YOLOv5轻量化改进之MobileNetv3

这糖有点苦

已于 2023-11-26 10:57:15 修改

阅读量419

点赞数 5

分类专栏： YOLOv5改进：从入门到实战改进文章标签： YOLO python 深度学习人工智能计算机视觉

于 2023-11-26 10:56:15 首次发布

本文链接：https://blog.csdn.net/weixin_47060902/article/details/134624977

版权

YOLOv5改进：从入门到实战改进专栏收录该内容

20 篇文章 11 订阅 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了如何将MobileNetV3的轻量化特性应用于YOLOv5目标检测框架。MobileNetV3通过硬件网络架构搜索和NetAdapt算法提升在移动设备上的性能，同时在ImageNet分类、检测和分割任务上实现最新成果。通过引入LR-ASPP解码器，提高了语义分割效率。在YOLOv5中，将MobileNetV3的实现整合进代码，实现了性能与速度的平衡。

摘要由CSDN通过智能技术生成

一、原理

二、代码

三、应用到YOLOv5

一、原理

我们提出了基于互补搜索技术和新颖架构设计相结合的下一代mobilenet。MobileNetV3通过硬件网络架构搜索(NAS)和NetAdapt算法的结合来调整到移动电话cpu，然后通过新的架构进步进行改进。本文开始探索自动搜索算法和网络设计如何协同工作，以利用互补的方法提高整体技术水平。通过这个过程，我们创建了两个新的MobileNet模型:MobileNetV3-Large和MobileNetV3-Small，它们分别针对高资源和低资源用例。然后将这些模型应用于目标检测和语义分割任务。针对语义分割(或任何密集像素预测)任务，我们提出了一种新的高效分割解码器:精简空间金字塔池(LR-ASPP)。我们在移动分类、检测和分割方面取得了最新的成果。与MobileNetV2相比，MobileNetV3-Large在ImageNet分类上的准确率提高了3.2%，同时延迟减少了20%。与具有可比延迟的MobileNetV2模型相比，MobileNetV3-Small的准确率提高了6.6%。MobileNetV3-Large检测速度超过25%，与MobileNetV2在COCO检测上的精度大致相同。在相似的城市景观分割精度下，MobileNetV3-Large LRASPP比MobileNetV2 R-ASPP快34%