YOLOv8改进系列，YOLOv8替换主干网络为MobileNetV2(轻量化架构+助力涨点)

已于 2024-09-12 10:37:39 修改
阅读量294 收藏
点赞数 9
分类专栏： YOLOv8改进 文章标签： YOLO 目标检测 python 计算机视觉 人工智能 深度学习
于 2024-08-12 10:27:51 首次发布
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_44779079/article/details/141123383
版权
YOLOv8改进 专栏收录该内容
36 篇文章 20 订阅 ¥59.90 ¥99.00
订阅专栏

在这里插入图片描述

原论文摘要

MobileNetV2架构在多个任务和基准测试中提高了移动模型的最先进性能，并在不同的模型规模中表现出色。我们还介绍了在一种我们称之为SSDLite的新框架中应用这些移动模型进行目标检测的高效方法。

MobileNetV2理论详解可以参考链接：论文地址

本文在YOLOv8中的主干网络替换成MobileNetV2，实现了涨点+轻量化架构，代码已经整理好了，跟着文章复制粘贴，即可直接运行

改进前训练结果：
在这里插入图片描述改进后训练结果：
在这里插入图片描述

目录

了解本专栏 订阅专栏 解锁全文
挂科边缘
关注
专栏目录
订阅专栏
主干网络篇 | YOLOv8更换主干网络之MobileNetV3
突然好想你
03-23 895
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！~🌈
YOLOv8改进系列，YOLOv8替换主干网络为MobileNetV3(轻量化架构+助力涨点)
weixin_44779079的博客
08-10 377
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。
YOLOv8侦测任务更换主干网络成MobileNetV3
最新发布
m0_53291740的博客
08-15 340
自己随便找一个程序跑一跑验证一下就行。
YOLOv8 更换骨干网络之 MobileNetV3 详解
走向CTO的路上...
05-25 1304
MobileNetV3 是一种轻量级高效的卷积神经网络架构，在 ImageNet 等多个图像识别基准数据集上取得了出色的结果。MobileNetV3 在保持精度的同时，显著降低了模型的计算量和参数量。MobileNetV3 的轻量级设计使其非常适合在移动端设备上部署。MobileNetV3 可以轻松集成到现有的 YOLOv8 模型中。
YOLOv8改进MobileNetV3主干：基于互补搜索技术和新颖架构设计组合MobileNetV3结构作为Backbone主干网络，打造不同的检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-02 3399
代码实践｜YOLOv8 改进主干系列：MobileNetV3
YOLOv8改进 更换轻量级网络结构
分享一些自己改进代码的实例
02-06 1554
手把手教你在yolov8原始结构中加入轻量化网络结构GhostNet，具有较低的计算复杂度和较高的准确性。
【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码)
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。
03-20 1902
文章介绍了基于互补搜索技术组合以及新颖架构设计的MobileNets下一代，MobileNetV3。通过结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，MobileNetV3针对手机CPU进行了优化，随后通过新颖的架构进步得到了改进。本文开始探索自动化搜索算法和网络设计如何共同作用，以利用互补方法提升整体艺术状态。通过这一过程，我们创建了两个新的MobileNet模型以供发布：面向高资源和低资源使用案例的MobileNetV3-Large和MobileNetV3-Small。
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
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。
05-06 2万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
【YOLOv8改进- 多模块融合改进】BoTNet + CoordAttention 骨干网络与高效坐标注意力机制融合改进，助力小目标高效涨点
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。
07-24 1496
【YOLOv8改进- 多模块融合改进】BoTNet + CoordAttention 骨干网络与高效坐标注意力机制融合改进，助力小目标高效涨点
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 9万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv8改进模块之C2f_Bottleneck_BoT
Lijie_yzm的博客
11-29 2003
针对YOLOv8的梯度分流模块C2f，我们在其最后一层的bottleneck之后添加了Bottleneck Transformer(BoT)，从而得到了C2f_Bottleneck_BoT模块，并且将该模块替换掉YOLOv8颈部网络中的所有C2f模块。经过实验表明，改进后的模型均值平均精度有所增加。
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
羲洋的博客
11-06 3277
YOLOv8改进：融合Gold-YOLO Neck(RepGDNeck)
YOLOV8改进——添加ShuffleAttention注意力机制
qq_62047193的博客
06-23 446
在ultralytics/cfg/datasets/ 下新建data.yaml。
YOLOV8改进：soft-nms、DIOU-nms、SIOU-nms、EIOU-nms、WIOU-nms
weixin_45303602的博客
10-11 5942
NMS（Non-Maximum Suppression，非极大值抑制）是一种常用的目标检测算法，用于抑制冗余的边界框，保留最具代表性的目标框。在目标检测任务中，通常会生成多个候选边界框（bounding box），每个边界框都对应着一个可能的目标。然而，由于图像中可能存在多个重叠的边界框，为了提取出最准确的目标框，需要使用NMS来进行筛选。首先，根据目标框的置信度（或者其他评分指标），按照降序排列所有的候选框。选择具有最高置信度的框，并将其添加到最终输出的结果列表中。
YOLOV8改进：动态蛇形卷积，多视角特征融合策略与连续性拓扑约束损失
m0_51530640的博客
10-08 1851
1.该文章属于YOLOV5/YOLOV7/YOLOV8改进专栏，包含大量的改进方式，主要以2023年的最新文章和2022年的文章提出改进方式。2.提供更加详细的改进方法，如将注意力机制添加到网络的不同位置，便于做实验，也可以当做论文的创新点。3.涨点效果：动态蛇形卷积,实现有效涨点！精确分割拓扑管状结构;如血管和道路，是各种至关重要的现场，确保下游的准确性和效率任务。然而，许多因素使任务复杂化，包括薄的局部结构和可变的全局形态。
YOLOv8改进 添加新型卷积注意力框架SegNext_Attention
分享一些自己改进代码的实例
01-02 2876
本文在yolov8中加入新型卷积注意力框架SegNext_Attention，能够更好地利用全局上下文信息，并且能够对感兴趣的区域进行更加准确的注重，从而提高图像分割的性能。
Yolov8改进---注意力机制：ShuffleAttention、ECA、EffectiveSE、SE
05-08 1万+
注意力机制：ShuffleAttention、ECA、EffectiveSE、SE，并最终引入到Yolov8。同时在数据集下测试，均能涨点，涨点幅度为ShuffleAttention＞ECA＞EffectiveSE＞SE
YOLOV8改进：加入RCS-OSA模块，提升检测速度
2201_76125261的博客
10-04 1098
凭借速度和精度之间的良好平衡，前沿的YOLO框架已成为最有效的目标检测算法之一。然而，使用YOLO网络在脑肿瘤检测中的性能研究很少。提出了一种新的基于信道Shuffle的重参数化卷积YOLO架构(RCS-YOLO)。我们提出了RCS和RCS的一次聚合(RCS- osa)，将特征级联和计算效率联系起来，以提取更丰富的信息并减少时间消耗。在脑肿瘤数据集Br35H上的实验结果表明，该模型在速度和精度上均优于YOLOv6、YOLOv7和YOLOv8。
yolov8主干网络替换轻量化
08-21
根据引用和引用的内容，主干网络的替换不仅适用于改进YOLOv5，也可以改进其他的YOLO网络以及目标检测网络，比如YOLOv4、v3等。而根据引用的内容，YOLOv5的改进之一是将主干网络C3替换为轻量化网络MobileNetV3。因此，如果要将YOLOv8的主干网络替换为轻量化网络，可以考虑使用MobileNetV3作为替代选项。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [[YOLOv7/YOLOv5系列算法改进NO.12]主干网络C3替换为轻量化网络ShuffleNetV2](https://blog.csdn.net/m0_70388905/article/details/125612052)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [[YOLOv7/YOLOv5系列算法改进NO.11]主干网络C3替换为轻量化网络MobileNetV3](https://blog.csdn.net/m0_70388905/article/details/125593267)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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

挂科边缘

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