YOLOv8改进，YOLOv8替换主干网络为EfficientNet

---

---

原论文摘要

卷积神经网络（ConvNets）通常在固定的资源预算下开发，然后在有更多资源时进行扩展以提高准确性。在本文中，我们系统地研究了模型扩展，并发现仔细平衡网络深度、宽度和分辨率可以带来更好的性能。基于这一观察，提出了一种新的扩展方法，该方法通过一个简单但非常有效的复合系数均匀地扩展深度/宽度/分辨率的所有维度。此方法在扩展MobileNets和ResNet方面的有效性。为了更进一步，使用神经架构搜索设计了一个新的基准网络，并将其扩展以获得一系列模型，称为EfficientNets，这些模型在准确性和效率上都远远优于以往的ConvNets。特别是，EfficientNet-B7在ImageNet上实现了84.3%的最新top-1准确率，同时在推理速度上比最好的现有ConvNet小8.4倍、快6.1倍。我们的EfficientNets还具有很好的迁移能力，并在CIFAR-100（91.7%）、Flowers（98.8%）和其他3个迁移学习数据集上达到了最新的准确率，同时所需的参数量减少了一个数量级。

---

介绍

EfficientNet论文中研究了卷积网络的缩放和，并证明对深度，宽度和分辨率复合缩放的重要性，因此精度和效率更好。为了阐述相关的原理，我们提出了简单有效的复合缩放方法，使得模型缩放具有一定设计准则，同时兼顾了模型的效率。

理论详解可以参考链接：论文地址
代码可在这个链接找到：代码地址

本文在YOLOv8中的主干网络替换成EfficientNet，代码已经整理好了，跟着文章复制粘贴，即可直接运行

---