YOLOV5轻量化改进-MobileNetV3替换骨干网络

最新推荐文章于 2024-08-10 17:36:42 发布
最新推荐文章于 2024-08-10 17:36:42 发布
阅读量8.7k 收藏 196
点赞数 22
分类专栏： 机器人视觉 文章标签： YOLO python 目标检测 深度学习 Powered by 金山文档
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_44597885/article/details/129314264
版权
本文介绍了如何将YOLOV5的骨干网络替换为MobileNetV3，涉及ymal、common.py、yolo.py和train文件的修改，通过这些步骤实现模型的轻量化。在训练过程中，详细说明了每个文件的改动，并展示了运行训练的截图。欢迎读者指出可能存在的错误。
摘要由CSDN通过智能技术生成

1、ymal文件修改

将models文件下yolov5s.py复制重命名如下图所示：

2、接着将如下代码替换，diamagnetic如下所示：

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 1  #
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOv5改进系列（5）——替换主干网络之 MobileNetV3
路人贾的博客
05-23 7999
手把手教你学会YOLOv5结合轻量化网络MobileNetV3。
YOLOv11改进策略【模型轻量化】| GhostNetV2：利用远距离注意力增强廉价操作
最新发布
qq_42591591的博客
10-13 157
本文记录的是基于GhostNet V2的YOLOv11目标检测轻量化改进方法研究。在目前的研究中，基于轻量级卷积神经网络在建模长距离依赖方面的不足，引入自注意力机制虽能捕获全局信息，但在实际速度方面存在较大阻碍。提出了一种硬件友好的注意力机制（DFC attention），并基于此构建。
YOLOv5-7.0改进（一）MobileNetv3替换主干网络
mw的博客
05-03 5095
本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~
【YOLOv5进阶】——替换主干网络（backbone）-MobileNet为例
weixin_51658186的博客
07-08 820
替换网络主体，即配置文件中的backbone，这里以轻量级网络MobileNet的替换为例，替换后网络参数数量降低了近一半，速度快了1倍左右，但训练效果指标相比之前不佳。
【YOLOv5/v7改进系列】替换骨干网络为VanillaNet
2401_84870184的博客
05-12 1195
yolov7-tiny、yolov5n/s替换骨干网络为华为诺亚方舟实验室和悉尼大学的研究人员合作完成VanillaNet
YOLOv5改进系列：替换主干网络为MobileNetV3的计算机视觉
IdfdFsharp的博客
09-18 744
目标检测是计算机视觉中的一个关键任务，而YOLOv5作为目标检测领域的先进方法，近年来备受关注。在YOLOv5的改进系列中，我们将探讨如何将MobileNetV3作为YOLOv5的主干网络。MobileNetV3通过引入一系列创新的模块和技术，提供了一种高效的解决方案，适用于移动设备和嵌入式系统。为了实现YOLOv5和MobileNetV3的结合，我们需要修改YOLOv5的代码，以将MobileNetV3作为主干网络。需要注意的是，这只是将MobileNetV3作为YOLOv5的主干网络的示例之一。
【YOLOv5/v7改进系列】替换骨干网络为PP-LCNet
2401_84870184的博客
05-13 1579
论文中提出了一系列技术改进措施，在几乎不增加延迟的前提下提高了网络的准确度，使得PP-LCNet在分类任务上显著超越了以往具有相同推理时间的网络结构，并且在对象检测、语义分割等计算机视觉下游任务上也展现出优越性能。在不同任务上的评估结果表明，PP-LCNet在COCO数据集上的目标检测任务中，与MobileNetV3相比，以更低的延迟实现了更高的mAP值；完成二后，在YOLOv5项目文件下的models文件夹下创建新的文件yolov7-tiny-pplcnet.yaml，导入如下代码。
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
qq_44224801的博客
08-03 547
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
【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 3591
号称最强轻量化网络 MobileNetv4
YOLOv8改进 更换轻量化模型MobileNetV3
热门推荐
分享一些自己改进代码的实例
01-03 1万+
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！！！
YOLOv8改进，MobileNetV3轻量化架构改进特征提取网络，助力涨点
weixin_44779079的博客
08-10 852
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
mobile-yolov5-pruning-distillation:mobilev2-yolov5s剪枝，蒸馏，支持ncnn，tensorRT部署。超轻但性能更好！
03-19
移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize
YOLO V5更换主干网络ShuffleNet v2
leiye1997的博客
08-03 605
self.depthwise_conv(branch_features, branch_features, kernel_size=3, stride=self.stride, padding=1),##加的。# self.depthwise_conv(inp, inp, kernel_size=3, stride=1, padding=1),###加的。###############----- ShuffleNetV2主干网络-----#######最后运行train.py 就可以啦！
yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例
小白不白
12-15 6240
efficientnet则是通过NAS搜索，同时增加width、depth以及resolution，使网络结构达到最优。下表为EfficientNet-B0的网络框架（B1-B7就是在B0的基础上修改Resolution，Channels以及Layers），可以看出网络总共分成了9个Stage。第一个Stage是一个卷积核大小为3x3，stride为2的普通卷积层（包含BN和Swish激活函数）；
YOLO轻量化改进 ， 边缘GPU友好的YOLO改进算法！
qq_53545309的博客
10-29 967
例如，尽管YOLOv3检测头有3个输出尺度，但在特征采集阶段可以使用4个不同的Backbone特征(3个与输出尺度相同的特征，第4个较浅的特征)，这样就可以利用更细粒度的low-level特征来提高模型性能。从图中可以看出，当增加使用预训练过的权值初始化的特征提取Backbone的比例时，模型的性能得到了提高，这也强调了迁移学习的重要性。此外，作者提出了一种新的迁移学习backbone采用的灵感是来自不同任务的转换信息流的变化，旨在补充特征交互模块，并提高准确性和推理速度的各种边缘GPU设备上的可用性。
YOLOv5改进之替换Backbone为MobileNetV3 Small
年少的勇气已经用完，剩下的就是三思而后行
01-29 2001
BestYOLO是一个以科研和竞赛为导向的最好的YOLO实践框架!目前BestYOLO是一个完全基于进行改进的开源库，该库将始终秉持以落地应用为导向，以轻便化使用为宗旨，简化各种模块的改进。目前已经集成了基于模型为Backbone的YOLOv5目标检测算法，同时也将逐渐开源更多YOLOv5应用程序。
YOLO系列改进 | YOLOF的小小改进升级之轻量化TE-YOLOF
与君共勉，一起学习
02-04 1141
显微图像中的血细胞分析通过识别不同的细胞对象在疾病识别领域中起着至关重要的作用。在血细胞领域，血液中有三种重要成分：白细胞（WBC）、红细胞（RBC）和血小板。这些血细胞的比例和数量严重影响医生对疾病的判断。因此，找到一种基于深度卷积神经网络的目标检测算法来准确高效地检测血细胞，可以提高医疗系统的效率。目标检测是寻找图像中物体坐标并对物体进行分类的研究，广泛应用于机器视觉、行人识别、异常检测等计算机视觉任务中，精确的目标检测算法让计算机代替了部分人工来手动检查实例。
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 6153
轻量化YOLOv5s模型
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV3【小白必备教程+附完整代码】
kay_545
05-18 2317
yolov5有效改进涨点，yolov5改进，yolov8
yolov7轻量化改进 MobileNetV3
09-09
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 ...
评论 22
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