【轻量化】YOLOv10 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》

已于 2024-07-01 15:46:38 修改
阅读量287 收藏 1
点赞数 1
分类专栏： YOLOv10改进实战 文章标签： YOLO
于 2024-07-01 15:42:28 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/140102871
版权
YOLOv10改进实战 专栏收录该内容
30 篇文章 21 订阅 ¥299.90 ¥399.90
订阅专栏

在这里插入图片描述
论文地址：https://arxiv.org/pdf/2404.10518
代码地址：https://github.com/tensorflow/models/blob/master/official/vision/modeling/backbones/mobilenet.py

文章速览

文章摘要

MobileNetV4引入了一个名为Universal Inverted Bottleneck (UIB) 的新搜索模块，这个模块融合了倒瓶颈 (Inverted Bottleneck, IB)、ConvNext、前馈网络 (Feed Forward Network, FFN) 以及一个新的Extra Depthwise (ExtraDW) 变体。此外，还提出了一个名为Mobile MQA的注意力模块，特别适用于移动加速器，能够提高39%的速度。通过优化的神经架构搜索 (NAS) 配方，这些模块整合在一起，形成了一套适用于各种硬件（如移动CPU、DSP、GPU以及专用加速器）的新一代MobileNetV4模型。这些模型在大多数设备上表现出帕累托最优 (Pareto optimal) 的特性。

引言

现代移动设备上的神经网络需要在效率和精度之间取得平

了解本专栏 订阅专栏 解锁全文
迪菲赫尔曼
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
订阅专栏
YOLOv10改进 | 主干篇 | YOLOv10引入MobileNetV4
tsg6698的博客
06-16 644
在其核心，我们引入了通用倒瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）和新颖的额外深度（ExtraDW）变体。Mobile MQA是MNv4的另一个关键组件，这是一个为移动加速器量身定制的注意力块，提供了超过39%的推理加速。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YOLOv10改进有效涨点专栏，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~
Mobilenet-YoloV4
weixin_63967970的博客
08-15 61
CSPDarknet53获取到的三个初步特征实际上只是三个特征层而已，如果可以找到Mobilenet系列网络当中特征层高宽和CSPDarknet53有效特征层高宽相同的特征层，就可以将这些特征层替换原始的CSPDarknet53的特征层，这个时候就可以将Mobilenet系列网络的特征层传入到加强特征提取网络进行加强特征提取，这样就把可以将Mobilenet系列网络应用到YOLOv4网络当中了。
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 1531
号称最强轻量化网络 MobileNetv4
YOLOv8改进策略|MobileNetv4替换主干网络
m0_61698839的博客
07-08 1447
yolov8的改进策略分享|采用mobilenetv4对yolov8的主干网络进行替换
MobileNetV4——移动生态系统的通用模型
AI浩
04-26 1940
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
YOLOv8改进：利用MobileNetV4增强主干网络
最新发布
走向CTO的路上...
07-14 670
YOLOv8作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著进步。然而，其主干网络结构较为复杂，在部署于移动端或嵌入式设备时会遇到性能瓶颈。为了解决这一问题，本文提出了一种利用MobileNetV4增强YOLOv8主干网络的方法，以提升模型的轻量性和精度。利用 MobileNetV4 的 UIB 模块可以有效增强 YOLOv8 的主干网络，降低模型复杂度，提升模型精度，使其能够在移动端或嵌入式设备上部署使用，这对于推动目标检测技术在移动端和嵌入式设备上的应用具有重要意义。return x。
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 4698
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
模型轻量化-YOLOv5无损剪枝
10-28
运行顺序： 1. 原始训练，得到一个最优mAP等评价指标 2.通过调整BN稀疏值sr，运行train_sparity.py稀疏训练得到一个稍微小的模型 3. 将训练好的last.pt 放到prune.py 中进行剪枝，控制剪枝率...4. Finetune得到最优模型
基于轻量化YOLOv3卷积神经网络的苹果检测方法.pdf
09-25
基于轻量化YOLOv3卷积神经网络的苹果检测方法.pdf 本文提出了一种基于轻量化YOLOv3卷积神经网络的苹果检测方法，以解决苹果采摘机器人在复杂果树背景下的检测问题。该方法首先对传统YOLOv3深度卷积神经网络架构进行...
基于改进YOLOv8的轻量化车辆检测网络
07-13
【作品名称】：基于改进YOLOv8的轻量化车辆检测网络 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： 项目介绍 # ...
yolov7替换骨干网络为mobilenetv3-small的配置文件yaml
08-10
yolov7替换骨干网络为mobilenetv3_small的配置文件yaml
YOLOv8改进 更换轻量化模型MobileNetV3
分享一些自己改进代码的实例
01-03 8999
本文在yolov8的结构中更换了轻量化模型MobileNetV3，可以在移动设备和资源受限的环境下进行实时图像分类和目标检测任务，助力涨点！！！
番外篇 | YOLOv8改进之更换主干网络MobileNetv3 + 添加CA注意力机制
突然好想你
05-21 804
MobileNetv3是一种轻量级网络，采用了深度可分离卷积等轻量化技术，具有较小的模型参数量和计算复杂度，适合在计算能力较弱的设备上运行。本节课就让我们结合论文来对YOLOv8进行组合改进（更换主干网络MobileNetv3 + 添加CA注意力机制），希望同学们学完本节课可以有所启迪！🌈
【混合轻量化】MobileNetV4 - Universal Models for the Mobile Ecosystem
qq_40734883的博客
05-04 4861
MobileNetV4（MNv4）引入了通用倒置瓶颈（UIB）搜索块，这是一个统一而灵活的结构，融合了**倒置瓶颈（IB）、ConvNext、前馈网络（FFN）**和一种新颖的**额外深度卷积（ExtraDW）**变体。除了UIB，还提出了**Mobile MQA**，这是一个专为移动加速器量身定制的注意力块，提供了显著的39%加速。还介绍了一种经过优化的神经架构搜索（NAS）配方，提高了MNv4搜索的有效性。
主干网络篇 | YOLOv8更换主干网络之MobileNetV3
突然好想你
03-23 743
MobileNetV3是一种轻量级的卷积神经网络架构，用于图像分类和目标检测任务。它是MobileNet系列的第三个版本，旨在在保持高准确性的同时减少模型的计算量和参数数量！~🌈
【读点论文】MobileNetV4 - Universal Models for the Mobile Ecosystem，用屋顶线探索硬件极限，提升计算效率和精度平衡点
白水空空
05-07 1319
具体而言，MNv4-Conv-M模型比MobileOne-S4和FastViT-S12都快50%以上，同时在相当的延迟下，也比MobileNet V2将Top-1的准确性提高了1.5%。值得注意的是，我们使用现代训练配方增强了MobileNet系列（V1、V2、V3），从而大幅提高了准确性：MobileNet V1的准确率提高了3.4%，达到74.0%，V2的准确率增加了1.4%，达到73.4%，V3的准确率增加了0.3%，达到75.5%。FC层和DW-Conv2D在低RP下是便宜的，在高RP下是昂贵的。
主干网络篇 | YOLOv5/v7 更换主干网络之 SwinTransformer | Vision Transformer using Shifted Windows
YOLOv8项目贡献者
04-13 5826
YOLOv5/v7 更换主干网络之 SwinTransformer
【YOLOv8改进- Backbone主干】2024最新轻量化网络MobileNetV4替换YoloV8的BackBone
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。
07-11 206
摘要：我们介绍了最新一代的MobileNets，称为MobileNetV4（MNv4），其架构设计在移动设备上具有通用的高效性。核心是我们引入了通用倒置瓶颈（UIB）搜索模块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及一种新颖的额外深度可分离（ExtraDW）变体。除了UIB，我们还介绍了Mobile MQA，一种专为移动加速器设计的注意力模块，提供显著的39%速度提升。我们还引入了一种优化的神经架构搜索（NAS）配方，提高了MNv4的搜索效率。UIB、Mob
yolov7轻量化改进 MobileNetV3
09-09
Yolov7是基于Yolov3的改进版本，而MobileNetV3是一种轻量级的卷积神经网络模型。如果要将Yolov7与MobileNetV3结合，可以通过将Yolov7的特征提取部分替换为MobileNetV3来实现轻量化改进。 MobileNetV3在模型设计上引入了一些创新，例如使用了一种称为"轻量化倒残差"（Lightweight Inverted Residuals）的结构，以及一种称为"可分离卷积"（Depthwise Separable Convolution）的卷积操作。这些设计可以在减少参数量和计算复杂度的同时，保持较高的检测精度。 对于Yolov7来说，可以将其原有的卷积层替换为MobileNetV3的轻量化倒残差结构和可分离卷积操作。这样的改进可以使Yolov7在保持较高检测精度的同时，减少模型参数量和计算复杂度，使其更适合在移动设备等资源有限的环境中部署和运行。 需要注意的是，具体的改进方式可能需要根据实际情况进行调整和优化，以最大程度地提升模型性能和效果。
评论 3
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

迪菲赫尔曼

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