【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之 PP-LCNet，轻量级CPU卷积神经网络，降低参数量

YOLO目标检测创新改进与实战案例专栏

专栏目录： YOLO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: YOLO基础解析+创新改进+实战案例

介绍

摘要

我们提出了一种基于MKLDNN加速策略的轻量级CPU网络，命名为PP-LCNet，它在多项任务中提高了轻量级模型的性能。本文列出了在延迟几乎不变的情况下能够提高网络准确性的技术。通过这些改进，PP-LCNet在相同推理时间内的分类准确性可以大大超过之前的网络结构。如图1所示，它的性能优于最先进的模型。在计算机视觉的下游任务中，如目标检测、语义分割等，它也表现得非常出色。我们所有的实验都是基于PaddlePaddle1进行的。代码和预训练模型可在PaddleClas2中找到。

文章链接

论文地址：论文地址

代码地址：代码地址

代码地址：代码地址

基本原理

PP-LCNet是一种基于MKLDNN加速策略的轻量级CPU卷积神经网络，旨在提高轻量级模型在多个任务上的性能。该网络通过一系列技术原理和改进，实现了在保持低延迟的同时提高准确性和效率。

1. 网络架构：PP-LCNet采用了一种轻量级的卷积神经网络架构，结合了MKLDNN加速策略，使其在CPU上能够高效运行。网络结构经过精心设计，旨在在保持高性能的同时减少计算和内存消耗。

2. 技术原理：

   • H-Swish和大核卷积：PP-LCNet利用H-Swish激活函数和大核卷积技术来提高模型性能，同时几乎不增加推理时间。
   • SE模块：通过添加少量SE模块可以进一步提升模型性能。
   • 全局平均池化后的大型全连接层：在全局平均池化层后增加一个较大的全连接层可以显著提高准确性。
   • Dropout策略：在涉及相对较大矩阵的情况下&