【YOLOv8改进 - Backbone主干】ShuffleNet V2：卷积神经网络（CNN）架构

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

在ShuffleNet v2的文章中作者指出现在普遍采用的FLOPs评估模型性能是非常不合理的，因为一批样本的训练时间除了看FLOPs，还有很多过程需要消耗时间，例如文件IO，内存读取，GPU执行效率等等。作者从内存消耗成本，GPU并行性两个方向分析了模型可能带来的非FLOPs的行动损耗，进而设计了更加高效的ShuffleNet v2。ShuffleNet v2的架构和DenseNet[4]有异曲同工之妙，而且其速度和精度都要优于DenseNet。

文章链接

论文地址：论文地址

代码地址代码地址

参考代码：代码地址

基本原理

ShuffleNet V2是一种新颖的卷积神经网络（CNN）架构，旨在实现高效和准确的图像分类和目标检测任务。

1. 构建模块：ShuffleNet V2的架构由构建模块组成，这些模块被堆叠起来构建整个网络。这些构建模块被设计为高效，允许使用更多的特征通道和更大的网络容量[T2]。

2. 空间下采样：在ShuffleNet V2中，通过修改单元并将输出通道数量加倍来实现空间下采样。这种修改增强了网络的效率，同时保持准确性[T2]。

3. 感受野增强：为了改善ShuffleNet V2在检测任务上的性能，通过在每个构建模块的逐点卷积之前引入额外的3x3深度卷积来扩大网络的感受野。这种增强被标记为ShuffleNet V2*，可以在几乎不增加计算成本的情况下提高准确性[T1]。

ShuffleNet v2结构