轻量化YOLOv7系列：结合G-GhostNet | 适配GPU，华为诺亚提出G-Ghost方案升级GhostNet

已于 2024-07-24 10:10:59 修改
阅读量527 收藏 8
点赞数 5
分类专栏： 我的YOLOv7改进分享 文章标签： YOLO 华为
于 2024-07-24 10:10:47 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/140654629
版权

在这里插入图片描述

轻量化YOLOv7系列：结合G-GhostNet | 适配GPU，华为诺亚提出G-Ghost方案升级GhostNet


  本文提供了改进 YOLOv7注意力系列包含不同的注意力机制以及多种加入方式，在本文中具有完整的代码和包含多种更有效加入YOLOv8中的yaml结构，读者可以获取到注意力加入的代码和使用经验，总有一种适合你和你的数据集。

🗝️YOLOv7实战宝典--星级指南：从入门到精通，您不可错过的技巧

  -- 聚焦于YOLO的 最新版本， 对颈部网络改进、添加局部注意力、增加检测头部，实测涨点

💡 深入浅出YOLOv7：我的专业笔记与技术总结

  -- YOLOv7轻松上手， 适用技术小白，文章代码齐全，仅需 一键train，解决 YOLOv7的技术突破和创新潜能

❤️ YOLOv8创新攻略：突破技术瓶颈，激发AI新潜能"

   -- 指导独特且专业的分析， 也支持对YOLOv3、YOLOv4、YOLOv5、YOLOv6等网络的修改

🎈 改进YOLOv7专栏内容《YOLOv7实战宝典》📖 ，改进点包括：    替换多种骨干网络/轻量化网络， 添加40多种注意力， 包含自注意力/上下文注意力/自顶向下注意力机制/空间通道注意力/，设计不同的网络结构，助力涨点！！！

在这里插入图片描述

  YOLOv7注意力系列包含不同的注意力机制

需要修改的代码

models/GGhostRegNet.py代码

  1. 新建这个文件，放入网络代码
import torch
import torch.nn as nn
import torch.nn.functional as F
def conv3x3(in_planes, out_planes, stride=1, groups=1, dilation=1):
    """3x3 convolution with padding"""
    return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride,
                     padding=dilation, groups=groups, bias=False, dilation=dilation)


def conv1x1(in_planes, out_planes, stride=1):
    """1x1 convolution"""
    return nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=stride, bias=False)


class GHOSTBottleneck(nn.Module):
    expansion = 1
    __constants__ = ['downsample']

    def __init__(self, inplanes, planes, stride=1, downsample=None, group_width=1,
                 dilation=1, norm_layer=None):
        super(GHOSTBottleneck, self).__init__()
        if norm_layer is None:
            norm_layer = nn.BatchNorm2d
        width = planes * self.expansion
        # Both self.conv2 and self.downsample layers downsample the input when stride != 1
        self.conv1 = conv1x1(inplanes, width)
        self.bn1 = norm_layer(width)
        self.conv2 = conv3x3(width, width, stride, width // min(width, group_width), dilation)
        self.bn2 = norm_layer(width)
        self.conv3 = conv1x1(width, planes)
        self.bn3 = norm_layer(planes)
        self.relu = nn.SiLU(inplace=True)

        self.downsample = downsample
        self.stride = stride


    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu(out)



        out = self.conv3(out)
        out = self.bn3(out)

        if self.downsample is not None:
            identity = self.downsample(x)

        out += identity
        out = self.relu(out)

        return out


# class LambdaLayer(nn.Module):
#     def __init__(self, lambd):
#         super(LambdaLayer, self).__init__()
#         self.lambd = lambd
#
#     def forward(self, x):
#         return self.lambd(x)


class Stage(nn.Module):

    def __init__(self, block, inplanes, planes, group_width, blocks, stride=1, dilate=False, cheap_ratio=0.5):
        super(Stage, self).__init__()
        norm_layer = nn.BatchNorm2d
        downsample = None
        self.dilation = 1
        previous_dilation = self.dilation
        self.inplanes = inplanes
        if dilate:
            self.dilation *= stride
            stride = 1
        if stride != 1 or self.inplanes != planes:
            downsample = nn.Sequential(
                conv1x1(inplanes, planes, stride),
                norm_layer(planes),
            )

        self.base = block(inplanes, planes, stride, downsample, group_width,
                          previous_dilation, norm_layer)
        self.end = block(planes, planes, group_width=group_width,
                         dilation=self.dilation,
                         norm_layer=norm_layer)

        group_width = int(group_width * 0.75)
        raw_planes = int(planes * (1 - cheap_ratio) / group_width) * group_width
        cheap_planes = planes - raw_planes
        self.cheap_planes = cheap_planes
        self.raw_planes = raw_planes

        self.merge = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(planes + raw_planes * (blocks - 2), cheap_planes,
                      kernel_size=1, stride=1, bias=False),
            nn.BatchNorm2d(cheap_planes),
            nn.SiLU(inplace=True),
            nn.Conv2d(cheap_planes, cheap_planes, kernel_size=1, bias=False),
            nn.BatchNorm2d(cheap_planes),
        )
        self.cheap = nn.Sequential(
            nn.Conv2d(cheap_planes, cheap_planes,
                      kernel_size=1, stride=1, bias=False),
            nn.BatchNorm2d(cheap_planes),
        )
        self.cheap_relu = nn.SiLU(inplace=True)

        layers = []
        # downsample = nn.Sequential(
        #     LambdaLayer(lambda x: x[:, :raw_planes])
        # )

        layers = []
        layers.append(block(raw_planes, raw_planes, 1, downsample, group_width,
                            self.dilation, norm_layer))
        inplanes = raw_planes
        for _ in range(2, blocks - 1):
            layers.append(block(inplanes, raw_planes, group_width=group_width,
                                dilation=self.dilation,
                                norm_layer=norm_layer))

        self.layers = nn.Sequential(*layers)

    def forward(self, input):
        x0 = self.base(input)

        m_list = [x0]
        e = x0[:, :self.raw_planes]
        for l in self.layers:
            e = l(e)
            m_list.append(e)
        m = torch.cat(m_list, 1)
        m = self.merge(m)

        c = x0[:, self.raw_planes:]
        c = self.cheap_relu(self.cheap(c) + m)

        x = torch.cat((e, c), 1)
        x = self.end(x)
        return x


class GGhostRegNet(nn.Module):

    def __init__(self, block, layers, widths, layer_number, num_classes=1000, zero_init_residual=True,
                 group_width=8, replace_stride_with_dilation=None,
                 norm_layer=None):
        super(GGhostRegNet, self).__init__()
        # ---------------------------------
        self.layer_number = layer_number
        # --------------------------------------
        if norm_layer is None:
            norm_layer = nn.BatchNorm2d
        self._norm_layer = norm_layer

        self.inplanes = widths[0]
        self.dilation = 1
        if replace_stride_with_dilation is None:
            # each element in the tuple indicates if we should replace
            # the 2x2 stride with a dilated convolution instead
            replace_stride_with_dilation = [False, False, False, False]
        if len(replace_stride_with_dilation) != 4:
            raise ValueError("replace_stride_with_dilation should be None "
                             "or a 4-element tuple, got {}".format(replace_stride_with_dilation))
        self.group_width = group_width
        # self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=3, stride=2, padding=1,
        #                        bias=False)
        # self.bn1 = norm_layer(self.inplanes)
        # self.relu = nn.ReLU(inplace=True)
        if self.layer_number in [0]:
            self.layer1 = self._make_layer(block, widths[0], layers[0], stride=1,
                                           dilate=replace_stride_with_dilation[0])


        if self.layer_number in [1]:
            self.inplanes = widths[0]
            if layers[1] > 2:
                self.layer2 = Stage(block, self.inplanes, widths[1], group_width, layers[1], stride=1,
                                    dilate=replace_stride_with_dilation[1], cheap_ratio=0.5)
            else:
                self.layer2 = self._make_layer(block, widths[1], layers[1], stride=1,
                                               dilate=replace_stride_with_dilation[1])
        if self.layer_number in [2]:
            self.inplanes = widths[1]
            self.layer3 = Stage(block, self.inplanes, widths[2], group_width, layers[2], stride=1,
                                dilate=replace_stride_with_dilation[2], cheap_ratio=0.5)

        if self.layer_number in [3]:
            self.inplanes = widths[2]
            if layers[3] > 2:
                self.layer4 = Stage(block, self.inplanes, widths[3], group_width, layers[3], stride=1,
                                    dilate=replace_stride_with_dilation[3], cheap_ratio=0.5)
            else:
                self.layer4 = self._make_layer(block, widths[3], layers[3], stride=1,
                                               dilate=replace_stride_with_dilation[3])
        # self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        # self.dropout = nn.Dropout(0.2)
        # self.fc = nn.Linear(widths[-1] * block.expansion, num_classes)

        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
            elif isinstance(m, (nn.BatchNorm2d, nn.GroupNorm)):
                nn.init.constant_(m.weight, 1)
                nn.init.constant_(m.bias, 0)

    def _make_layer(self, block, planes, blocks, stride=1, dilate=False):
        norm_layer = self._norm_layer
        downsample = None
        previous_dilation = self.dilation
        if dilate:
            self.dilation *= stride
            stride = 1
        if stride != 1 or self.inplanes != planes:
            downsample = nn.Sequential(
                conv1x1(self.inplanes, planes, stride),
                norm_layer(planes),
            )

        layers = []
        layers.append(block(self.inplanes, planes, stride, downsample, self.group_width,
                            previous_dilation, norm_layer))
        self.inplanes = planes
        for _ in range(1, blocks):
            layers.append(block(self.inplanes, planes, group_width=self.group_width,
                                dilation=self.dilation,
                                norm_layer=norm_layer))

        return nn.Sequential(*layers)

    def _forward_impl(self, x):

        if self.layer_number in [0]:
            x = self.layer1(x)
        if self.layer_number in [1]:
            x = self.layer2(x)
        if self.layer_number in [2]:
            x = self.layer3(x)
        if self.layer_number in [3]:
            x = self.layer4(x)

        return x

    def forward(self, x):
        return self._forward_impl(x)

在这里插入图片描述

  1. yolo里引用
    在这里插入图片描述

在这里插入图片描述

创建yaml文件

# parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# anchors
anchors:
  - [12,16, 19,36, 40,28]  # P3/8
  - [36,75, 76,55, 72,146]  # P4/16
  - [142,110, 192,243, 459,401]  # P5/32

# yolov7_MY backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [48, 1, 1]],
#   [-2, 1, Conv, [64, 1, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [-1, 1, Conv, [64, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [256, 1, 1]],  # 11
   [-1, 1, GGhostRegNet, [48, 0]], # 5

   [-1, 1, MP, []],
   [-1, 1, Conv, [48, 1, 1]],
   [-3, 1, Conv, [48, 1, 1]],
   [-1, 1, Conv, [48, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [96, 1, 1]],
#   [-2, 1, Conv, [128, 1, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [-1, 1, Conv, [128, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [512, 1, 1]],  # 24
   [-1, 3, GGhostRegNet, [96, 1]], # 12

   [-1, 1, MP, []],
   [-1, 1, Conv, [96, 1, 1]],
   [-3, 1, Conv, [96, 1, 1]],
   [-1, 1, Conv, [96, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [240, 1, 1]],
#   [-2, 1, Conv, [256, 1, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [1024, 1, 1]],  # 37
   [-1, 5, GGhostRegNet, [240, 2]], # 19

   [-1, 1, MP, []],
   [-1, 1, Conv, [240, 1, 1]],
   [-3, 1, Conv, [240, 1, 1]],
   [-1, 1, Conv, [240, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [528, 1, 1]],
#   [-2, 1, Conv, [256, 1, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [-1, 1, Conv, [256, 3, 1]],
#   [[-1, -3, -5, -6], 1, Concat, [1]],
#   [-1, 1, Conv, [1024, 1, 1]],  # 50
   [-1, 7, GGhostRegNet, [528, 3]], # 26
  ]

# yolov7_MY head
head:
  [[-1, 1, SPPCSPC, [512]], # 27
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [19, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 39
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [12, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 51
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 39], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 64
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 27], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 77
   
   [51, 1, RepConv, [256, 3, 1]],
   [64, 1, RepConv, [512, 3, 1]],
   [77, 1, RepConv, [1024, 3, 1]],

   [[78,79,80], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

测试是否创建成功

在这里插入图片描述

在这里插入图片描述

这里是引用

一休哥※
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
芒果YOLOv7改进18：主干篇：改进主干GhostNetV2最新架构：首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构：构建更强端侧轻量型骨干
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-17 5933
首发结合最新NeurIPS2022华为诺亚针对端侧设备的GhostNetV2 架构：长距离注意力机制增强廉价操作，打造轻量级检测器
YOLOv7改进 | 更换主干网络之GhostNet
突然好想你
02-27 726
GhostNet是一种轻量级的卷积神经网络架构，它的设计目标是在保持高精度的同时，减少模型的参数和计算量，以便在资源受限的设备上进行高效推理。GhostNet在多个计算机视觉任务上取得了很好的性能，如图像分类、目标检测和人脸识别等！~🌈
[YOLOv7/YOLOv5系列改进NO.44]融入适配GPU的轻量级 G-GhostNet
m0_70388905的博客
11-19 7322
G-GhostNet 是适配 GPU 端的轻量级 GhostNet
主干网络篇 | YOLOv5/v7 更换骨干网络之 GhostNet | 从廉价的操作中生成更多的特征图
weixin_39818775的博客
06-30 687
近年来，深度卷积神经网络（CNN）在图像识别、目标检测等领域取得了巨大进展。然而，随着模型复杂度的不断提升，模型训练和部署所需的计算资源也呈指数级增长，这对于资源受限的设备和平台带来了挑战。为了解决这个问题，GhostNet 应运而生。GhostNet 是一种轻量级的卷积神经网络架构，它通过引入“Ghost Module”来从廉价的操作中生成更多的特征图，以提高模型的性能和效率。
极致版YOLOv7：轻量级目标检测模型
sybh的博客
04-18 1696
虽然截至2021年9月，最新的实际版本是YOLOv5，但在本文中，我们将探讨一个极致版的YOLOv7模型，具有大幅改进和提升。`main()` 函数中，我们加载模型、预处理图像、执行目标检测、在图像上绘制检测框和类别标签，并显示和保存检测结果图像。至此，我们已经实现了一个完整的目标检测程序，可以处理实时视频流、绘制检测框、保存检测结果到CSV文件，并允许用户通过命令行参数自定义设置。现在我们已经在实时视频流上实现了目标检测，接下来让我们添加一个功能，将检测到的对象的相关信息保存到CSV文件中。
【YOLOv7改进轻量化】第一章——引入轻量化骨干网络MobileOne
热门推荐
weixin_44994302的博客
12-26 1万+
YOLOv7轻量化之MobileOne，原理+完整代码实现
改进yolov7网络（从轻量化方面的8个方法）
jsnuchao的博客
04-20 1万+
改进yolov7 轻量化方面出发
YoloV7改进策略：RefConv打造轻量化YoloV7利器
m0_47867638的博客
11-29 2120
REFCONV是一种用于构建强大卷积神经网络的重新参数化的重新聚焦卷积（re-parameterized refocusing convolution）。它是一种特殊的卷积层，旨在通过重新参数化输入特征图来增强卷积神经网络的能力。在传统的卷积神经网络中，卷积层通过将输入特征图与一组卷积核（filters）进行卷积运算，以检测和提取输入数据中的局部特征。然而，这种传统的卷积方式可能会在处理具有复杂结构和多样性的数据时遇到一些挑战。REFCONV通过重新参数化输入特征图来解决这些问题。
改进YOLOv8：结合轻量化骨干，华为顶刊IJCV2022：G-GhostNet！
qq_44224801的博客
09-04 2390
这篇论文讨论了如何为具有有限内存和计算资源的异构设备（如CPU和GPU）设计高效的神经网络。作者提出了两个模块，C-Ghost和G-Ghost，以利用特征图中的冗余并使用廉价操作生成更多特征。C-Ghost模块是为类似CPU的设备设计的，可以轻松地集成到现有的卷积神经网络中。C-Ghost模块的设计思路是，通过在特征图中引入一些“幽灵”（Ghost）特征，即通过廉价的操作（如线性变换）生成的特征，来增加特征图的数量，从而提高网络的表达能力。
YOLOv10改进：轻量化改进 | 华为GhostNet再升级，全系列硬件上最优极简AI网络G_ghost | IJCV22
最新发布
会AI的学姐
07-02 193
巧妙引入跨层的廉价操作，减少计算量的同时减少的内存数据搬运，基于此设计了GPU版GhostNet，G-GhostNet与YOLOV10建立轻量结合
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 3457
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。
YOLOv10轻量化改进：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
06-04 143
1)引入了一个新的 Ghost 模块，通过使用更少的参数来生成更多的特征; 2)基于 Ghost 模块，建立了一个高效的神经架构，即 GhostNet。
YOLOv7、YOLOv7-tiny改进GhostNet主干系列：高效结合GhostNet网络，华为出品
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-01 3687
代码实践｜YOLOv7改进 GhostNet 主干系列
YOLOv7改进：引入GSConv+Slim Neck，提升小目标检测精度
10-18 1447
引入了一种新方法GSConv来代替SC操作。该方法使卷积计算的输出尽可能接近SC，同时降低计算成本；提供了一种新的设计范式，即带有标准Backbone的Slim-Neck设计；
YOLOV7改进-轻量级上采样算子CARAFE
毕竟是Shy哥
09-08 963
3、yolov7里就俩上采样，替换名称，后面参数可以调。上采用算子参数可以跑一跑，增加实验丰富度，工作量。1、复制代码,到common文件的最底下就可以了。可以作为论文中的小创新点。2、yolo.py复制。打印出来便于观看参数。
yolov7-tiny轻量化融合，都能得到训练结果和best.pt，请问如下问题怎么解决
m0_65882073的博客
08-07 185
y进行轻量化后在进行。文件验证时可以跑通。
[YOLOv7/YOLOv5系列算法改进NO.40]轻量化mobileone主干网络引入
m0_70388905的博客
10-27 8574
YOLOv5、v7改进之四十：轻量化mobileone主干网络引入。
yolov5ghostnet
10-12
这是两个不同的概念，YOLOv5是一种目标检测算法，GhostNet是一种轻量级的卷积神经网络模型。 YOLOv5是YOLO系列目标检测算法的最新版本，其主要特点是快速、精度高、轻量化和易用性强。YOLOv5采用了一种称为CSP（cross stage partial network）的结构，在保证速度和准确性的同时，大幅度减少了模型参数和计算量。 GhostNet是由华为提出的一种轻量级卷积神经网络模型，其主要特点是模型轻量化、准确性高和泛化能力强。GhostNet采用了一种叫做Ghost模块的结构，可以有效地降低模型参数和计算量，同时不影响模型的准确性。
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

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