主干网络篇 | YOLOv5/v7 更换主干网络为 VGG13 / VGG16 / VGG19 | 对比实验必备

最新推荐文章于 2024-10-05 15:23:14 发布
最新推荐文章于 2024-10-05 15:23:14 发布
阅读量1.2k 收藏 15
点赞数 27
文章标签： 网络 YOLO
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_39818775/article/details/139844023
版权

主干网络篇 | YOLOv5/v7 更换主干网络为 VGG13 / VGG16 / VGG19 | 对比实验必备

1. 简介

YOLOv5/v7 是目前流行的实时目标检测框架之一，它以其快速、准确的检测性能而著称。然而，YOLOv5/v7 的默认主干网络通常是轻量级的，例如 Darknet53 或 CSPDarknet53，这可能会导致模型精度略逊于其他更复杂的模型。

VGGNet 是一种经典的卷积神经网络架构，它以其深度和丰富的特征提取能力而闻名。VGG13、VGG16 和 VGG19 是 VGGNet 的三个变体，它们分别具有 13、16 和 19 个卷积层。

本文将介绍将 VGG13/VGG16/VGG19 作为主干网络替换 YOLOv5/v7 中原有骨干网络的方案，并探讨 VGGNet 的架构设计和原理。

2. 原理详解

VGGNet 的核心思想是通过堆叠多个 3x3 卷积层和 2x2 池化层来提取特征。每个卷积层后紧接着一个 BatchNorm 层和一个 ReLU 激活函数。池化层用于降低特征图的空间分辨率，同时提高特征图的抽象程度。

VGG13、VGG16 和 VGG19 的主要区别在于它们的卷积层数量和每个卷积块的通道数。VGG13 具有 8 个卷积块，每个卷积块的通道数分别为 64、128、256、512、512、512、512、512。VGG16 具有 13 个卷积块，前 8 个卷积块与 VGG13 相同，后 5 个卷积块的通道数分别为 512、512、512、1024、1024。VGG19 具有 16 个卷积块，前 13 个卷积块与 VGG16 相同，后 3 个卷积块的通道数分别为 512、512、4096。

3. 应用场景解释

将 VGG13/VGG16/VGG19 作为主干网络替换 YOLOv5/v7 中原有骨干网络具有以下优势：

  • 提高模型精度: VGGNet 的深度和丰富的特征提取能力可以显著提高模型的精度。
  • 扩展模型应用场景: VGGNet 可以应用于更复杂的场景，例如医学图像分析、遥感图像分析等。

4. 算法实现

将 VGG13/VGG16/VGG19 作为主干网络替换 YOLOv5/v7 中原有骨干网络的具体步骤如下：

  1. 选择 VGGNet 架构: 根据需求选择合适的 VGGNet 架构，例如 VGG13、VGG16 或 VGG19。
  2. 修改 YOLOv5/v7 代码: 修改 YOLOv5/v7 代码，将原有的骨干网络替换为 VGGNet 架构。
  3. 训练模型: 训练模型并评估其性能。

5. 完整代码实现

impo
最低0.47元/天 解锁文章
wei子
关注
YOLOV5 改进：更换主干网络为vgg16（包含迁移学习）
Henry的博客
03-28 839
下面head的部分要根据层数更改成这样。这个在mobilenet那里有详细介绍，很简单的，不多赘述。
深度学习总结（lecture 6）VGG13、16、19
malele4th
02-28 1万+
lecture 6：VGG13、16、19 目录 lecture 6：VGG13、16、19 目录 1、VGG结构 2、VGG结构解释 3、3*3卷积核的优点 4、VGG的 Multi-Scale方法 5、VGG应用 1、VGG结构  LeNet5用大的卷积核来获取图像的相似特征  AlexNet用9*9、11*11的滤波器  VGG ...
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
qq_45972324的博客
09-09 645
在本文中，我们介绍了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及各种不同模型大小的最先进的性能。我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。此外，我们还演示了如何通过简化的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。基于倒置残差结构，其中快捷方式连接位于薄瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性的来源。
tensorflow-yolo-vgg16
05-18
张量流 使用vgg16 pretrian模型训练YOLO tensorflow 1.4.0 python 3.6.0 数据集： ln -s $ your_data数据/语音 python preprocess_pascal_voc.py 火车： python工具/train.py
YOLO11改进 | 卷积模块 | 轻量化GSConv替换普通的conv
kay_545
10-05 2406
yolo11，GSConv，卷积模块
YOLOV5 改进：替换backbone为Vgg
Henry的博客
03-20 512
参考上一章的博文（）将yolov5的backbone换成自定义的vgg网络网络参数量很多，并且刚开始训练的时候精度很差，应该是没有迁移学习导致的。大概经历了30-40多个epoch，网络才进行收敛， 加大epoch可以提升网络的精度。不过由于vgg的参数量太多了，这里只训练100个epoch，感兴趣的可以自己尝试下。
主干网络篇 | YOLOv5/v7 更换主干网络之 ResNet50/ResNet101 | 对比实验必备
YOLOv8项目贡献者
01-02 2283
YOLOv5/v7 更换主干网络之 ResNet50/ResNet101
《YOLOv5/v7进阶实战专栏》专栏介绍 & 专栏目录 《提供 YOLOv5-Magic 私域代码框架》
热门推荐
YOLOv8项目贡献者
10-28 2万+
yaml文件包含YOLOv5 YOLOv7 YOLOv7-tiny ！🌟🌟🌟
改进YOLO系列 | YOLOv5/v7引入PSAModule | 高效金字塔压缩注意力模块
YOLOv8项目贡献者
06-06 1080
YOLOv5/v7引入PSAModule | 高效金字塔压缩注意力模块
keras-YOLOv3-mobilenet：我将yolov3的后端转移到Mobilenetv1，VGG16，ResNet101和ResNeXt101
02-06
keras-yolo3-Mobilenet 介绍 灵感来自的YOLOv3（Tensorflow后端）的。 然后将darknet53的后端更改为 移动网 VGG16 ResNet101 ResNeXt101 在开放数据集上进行实验 型号名称 输入尺寸 动车组 测试集 地图 速度 聚苯乙烯 YOLOv3-Mobilenet 320x320 VOC07 VOC07 64.22％ 29fps 1080Ti上的Keras YOLOv3-Mobilenet 320x320 挥发性有机化合物07 + 12 VOC07 74.56％ 29fps 1080Ti上的Keras
【YOLOv7/YOLOv5系列算法改进NO.48】构建新的轻量网络—Slim-neck by GSConv（2022CVPR）
m0_70388905的博客
12-06 6314
最新轻量网络GSConv，2022年CVPR顶会文章，值得一试。
替换YOLOv5主干网络
Kelly_Ai_Bai的博客
12-17 1238
可以看到 vgg16 模型主要由 feature (特征提取层：做特征提取) 、avgpool (池化层) 以及 classifier (分类层) 组成，要替换YOLOv5的主干网络，其实就是要将YOLOv5的特征提取层用vgg16的特征提取层进行替换。如图所示，可以看到 torchvision.models 下面有很多模型, 比如 vgg16,resnet50,AlexNet,resnet18等等，在这里我选择 vgg16 模型 来替换YOLOv5的主干网络。首先写一个 demo.py 文件来查看。
卷积神经网络CNN和SSD、YOLO、Lenet、Alexnet、VGG等的关系
zzhhjjjj的博客
02-04 1万+
CNN，卷积神经网络，是以卷积为核心的一大类网络。 LeNet、AlexNet、VGG、GoogLeNet，属于CNN。 RCNN、Fast RCNN、Faster RCNN、YOLO、YOLOv2、SSD，也属于CNN，但和2是另一条路线。 2和3的区别在于，2属于用于图像分类的CNN，3属于用于目标检测的CNN ...
YOLOv7升级换代：EfficientNet骨干网络助力更精准目标检测
学Java，找哪吒
05-08 9886
目标检测是计算机视觉中的重要研究方向，其应用广泛，例如自动驾驶、安防监控等。目前，基于深度学习的目标检测方法已经取得了很大进展，其中YOLO（You Only Look Once）系列模型以其快速且准确的特点备受关注。
YOLOv7改进 | 更换主干网络之GhostNet
突然好想你
02-27 1144
GhostNet是一种轻量级的卷积神经网络架构，它的设计目标是在保持高精度的同时，减少模型的参数和计算量，以便在资源受限的设备上进行高效推理。GhostNet在多个计算机视觉任务上取得了很好的性能，如图像分类、目标检测和人脸识别等！~🌈
主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络
weixin_39818775的博客
06-29 1763
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，MobileNetV3 应运而生。MobileNetV3 是一种基于神经网络架构搜索（NAS）的轻量级卷积神经网络架构，它通过探索不同网络结构的组合，以最小化的计算代价获得最大化的精度，实现了模型的轻量化和高效性。
主干网络篇 | YOLOv5/v7 更换骨干网络之 PP-LCNet | 轻量级CPU卷积神经网络
weixin_39818775的博客
06-26 1251
YOLOv5 和 YOLOv7 是目前主流的目标检测算法之一，具有速度快、精度高的特点。但 YOLOv5 和 YOLOv7 的原始模型结构中使用的是 MobileNetV3 作为骨干网络，该网络在 CPU 上的推理速度相对较慢。PP-LCNet 是一种轻量级的卷积神经网络，在 CPU 上具有较快的推理速度，同时能够保持较高的精度。为了进一步提升 YOLOv5 和 YOLOv7 在 CPU 上的推理速度，本文提出了一种改进的 YOLOv5/v7 模型，将骨干网络替换为 PP-LCNet。
CNN、RCNN、YOLO、Alexnet、VGG、SSD。。。之间的关系
wwy
03-05 9579
初入深度学习之前，就对CNN、VGG、YOLO这几个大佬有所耳闻，听说在图像这块表现都挺优秀，本事挺大。正好最近要开始做图像，就打算去一一拜访下这些大佬。 首先拜访的就是CNN。看了一遍之后感觉像是打王者一样，就是一技能（卷积+激励），二技能（池化），放大招（全连接），再加点其他装备，就把对手的血（图像特征）打掉的差不多了。但是大招养成的时间太慢，全程都是在循环复用一技能和二技能，最后用了下大招...
Res-UNet模型结构详解
最新发布
01-06
### Res-UNet 模型架构详细说明 #### 基础 UNet 结构 Res-UNet 的基础是经典的 U-Net 架构，该架构由编码器路径和解码器路径组成。编码器负责提取图像中的高层次特征，而解码器则通过逐步上采样来恢复空间分辨率并生成最终的分割图。 #### 编码器部分 编码器通常采用预训练的卷积神经网络（CNN），如 VGG 或 ResNet 作为骨干网络。每一层都包含多个卷积操作以及池化层用于下采样。这种设计有助于捕捉不同尺度下的语义信息[^4]。 ```python import torch.nn as nn class EncoderBlock(nn.Module): def __init__(self, in_channels, out_channels): super(EncoderBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(out_channels) self.relu = nn.ReLU(inplace=True) self.pool = nn.MaxPool2d(kernel_size=2) def forward(self, x): x = self.conv1(x) x = self.bn1(x) x = self.relu(x) return self.pool(x), x ``` #### 解码器部分 解码器的任务是对来自编码器的信息进行重构，并逐渐提高输出的空间维度直至与输入一致。它利用跳跃连接将低级特征与高级抽象相结合，从而增强局部定位能力。此外，在某些版本中引入了残差模块以促进梯度传播。 ```python class DecoderBlock(nn.Module): def __init__(self, in_channels, mid_channels, out_channels): super(DecoderBlock, self).__init__() self.upconv = nn.ConvTranspose2d(in_channels, mid_channels, kernel_size=2, stride=2) self.conv1 = nn.Conv2d(mid_channels * 2, out_channels, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(out_channels) self.relu = nn.ReLU(inplace=True) def forward(self, x, skip_connection): x = self.upconv(x) x = torch.cat([skip_connection, x], dim=1) x = self.conv1(x) x = self.bn1(x) return self.relu(x) ``` #### 加权注意力机制 为了进一步提升模型的表现力，特别是在处理复杂背景的情况下，加入了加权注意机制。这一改进允许网络更加关注于那些对于分类至关重要的区域，进而改善整体性能。具体来说，权重被分配给每个像素位置上的响应值，以便突出显示目标对象及其边界[^1]。 ```python class AttentionGate(nn.Module): def __init__(self, F_g, F_l, F_int): super(AttentionGate, self).__init__() self.W_g = nn.Sequential( nn.Conv2d(F_g, F_int, kernel_size=1), nn.BatchNorm2d(F_int)) self.W_x = nn.Sequential( nn.Conv2d(F_l, F_int, kernel_size=1), nn.BatchNorm2d(F_int)) self.psi = nn.Sequential( nn.Conv2d(F_int, 1, kernel_size=1), nn.BatchNorm2d(1), nn.Sigmoid()) def forward(self, g, x): g1 = self.W_g(g) x1 = self.W_x(x) psi = self.psi(torch.add(g1,x1)) return x * psi ``` #### 超参数调整 针对特定应用场景的需求，可以通过实验确定最佳配置方案。例如，在 Synapse 数据集的研究表明适当调节上采样的方式及优化算法的选择能够显著影响最终效果[^3]。
评论
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