YOLOv5 Ghost卷积，报错

最新推荐文章于 2024-10-09 10:32:56 发布

蚂蚁12

最新推荐文章于 2024-10-09 10:32:56 发布

阅读量599

点赞数

文章标签：深度学习

本文链接：https://blog.csdn.net/qq_44438961/article/details/127944901

版权

在进行将yolov5的第零层卷积换为ghost卷积的时候，会报错，用Focus代替就好了

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

蚂蚁12

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

Yolov5轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22 Spotlight

06-20

1047

Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，与c2f和c3结合减少最新的深度神经网络的计算成本，引入高效的神经网络结构。

基于改进YOLOv5的安全帽检测算法 | 引入Ghost卷积 + 添加CA注意力机制 + 更换Neck网络之BiFPN + 更换损失函数之WIoU

突然好想你

06-25

1102

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题，设计实现了一种基于YOLOv5的改进目标检测算法，记为YOLOv5-GBCW。🌈

参与评论您还未登录，请先登录后发表或查看评论

【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）

弗兰-随风小欢的博客

01-10

3516

YOLOv5 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络

kay_545

03-28

2626

卷积层和建议的 Ghost 模块的图示，用于输出相同数量的特征图。Φ 代表廉价操作深度卷积神经网络通常由大量卷积组成，这会导致巨大的计算成本。尽管 MobileNet 和 ShuffleNet 等最近的工作引入了深度卷积或洗牌操作，以使用较小的卷积滤波器（浮点数操作）构建高效的 CNN，但剩余的 1 × 1 卷积层仍然会占用大量内存和失败。其中*是卷积运算，b是偏置项，Y ∈ Rh′×w′×n是n个通道的输出特征图，f ∈ Rc×k×k×n是该层的卷积滤波器。

yolov5训练报错总结

m0_67487238的博客

06-04

287

utils文件夹下的loss.py文件，直接ctrl+f搜索gain，在gain[3]和gain[2]后面加上.long()，如下所示。utils文件夹下的general.py文件，直接ctrl+f搜索np.int，并将其改为np.int32，有两个地方，如下所示。utils文件夹下的plots.py文件，直接ctrl+f搜索getsize，将其替换为如下所示。报错4：YOLO模型训练时loss出现nan值或者测试时P\R\map全部为0值。train.py文件中搜索amp，找到这段代码。

基于yolov5m融合轻量级Ghost组件开发构建水面障碍物检测识别系统

Together_CZ的博客

06-08

362

基于yolov5m融合轻量级Ghost组件开发构建水面障碍物检测识别系统

【YOLOv8改进 - 卷积Conv】DCNv4：可变形卷积，动态与稀疏操作高效融合的创新算子

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。

07-02

1578

【YOLOv8改进 - 卷积Conv】DCNv4：可变形卷积，动态与稀疏操作高效融合的创新算子

【YOLOv10改进 - 卷积Conv】DCNv4：可变形卷积，动态与稀疏操作高效融合的创新算子

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。

07-04

855

我们介绍了可变形卷积 v4（DCNv4），这是一种设计用于广泛视觉应用的高效和有效的算子。DCNv4通过两个关键增强来解决其前身 DCNv3 的限制：1. 在空间聚合中移除了softmax标准化，以增强其动态特性和表达能力；2. 优化内存访问，减少冗余操作以加快速度。这些改进使得DCNv4的收敛速度显著更快，处理速度大幅提升，前向速度比DCNv3提高了三倍以上。DCNv4在图像分类、实例和语义分割等各种任务中表现出色，特别是在图像生成领域。

YOLOv5改进实战 | GSConv + SlimNeck双剑合璧，进一步提升YOLO！

w94ghz的博客

10-22

1543

YOLOv7改进 | 更换主干网络之GhostNet

突然好想你

02-27

804

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！~🌈

目标检测算法——YOLOv5/YOLOv7改进结合轻量型Ghost模块

热门推荐

加勒比海带66——【YOLO魔法搭配&论文投稿咨询】

04-09

2万+

将轻量型的Ghost模块与YOLOv5算法相结合，进一步降低网络参数量，使模型轻量化的同时加快网络推理速度。

Yolov5轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020

06-20

1283

Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，与c2f和c3结合减少最新的深度神经网络的计算成本，引入高效的神经网络结构。

YOLOV5改进：使用C2f_RepGhost模块替换C3

qq_45640098的博客

12-26

1641

在models文件夹下新建RepGhost.py文件，加入以下代码。在common.py文件中加入如下代码。

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

2673

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更换Ghostnet模块

m0_56247038的博客

05-19

8895

YOLOv5改进——普通卷积和C3模块更换为GhostConvV2卷积和C3GhostV2模块

最新发布

2302_80099075的博客

10-09

852

解决方法如下：在utils文件夹下，打开torch_utils.py文件，找到model_info函数进行修改。在models文件夹下新建modules文件夹，在modules文件夹下新建一个py文件。在models文件夹下，新建yaml文件，这里命名为yolov5-GhostNetv2.yaml。--cfg：选用刚刚在models下建立的yolov5-GhostNetv2.yaml。目前主要对--weight、--cfg、--data进行参数设置。--data：选用上面修改过路径的coco.yaml。

芒果YOLOv5改进42：主干Backbone篇之RepGhost：全网首发最新原创打造RepGhostNeXt结构，基于重参数化结构，实现硬件高效的RepGhost模块、打造全新YOLOv5检测器

包括YOLOv5、YOLOv7、YOLOv8等模型改进

12-08

5585

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

YOLOv8项目贡献者

01-02

1万+

YOLOv5/v7 更换骨干网络之 GhostNet

[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

7399

G-GhostNet 是适配 GPU 端的轻量级 GhostNet

yolo ghost

09-02

YOLO Ghost指的是在YOLOv8模型中使用GhostNetV2作为主干网络的一种配置。GhostNetV2是一种轻量级的卷积神经网络模型，具有较低的参数量和计算复杂度。与YOLOv8原来的主干网络DarkNet53相比，GhostNetV2的结构有较大差异。在实现YOLO Ghost时，我们使用了GhostNetV2的论文作者提供的轻量级版本，并针对YOLOv8模型特点进行了一定的优化。这种配置可以在保持较高检测精度的同时，减少了模型的计算和存储资源消耗。如果您对GhostNetV2的详细信息感兴趣，可以查阅该论文的地址：https://arxiv.org/pdf/1911.11907v1.pdf。123 #### 引用[.reference_title] - *1* [YOLOv8主干网络升级篇：使用GhostNetV2增强模型性能](https://blog.csdn.net/wellcoder/article/details/131014868)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [YOLOV5的多主干网络（backbone）实现.zip](https://download.csdn.net/download/cuihao1995/83477139)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [目标检测算法——YOLOv5/YOLOv7改进结合轻量型Ghost模块](https://blog.csdn.net/m0_53578855/article/details/124056682)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]