05:13 修改
阅读量3.6k 收藏 9
点赞数 1
分类专栏： YOLOv8、YOLO5系列改进专栏 文章标签： YOLO python 深度学习
于 2023-04-29 23:10:32 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_44224801/article/details/130436619
版权
本文介绍了如何改进YOLOv5，结合轻量化骨干网络如FasterNet、G-GhostRegnet、MobileNetv2/v3和Ghostnetv2进行优化。提供了各个网络的配置代码和实施方案，包括FasterBlock、GhostRegnet的不同选项，并提到了安装依赖库timm和mmcv的方法。
摘要由CSDN通过智能技术生成

改进YOLOv8的轻量化骨干网络大一统


本文实现了YOLOv8结合各种轻量化骨干网络，实现一篇文章助你实现YOLOv5轻量化。 本文不仅实现了YOLOv8结合各种骨干网络，并且给出的多种结合形式，如替换轻量化卷积PConv、替换轻量化Block以及替换轻量化骨干。

改进YOLOv8的轻量化骨干网络大一统

统一需要安装timm
pip install timm -i https//pypi.douban.com/simple
安装mmcv，cu113为cuda版本，1.11.0为torch版本
pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu113/torch1.11.0/index.html
在这里插入图片描述

常见的YOLO结合轻量化骨干方法

了解本专栏 订阅专栏 解锁全文 超级会员免费看
一休哥※
关注
专栏目录
订阅专栏
YOLOv8主干网络使用FasterNet替换
m0_49586319的博客
06-22 573
FasterNet替换网络YOLOv8主干
YOLOv5引入轻量化（SOTA）：EMO
weixin_70423469的博客
07-26 1253
YOLOv5引入轻量化（SOTA）：EMO
多种轻量化算法改进YOLOv5模型
m0_61348166的博客
08-30 1984
【代码】多种轻量化算法改进YOLOv5模型。
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 4797
轻量化YOLOv5s模型
改进YOLOv5：MobileNEtv2、v3篇**涨点必备 | 创新实用 | 轻量化骨干网络大一统，包含FastNet、ShuffleNet、mobileNet、Ghostnet等
qq_44224801的博客
05-18 1332
​   轻量化MobileNEtv2、v3​   轻量化MobileNEtv2、v3。
芒果YOLOv5改进01：主干Backbone篇：独创结构FasterNeXt，实测私有数据集mAP有效涨点，同时降低参数量｜为更快的神经网络追求更高的 FLOPS，参数量下降，超越其他轻量化模型
热门推荐
包括YOLOv5、YOLOv7、YOLOv8等模型改进
03-09 1万+
YOLOv5改进代码实践｜实测参数量计算量下降、FPS升高
Yolov5/Yolov7改进：小目标到大目标一网打尽，轻骨干重Neck的轻量级目标检测器GiraffeDet
05-11 2282
小目标到大目标一网打尽！阿里提出首个轻骨干重Neck的轻量级目标检测器GiraffeDet。将GFPN引入到yolov5。在NEU-DET钢材表面缺陷任务中map从原始的0.742提升到0.765
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量
最新发布
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 1227
卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会进行扩展以提高准确性。在本文中，我们系统地研究了模型扩展，并发现仔细平衡网络的深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，使用一个简单但非常有效的复合系数均匀扩展深度、宽度和分辨率的所有维度。我们展示了这种方法在扩展MobileNets和ResNet时的有效性。
Yolov5轻量化：CVPR2023｜RIFormer：无需TokenMixer也能达成SOTA性能的极简ViT架构
06-08 1584
优势：（1）去除token mixer，减少延迟和计算功耗；（2）推理阶段只有1x1卷积，有利于硬件实现；（3）结构重参数化技术将训练复杂度和推理复杂度解耦；（4）设计优化驱动的高效网络，更关注整体架构和训练策略。
记录：YOLOv5模型剪枝轻量化
qq_44224801的博客
07-01 3230
模型
Yolov5改进: Yolov5-FasterNet网络推理加速
@bangbang的博客
03-27 2932
FasterNet是CVPR 2023 新出来的网络，主要用来加速网络推理实现轻量化。作者重新审视了现有的操作符，特别是DWConv的计算速度——FLOPS。作者发现导致低FLOPS问题的主要原因是频繁的内存访问。然后，作者提出了PConv作为一种竞争性替代方案，它减少了计算冗余以及内存访问的数量。为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。
轻量化YOLOv5改进 | 结合repghost结构冲参数化网络，实现轻量化和加速推理，
qq_44224801的博客
08-03 1312
在深度学习的应用中，卷积神经网络（CNN）已经成为了一种重要的模型结构。然而，由于CNN的计算量大，存储需求高，使得它在硬件设备上的部署和运行面临着挑战。为了解决这个问题，研究者们提出了各种各样的轻量级CNN，如MobileNet，ShuffleNet等。这些网络通过设计高效的模块和操作，如深度可分离卷积，通道混洗等，来减少计算量和存储需求。然而，这些网络往往需要牺牲一定的准确性。在这篇论文中，作者们提出了一种新的模块——RepGhost，它通过隐式地重用特征来进一步提高计算效率。
实测改进YOLOv5轻量化：结合华为CV顶刊！更适用于GPU等设备的 G-GhostNet。
qq_44224801的博客
04-07 3619
本文主要针对于以往的网络结构特征冗余而设计一种新的网络，通过一些更轻量的操作来出来冗余的特征。本文针对网络部署时面临的内存和资源有限的问题，提出两种不同的Ghost模块，旨在利用成本低廉的线性运算来生成Ghost特征图。C-Ghost模块被应用于CPU等设备，并通过简单的模块堆叠实现C-GhostNet。适用于GPU等设备的G-Ghost模块利用阶段性特征冗余构建。最终实验结果表明两种模块分别实现了对应设备上精度和延迟的最佳权衡。
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 2621
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。
YOLOv5轻量化之《替换Backbone为MobileOne》（亲测有效）
年少的勇气已经用完，剩下的就是三思而后行
11-16 3301
YOLOv5轻量化之《替换Backbone为MobileOne》
yolov5改进之Fasternet主干网络替换
qq_41920323的博客
05-12 4316
fasternet替换yolov5主干网络
fastnet加入yolov5
09-17
要将 FastNet 加入 YOLOv5，您需要执行以下步骤： 1. 首先，在 `models` 文件夹中创建一个新的 Python 文件，命名为 `fastnet.py`。 2. 在 `fastnet.py` 文件中导入所需的模块和函数，例如 `torch.nn`、`torchvision.models` 等。 3. 创建一个新的类，命名为 `FastNet`，继承自 `torch.nn.Module`。 4. 在 `FastNet` 类的 `__init__` 方法中，定义模型的结构。您可以参考引用中的代码来定义您的网络结构。 5. 实现 `forward` 方法，定义数据在前向传播时的处理流程。您可以根据您的需要添加额外的层或操作。 6. 在 `FastNet` 类之后，添加一个函数，命名为 `fastnet`，该函数接收输入数据，并返回由 `FastNet` 模型处理后的结果。 7. 保存并关闭 `fastnet.py` 文件。
评论 3
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

一休哥※

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