YOLOv5改进实战 | 更换主干网络Backbone之最新的MobileOne结构，超轻量级架构，适用于1ms推理的移动端！

已于 2023-10-19 11:02:56 修改
阅读量964 收藏 1
点赞数 4
分类专栏： YOLO改进系列 # YOLO轻量化改进 # YOLOv5改进系列 文章标签： YOLO 人工智能 计算机视觉 目标检测
于 2023-09-30 16:41:43 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_45062768/article/details/133342518
版权

在这里插入图片描述

前言

☘️ 传统的YOLOV5系列中，Backbone采用的是较为复杂的网络结构，导致了模型的大型化和计算量的增加。为了解决这个问题，本章节通过采用苹果最新的移动端高效主干网络作为Backbone的基础结构，从而在保证检测性能的同时，将网络结构精简到最小，大大减小了模型的参数量和计算量。

目录

一、Mobileone

2023CVPR 论文链接：MobileOne: An Improved One millisecond Mobile Backbone

MobileOne出自Apple，它的作者声称在iPhone 12上MobileOne的推理时间只有1毫秒，这也是MobileOne这个名字中One的含义。从MobileOne的快速落地可以看到重参数化在移动端的潜力：简单、高效、即插即用。该模型适用于多种任务——图像分类、对象检测和 语义分割在延迟和准确性方面与部署在移动设备上时的现有高效架构相比有显著改善 。
在这里插入图片描述
上图左侧部分构成了MobileOne

了解本专栏 订阅专栏 解锁全文 超级会员免费看
w94ghz
关注
  • 4
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
YOLOv5改进 | 更换主干网络之MobileOne，移动端仅需1ms的高性能骨干
突然好想你
02-21 218
MobileOne是由Apple公司提出的一种基于iPhone12优化的超轻量型架构，在ImageNet数据集上以
MobileOne（CVPR 2023）原理与代码解析
00000cj的博客
05-14 2995
针对移动设备的高效深度学习架构的设计和部署已经取得了很大进展，很多轻量模型在减少浮点操作（floating-point operations, FLOPS）和参数量（parameter count）的同时不断提高精度。但是就延迟latency而言，这些指标没有很好的与模型的效率关联起来，像FLOPs这样的指标没有考虑到内存访问成本memory access cost和模型并行的程度degree of parallelism，而后者在推理时可能会对延迟产生很大的影响。参数量也与延迟没有很好的相关性，比如共享参
【YOLOv5/v7改进系列】替换骨干网络为MobileOne
2401_84870184的博客
05-12 1028
yolov7-tiny、yolov5s/n替换骨干网络为MobileOne，相比同类高效架构，MobileOne不仅在精度上达到了最先进的水平，而且运行速度更快，比如比MobileFormer快38倍，比EfficientNet在相近延迟下高出2.3%的顶尖-1准确率。
从RepVgg到MobileOne，含mobileone的代码
我的博客有点东西
06-25 1627
重参数化的思想本质上就是利用线性模型的可加性。在工业界就在conv和bn层融合上有所应用。最近几年一直有re-parameter的工作。RepVGG是一个比较好的应用。VGG是直筒式模型，因为没有skip connnection，导致训练更深层的vgg会出现模型的退化。但如resnet等，skip connnect为端上设备增加了运行耗时，在数据的存取上有不小的消耗。 因此RepVGG，将重参数的思想融合进来，在训练时，为vgg引入了skip connection，在测试时将skip connection和
目标检测算法——YOLOv5/YOLOv7改进之结合MobileOne结构（高性能骨干|仅需1ms）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-19 9352
目标检测算法——YOLOv5/YOLOv7改进之结合MobileOne结构。移动端仅需1ms的高性能骨干！
onnx推理模型
重剑无锋博客
02-21 250
onnx推理模型
YOLOV5 改进实战项目【更换backbone为MobileNet】：大型海上图像目标检测数据集
03-19
基于YOLOV5【更换backbone为MobileNet】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、...
YOLOV5 改进实战项目【更换backbone为Vgg】：大型海上图像目标检测数据集
03-19
基于YOLOV5【更换backbone为Vgg】对大型海上目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】海上目标图像数据，类别：邮轮、小鸟、鱼、帆船等共...
YOLOV5的多主干网络（backbone）实现.zip
03-05
# 复现TPH-YOLOv5 # 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5
YOLOV5 改进实战项目【更换backbone为Swin-Transformer】：农场乌鸡目标检测数据集
03-21
基于YOLOV5【更换backbone为Swin-Transformer】对农场乌鸡目标检测数据集的目标检测实战项目，包含代码、数据集、训练好的权重参数，经测试，代码可以直接使用 【数据集介绍】乌鸡图像数据，1类别：乌鸡 训练集...
Yolov5结构图展示清晰易懂
08-03
YOLOv5算法本身非常优秀，随着其版本的迭代更新，网络各个模块对物体检测中的常见问题都做了一定的优化改进，本身就具有较好的工程实用性。 Input部分完成数据增强、自适应图片缩放、锚框计算等基本处理任务；...
YOLOv5/v7/v8改进实验（五）之使用timm更换YOLOv5模型主干网络Backbone篇
w94ghz的博客
10-18 952
yolov7增加重参数化的深度可分离卷积（mobileone）
athrunsunny的博客
09-10 1568
在这里，我修改的思路不是将mobileone的backbone整体替换，而是保留v7tiny每个ELAN block，将每个block中的3*3卷积替换为图3中的重参数化的深度可分离卷积，这样既保留了网络整体结构，同时又将重参数化的mobileone block添加到网络结构中。左侧分支是过参数化的1×1卷积，由k个1×1卷积构成。这里的1×1卷积和3×3卷积都是深度卷积（也即分组卷积，分组数g等于输入通道数）。融合之后看起来就是将ELAN中的两个3*3的卷积替换成深度可分离卷积的形式。
yolov7模型轻量化改进之MobileOne骨干替换
qq_41920323的博客
11-01 473
yolov7的mobileone轻量化改进
YOLOv5算法改进（10）— 替换主干网络之PP-LCNet（包括代码+添加步骤+网络结构图）
突然好想你
09-02 1327
本文提出了一种基于MKLDNN加速策略的轻量级CPU网络，即PPLCNet，它提高了轻量级模型在多任务上的性能,对于计算机视觉的下游任务，如目标检测、语义分割等，也有很好的表现。
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
突然好想你
12-03 2816
本文给大家介绍一种轻量化部署改进方式，即在主干网络中添加ECA注意力机制和更换主干网络之ShuffleNetV2。🌈
芒果YOLOv7改进33：主干篇：改进主干ViT系列：全网首发最新 ICLR2022 顶会|轻量通用的MobileViT结构（一）Transformer，轻量级、通用且移动友好的视觉转换器，高效涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-11 3096
最新结合 ICLR2022 顶会|轻量通用的 MobileViT 结构 Transformer，轻量级、通用且移动友好的视觉转换器，MobileViT系列一, 本文将结合YOLO系列应用。
YOLO训练触发早停
最新发布
weixin_52236586的博客
07-25 181
日志：or use。
yolov5的主干网络backbone
06-28
### 回答1： YOLOv5的主干网络（backbone）采用的是CSPNet（CSPDarknet53）结构，这是一种高效的卷积神经网络结构，可以有效地提取图像特征。它基于Darknet53，通过使用Cross Stage Partial（CSP）连接来减少参数数量和计算量，同时保持高精度的目标检测性能。CSPDarknet53在处理大型图像数据集时表现优异，因此在YOLOv5中被广泛采用。 ### 回答2： YOLOv5是一种基于深度学习的目标检测算法，它使用了不同的主干网络(backbone)来提取特征并进行目标检测。主干网络是目标检测算法中最重要的组件之一，它负责处理输入图像并输出特征图，提高了目标检测的准确率和速度。 YOLOv5采用了两种不同类型的主干网络，即CSPDarkNet和EfficientNet。CSPDarkNet主干网络是一种改进版本的Darknet，它引入了Cross Stage Partial Network(CSP)模块，将输入特征图分成两部分进行处理，一部分直接通过多个CSP模块处理，另一部分在多个Residual Block中进行处理。这种结构有效地降低了复杂度，并提升了算法的性能。 EfficientNet主干网络则是一种基于强化学习的网络结构搜索方法，其目的是在保证网络模型大小和计算量不增加的情况下，提高网络的准确率。EfficientNet使用了一系列不同的网络结构，在网络中添加了多个可调节的超参数，如深度、宽度和分辨率等来搜索最佳网络结构。 综合来说，YOLOv5的主干网络(backbone)采用了不同的架构和技术，使得算法性能更加出色。CSPDarkNet采用了近似全卷积的方式提取特征，减少了参数量和计算量，EfficientNet则是在逐渐增大的网络结构中搜索最佳的网络结构，提高了算法的准确性和速度。这些不同类型的主干网络结合在一起，构成了YOLOv5目标检测算法强大的功能组件。 ### 回答3： YOLOv5是一种用于目标检测的神经网络模型，其主干网络（backbone）是由CSPDarknet53网络改进而来的。CSPDarknet53是Darknet53的一个变种，通过引入一种称为“cross-stage partial network”的特殊结构，来使网络运行速度更快且精度更高。 CSPDarknet53网络通过将网络分成两部分来实现跨阶段部分连接。在网络的中心，有一个名为CSP（cross-stage partial）的模块，将两个子网之间的连接简化为交叉连接。这使得网络各个部分之间的信息共享更加高效，从而提高了网络的准确性和效率。 跨阶段部分连接结构的另一个优点是它能够通过降低计算复杂度来加速网络的训练和推断速度。通过在网络的中心引入CSP模块，可以将网络的计算量减少至原来的一半左右。 除了CSPDarknet53，YOLOv5的主干网络还包括一个SPP模块（spatial pyramid pooling）。SPP模块可在不引入卷积操作的情况下改变特征图的大小，从而提高网络的感受野。这对于目标检测任务尤为重要，因为它允许网络对目标的各种尺度和大小进行检测。 总之，YOLOv5的主干网络backbone是由CSPDarknet53和SPP模块组成的改进网络。CSPDarknet53通过引入跨阶段部分连接结构来提高网络的信息共享效率和计算速度；SPP模块通过自适应池化操作来扩大网络的感受野，提高目标检测的精度和效率。
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

w94ghz

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