主干网络篇 | YOLOv5/v7 更换骨干网络之 GhostNet | 从廉价的操作中生成更多的特征图
1. 简介
近年来,深度卷积神经网络(CNN)在图像识别、目标检测等领域取得了巨大进展。然而,随着模型复杂度的不断提升,模型训练和部署所需的计算资源也呈指数级增长,这对于资源受限的设备和平台带来了挑战。
为了解决这个问题,GhostNet 应运而生。GhostNet 是一种轻量级的卷积神经网络架构,它通过引入“Ghost Module”来从廉价的操作中生成更多的特征图,以提高模型的性能和效率。
本文将介绍将 GhostNet 作为主干网络替换 YOLOv5/v7 中原有骨干网络的方案,并探讨 GhostNet 的架构设计和原理。
2. 原理详解
GhostNet 的核心思想是通过引入“Ghost Module”来从廉价的操作中生成更多的特征图。Ghost Module 由两个部分组成:
- Cheap Operation: Ghost Module 的第一部分是一个廉价的操作,例如深度卷积(Depthwise Convolution)或分组卷积(Grouped Convolution)。这些廉价的操作可以显著减少模型的参数量和计算量。
- Feature Expansion: Ghost Module 的第二部分是一个特征扩展操作