各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)

最新推荐文章于 2025-04-06 00:26:30 发布
最新推荐文章于 2025-04-06 00:26:30 发布
阅读量9.2k 收藏 46
点赞数 5
分类专栏： object detection 文章标签： 深度学习 pytorch python
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/weixin_38346042/article/details/129777180
版权
本文对比了不同类型的卷积操作，包括Conv2D、Depthwise Convolution (DWConv)、Ghost Convolution (GhostConv)、Pointwise Convolution (PConv) 和 Deformable Convolution (DCNV)。结果显示，GhostConv在速度和参数量上表现出色，而Conv2D的性能最差。文中还提供了在Ubuntu和Windows系统的安装指南，以及用于性能测试的代码示例和可视化结果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1. 各类Conv性能对比

在这里插入图片描述

  • 对比的卷积包括: Conv2D,Depth-Conv2d(DW),Ghost-Conv2D,GSConv2D,DSConv2D,PConv2D,DCNV2(可变形卷积)、DCNV3(可变形卷积)
  • 可以看出来性能最好的是Ghost-Conv2d，mean_time为0.00623;其次是DSConv2D性能也非常好,mean_time为0.00683。性能最差很自然就是我们的普通卷积Conv2D
  • PConv是最新提出来的，速度也是飞快的，参数量和mean_time是最少的。但正常使用的时候不是单独使用PConv, 它还会做一些其他的卷积操作，通过组成Block形式嵌入到模型中，比如Faster_Block，因此单独看PConv速度性能是无法对比的。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【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 3545
【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
YOLOv5改进 | Conv篇 | 利用DCNv3卷积优化C3 | 无需编译Windows完美运行（附代码 + 修改教程）
Snu77的博客
02-07 2242
到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv5改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新。
各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV)
03-26
各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV),包括推理时间，GFlops,FPS
【保姆级教程|YOLOv8替换卷积】替换改进GhostConv模块（轻量化网络）（包运行）（毕设、小论文必看）
最新发布
anzhi_1211的博客
04-06 1966
博客主要详细教学了在YOLOv8中替换GhostConv的超详细步骤，基本大家只要按步骤来就肯定可以复现成功，后续博主也会再更新一些关于YOLOv8的其他改进方法，期待大家多多关注！！！大家有想看的内容也可以在评论区留言！
轻量级网络Ghostnet(GhostConv(幻影卷积)、Ghost BottleNeck)详解
热门推荐
weixin_43960370的博客
04-22 3万+
该论文提供了一个全新的Ghost模块，旨在通过廉价操作生成更多的特征图。基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的“Ghost”特征图（Ghost feature maps）。该Ghost模块即插即用，通过堆叠Ghost模块得出Ghost bottleneck，进而搭建轻量级神经网络——GhostNet。
即插即用的涨点模块之变体卷积（Ghost卷积）详解及代码，可应用于检测、分割、分类等各种算法领域
qq_51511878的博客
04-21 1万+
来源：CVPR2020官方代码：https://github.com/huawei-noah/ghostnetGhost 模块是一种针对卷积神经网络（CNN）的创新设计，特别适用于嵌入式设备，这些设备通常具有有限的内存和计算资源。Ghost 模块的核心思想是利用已有的特征图（feature maps）通过低成本的线性变换生成更多的“幽灵”特征图（ghost feature maps），从而提高网络的计算效率。
YOLOv9独家原创改进|加入幽灵卷积Ghost Convolution模块，轻量化！
深度学习炼丹师，偶尔分享炼丹技术!
03-04 6398
由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络是困难的。特征图中的冗余是那些成功的细胞神经网络的一个重要特征，但在神经结构设计中很少进行研究。本文提出了一种新的Ghost模块，通过少量的计算生成更多的特征图。基于一组内在特征图，我们以低廉的成本应用一系列线性变换来生成许多重影特征图，这些重影特征图可充分揭示内在特征背后的信息。所提出的Ghost模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost瓶颈被设计为堆叠Ghost模块，然后可以轻松地建立轻量级GhostNet。
三大卷积方式的对比
whz2021的博客
09-03 1887
三大卷积方式的对比
conv2的不同卷积计算方法
张小圆的博客
11-23 535
-------------------------------------conv2函数---------------------------------------- 1、用法 C=conv2(A,B,shape);        %卷积滤波 复制代码 A:输入图像，B:卷积核        假设输入图像A大小...
[Deeplearning]dwconv
棉毛裤穿吗
08-31 1万+
dwconv 是由一个两部分卷积组成的一个网络 第一部分是depthwise conv 是分通道的一个卷积 就是每个卷积核对应input的每一个通道 有图好理解很多 如下 图源https://blog.csdn.net/tintinetmilou/article/details/81607721 因为上面每个层的特征都分开 没有有效的利用相同空间位置上不同层的有效信息，所以有了第二部分 第二部分是pointwise conv 它将第一部分各自独立的featuremap进行组合生成了新的 ..
解析Yolox的 Conv = DWConv if depthwise else BaseConv
ww_dskg的博客
11-14 4168
在YoloX源码中有这样一句： Conv = DWConv if depthwise else BaseConv 其含义如下： YoloX中存在两种卷积操作 BaseConv 和 DWConv 1、BaseConv 基础卷积操作： 卷积（nn.BatchNorm2d） -> batch归一化（nn.BatchNorm2d） -> 激活函数 2、DWConv 深度卷积： 基础卷积（BaseConv） -> 卷积核大小为1，步长为...
pytorch代码实现之Partial Convolution (PConv卷积)
DM_zx的博客
09-11 5981
Partial Convolution (PConv卷积)
PConv_in_tf:'使用部分卷积对不规则Kong进行图像修补'的第一个tensorflow主实例，使用tensorflow完全实现，而无需修改源代码-tensorflow source code
03-24
PConv_in_tf “使用部分卷积对不规则Kong进行图像修补”第一个tensorflow主实例，使用tensorflow完全实现，而无需修改源代码。 部分转化 使用curr_bin_mask表示当前二进制文件的掩码； conved_mask表示二进制掩码的卷积结果，对应于文本中的sum（M）； new_bin_mask表示卷积后的新二进制掩码，更新规则为： （（conved_mask == 0）== 0） 因此，局部卷积的计算如下： Pconv（x）=（Conv（x * curr_bin_mask）*隐蔽掩码+ b）* new_bin_mask 如文本中所述，使用新掩码的操作是为了确保无效输入为零。 网络结构 用局部卷积代替卷积 面膜生成 与原始版本不同，我使用opencv生成了一个掩码，并将无效零件输入设置为零。 为了确保面罩的不规则性而无填充，面罩部分中的单元数也是随机的，
各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV),包括推理时间，GFlops,FPS
03-29
由于各种卷积方法在不同的硬件平台和软件实现下的性能表现会有所不同，因此以下数据仅供参考，具体数据应根据具体的实验环境进行测试。 | 卷积方法 | 推理时间（ms） | GFlops | FPS | | -------- | --------------...
yolov8涨点系列之替换幽灵卷积GhostConv
zhang1379的博客
11-05 2420
yolov8涨点系列之替换幽灵卷积GhostConv
(即插即用模块-Convolution部分) 二、(CVPR 2023) PConv 部分卷积
wei582636312的博客
12-02 2702
论文中指出现有网络虽然可以通过降低 FLOPs 来提高速度，但 FLOPs 并不等于实际计算速度，因为内存访问也占用了大量时间。在此之前。深度可分离卷积 (DWConv) 虽然降低了 FLOPs，但增加了内存访问次数，导致计算速度反而下降。因此，需要一种新的算子，既能降低 FLOPs，又能保持较高的计算速度。所以论文提出一种部分卷积（Partial Convolution），PConv 利用特征图中的冗余信息，只对部分输入通道进行卷积操作，而保留其他通道不变。这样可以减少计算冗余和内存访问次数，从而提高计算
YOLOv8改进 | 卷积模块 | 用DWConv卷积替换Conv【轻量化网络】
kay_545
05-18 5043
YOLOv8改进，yolov8，yolov8创新，yolov8涨点
YOLOv5 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络
kay_545
03-28 4070
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。
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

@BangBang

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