YOLOv3+small_mobilenetv3(change backbone)

最新推荐文章于 2024-01-22 19:36:33 发布
最新推荐文章于 2024-01-22 19:36:33 发布
阅读量3.8k 收藏 10
点赞数 1
分类专栏： experiment
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/shitDjango/article/details/90695397
版权
本文介绍了将small_mobilenet3作为YOLOv3模型的backbone进行优化，详细阐述了small_mobilenet3_yolo_body的构建过程，讨论了train_model_size的选择，并提及在不同设置下detection_fps的变化，以及在wider_eval.m评估中的性能表现。尽管模型压缩了2500%，速度提升了10倍，但模型性能下降了25%左右。
摘要由CSDN通过智能技术生成
1 backbone：small_mobilenet3

在这里插入图片描述

2 small_mobilenet3_yolo_body(inputs, num_anchors, num_classes):

在这里插入图片描述

3 train_model_size
  • save_weight_only=False
    在这里插入图片描述
  • save_weight_only=True
    在这里插入图片描述
4 detection_fps
  • fps_cpu:4-7（1920×1080单路视频 + intel core i7-7th）
最低0.47元/天 解锁文章
oneDjango
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 12
    评论
专栏目录
YoloV8改进策略：主干网络篇|MobileNetV4主干替换YoloV8的BackBone（独家原创）
m0_47867638的博客
06-08 1150
今年，轻量级王者MobileNetV4闪亮登场！在我们这篇文章里，我们把MobileNetV4加入到了YoloV8中，替换原有的BackBone。哈哈，你猜怎么着？效果超赞！文章里详细记录了改进过程，给那些正在为创新点子发愁的小伙伴们提供了满满的灵感。嘿，想要发表关于轻量级改进的论文？这篇文章绝对是你的首选参考！
计算机视觉系列-YOLOX 在 MMDetection 中复现全流程解析（五）
段智华的博客
07-29 1134
计算机视觉系列-YOLOX 在 MMDetection 中复现全流程解析（五） # YoloX 简介 论文：YOLOX: Exceeding YOLO Series in 2021 论文链接：[https://arxiv.org/abs/2107.08430](https://arxiv.org/abs/2107.08430)
mobilenetv3-yolov3 预训练模型 4 class
05-11
https://github.com/tanluren/mobilenetv3-yolov3 的训练模型，large版的，4class
Yolov8训练自己的数据集（DIOR）
最新发布
weixin_43365477的博客
01-22 1067
然后安装ultralytics。2.准备数据集+配置文件在训练YOLOv8时，选择的数据格式是VOC，然后将数据集转换成可以直接让YOLOv8进行使用。（数据集转换格式请参照此篇文章配置文件dior.yaml。
DIOR数据集标签文件xml转YOLOv5适用的txt文件
m0_47046098的博客
10-04 1381
DIOR数据集标签文件xml转YOLOv5适用的txt文件
【深度学习目标检测】一、基于yolov3的水果商品检测分类
AI爱好者的博客，分享计算机领域相关知识
04-28 9648
基于深度学习的水果商品检测分类 看到一个水果数据集，共包含3种水果（苹果、香蕉、橘子），正好在学习yolo，就用yolo做个实践，检测水果并识别其种类。 原图及检测效果图如下： 数据集介绍 数据集格式为VOC格式，共包含3类图片（苹果，香蕉和橘子），每类有100张图片，其中80张用于训练集，20张用于验证集。 数据集目录如下： 数据集部分图片： 检测模型 本文采用YOLOV3算法进行目标检测，backbone选择MobileNetV3，使用PaddleDetection进行训练，训练250轮结果后，
yolov3+mobilenet+darknet
03-11
3. **使用更高效的 backbone 网络**：尽管YOLOv2使用了更轻量级的网络DarkNet-19，但YOLOv3则进一步优化了基础网络结构，引入了MobileNetV2或类似架构。MobileNet系列网络以低计算复杂度和高效率著称，适合资源有限...
yolov5+v4+v3+deepsort_ckpt.t7.zip
05-29
YOLOv4则在YOLOv3的基础上进行了大量的改进和组件优化，包括采用更复杂的backbone网络CSPDarknet-53，引入了SPP-Block、Mish激活函数、DropBlock等技术，以及对数据增强、训练策略的优化。这些改进使得YOLOv4在速度...
tensorrtx 实现 yolov5 + dcnv2
03-20
将 yolov5x yaml backbone 前3层 conv 改成 dcnconv 参考 tensorrx yolov5 , 实现 tensorrt 推理。 backbone: # [from, number, module, args] [[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 [-1, 1, DCN, [128, 3, ...
YOLOV5+源码详细解读资源合集
06-12
Neck⽹络：⽬标检测⽹络在BackBone与最后的Head输出层之间往往会插⼊⼀些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的...
mobilenetv3-yolov3 训练模型
05-11
https://github.com/tanluren/mobilenetv3-yolov3 上的预训练模型，20分类，要class相同才能用
yolov5+改进策略+案例分析+资源合集
05-30
Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数GIOU_Loss，以及预测框筛选的...
MobileNetV3_YoloV3_Pytorch更改backbone与ncnn落地纪实
weixin_45915902的博客
03-02 3844
1. MobileNetV3网络介绍 2. DrakNet53网络介绍 3. 使用MobileNetV3替换DrakNet53 4. 数据集制作 5. GIOU替换 6.模型输出tensor详解 7. NCNN前向推理 #include<time.h> #include <stdio.h> #include <vector> #include <openc...
YOLOv5改进主干系列：基于互补搜索技术和新颖架构设计组合MobileNetV3结构作为Backbone主干网络，打造不同的检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-29 4699
基于互补搜索技术和新颖架构设计组合MobileNetV3结构作为YOLOv5的Backbone主干网络
MobilenetV1、V2、V3系列详解
turned的博客
05-03 8179
Mobilenet系列模型作为当前主流的端侧轻量级模型被广泛应用，很多算法都会使用其作为backbone提取特征，这一章对Mobilenet系列模型V1,V2,V3做一个总结。
YOLOv5结合轻量化网络MobileNetv3
weixin_44808161的博客
07-13 1万+
对YOLOv5网络结构进行修改
YOLOv5结合MobileNetV3-small与MobileNetV3-large
m0_58996495的博客
11-23 4143
YOLOv5结合MobileNetV3-small与MobileNetV3-large
【DETR】训练自己的数据集-实践笔记
热门推荐
gsgs1234的博客
07-14 2万+
DETR，基于transformer的目标检测，数据集：NWPU。 训练自己的数据集实践笔记及问题总结
YOLOv3+FPN
09-09
YOLOv3 FPN是YOLOv3目标检测算法中的一个组件。在YOLOv3算法中，Neck网络用于连接Backbone与最后的Head输出层之间，以提取更高级别的特征。FPN（Feature Pyramid Network）是一种常用的Neck网络结构，它通过在不同层级上建立特征金字塔来提取多尺度的特征信息。通过使用FPN，YOLOv3能够更好地捕捉不同尺度目标的特征，提高检测精度和准确性。 在YOLOv3中，Head输出层采用了与YOLOv4相同的锚框机制。锚框是用于预测目标位置和类别的边界框。此外，YOLOv3对训练时的损失函数GIOU_Loss进行了改进，以及对预测框进行筛选的优化。这些改进使得YOLOv3在目标检测任务中表现出更好的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 12
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
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