YOLOv11改进 ，YOLOv11改进主干网络为MobileNetV3，助力涨点

---

---

YOLOv11改进介绍

YOLOv11 跟 YOLOv8 结构差不多相似，只是作者在 YOLOv8 基础上进行了改进，我感觉 YOLOv11 训练速度更快，map和精度应该比 YOLOv8 高一些，所以我会把 YOLOv11 改进也写在本专栏里面。YOLOv11 改进，可以看往期 YOLOv8 改进主干网络教程，原理都是一样的，这里就不多讲了，这里出一期教程方便理解，只需订阅 YOLOv8 改进专栏， 同样适用于 YOLOv11 改进，一个专栏轻轻松松拿捏 YOLOv8 改进和 YOLOv11 改进。

---

摘要

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。对于语义分割（或任何密集像素预测）任务，提出了一种新的高效分割解码器——Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP）。我们在移动端的分类、检测和分割任务中取得了新的最先进的成果。相比于MobileNetV2，MobileNetV3-Large在ImageNet分类上精度提高了3.2%，同时延迟减少了15%；MobileNetV3-Small的精度提高了4.6%，而延迟减少了5%。在COCO检测任务中，MobileNetV3-Large的检测速度比MobileNetV2快25%，而精度几乎相同。对于Cityscapes分割任务，MobileNetV3-Large LR-ASPP比MobileNetV2 R-ASPP快30%，且精度相近。

---

理论介绍

MobileNetV3，使用平台感知NAS来搜索全局网络结构，通过优化每个网络块来实现这一目标。然后，使用NetAdapt算法逐层搜索滤波器的数量。这些技术是互补的，可以结合起来有效地找到针对特定硬件平台优化的模型。通过架构搜索找到模型后，观察到一些最后几层以及一些早期层的计算成本较高。作者提出了一些架构修改，以减少这些慢层的延迟，同时保持准确性。这些修改超出了当前搜索空间的范围。第一个修改是重新设计网络的最后几层的交互方式，以更高效地产生最终特征。基于 MobileNetV2倒置瓶颈结构和变体的当前模型使用 1x1 卷积作为最终层，以扩展到更高维度的特征空间。这一层对于提供丰富的预测特征至关重要，但代价是增加了延迟。为了减少延迟并保留高维特征，作者将这一层移到最终平均池化之后。现在，这组最终特征在 1x1 的空间分辨率上计算，而不是 7x7 的空间分辨率。这一设计选择的结果是，特征的计算在计算和延迟方面几乎变得免费。一旦这一特征生成层的成本得到缓解，先前的瓶颈投影层就不再需要用于减少计算。这一观察使我们能够去除先前瓶颈层中的投影和滤波层，进一步减少计算复杂度。高效的最后阶段减少了 7 毫秒的延迟，占运行时间的 11%，并减少了3000万MAdds 的操作量，而几乎没有损失准确性。如图，原始最后阶段与高效最后阶段的比较。这个更高效的最后阶段能够在不损失准确性的情况下，删除网络末端的三个高代价层。

MobileNetV3理论详解可以参考链接ÿ