YOLOv5改进之ShuffleNetV2

最新推荐文章于 2024-10-18 11:02:46 发布
最新推荐文章于 2024-10-18 11:02:46 发布
阅读量308 收藏
点赞数
分类专栏： YOLOv5改进：从入门到实战改进 文章标签： YOLO 目标检测 人工智能 python 深度学习
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_47060902/article/details/134696881
版权
本文介绍了将ShuffleNetV2结构应用于YOLOv5的目标检测模型，通过分析ShuffleNetV2的网络设计原则，讨论了其在计算效率和精度之间的平衡。ShuffleNetV2的通道分割操作和信息通信机制减少了计算成本，提高了模型性能。文章提供了代码实现，并指出相比MobileNetV3，采用ShuffleNetV2作为主干网络的YOLOv5模型参数量更小，但可能牺牲一些准确率。
摘要由CSDN通过智能技术生成

目录

一、原理

 网络结构

 二、代码

三、应用到YOLOv5


一、原理

目前，神经网络架构设计多以计算复杂度的间接度量为指导，即FLOPs。

然而，直接度量，例如速度，还取决于其他因素，例如内存访问成本和平台特性。因此，这项工作建议评估目标平台上的直接度量，而不仅仅是考虑flop。基于一系列的对照实验，本工作得出了有效网络设计的几个实用准则。因此，提出了一种新的体系结构，称为ShuffleNet V2。

综合烧蚀实验验证了我们的模型在速度和精度折衷方面是最先进的。

 网络结构

了解本专栏 订阅专栏 解锁全文 超级会员免费看
这糖有点苦
关注
专栏目录
订阅专栏
YOLOv5改进Shuffle主干系列：高效结合ShuffleNet V2主干网络，高效CNN架构设计的实用指南
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-11 7430
设计一个高效网络时应该遵循以下几点建议：使用平衡性的卷积（还有通道宽度）、谨慎使用分组卷积的数量、降低网络分支的数量、降低元素级操作次数、同时在实际使用也应该注意到操作平台的影响。
YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2
路人贾的博客
06-02 4598
手把手教你学会YOLOv5替换主干网络之 ShuffleNetV2
YOLOv5-Shufflenetv2
qq_27353621的博客
07-04 4777
YOLOV5-Shufflenetv2
YOLOv5改进实战 | 更换主干网络Backbone（三）之轻量化模型Shufflenetv2
w94ghz的博客
10-21 1078
YOLOv8 更换主干网络之 ShuffleNetv2 详解
走向CTO的路上...
05-29 1182
ShuffleNetv2 是一种轻量级高效的卷积神经网络架构，旨在为图像识别任务提供更高的性能和效率。它通过使用通道洗牌 (Channel Shuffling) 和分组卷积 (Group Convolution) 等技术来实现，在保持精度的同时显著降低了模型的计算量和参数量。
YOLOv10改进 | 主干篇 | YOLOv10引入ShuffleNetV2替换Backbone
tsg6698的博客
07-03 636
全面的消融实验验证了我们的模型在速度和准确性权衡方面是最先进的。1. 通道拆分操作（Channel Split）: ShuffleNet V2引入了一个名为“通道拆分”的操作，在每个单元开始时，将c个输入特征通道分为两个分支，一个包含c-c'个通道，另一个包含c'个通道。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv5独家原创改进，ShuffleNetV2网络结构，改进ShuffleNetV2准确率低问题
学Java，找哪吒
05-28 2787
ShuffleNetV2是一种基于通道重排（Channel Shuffle）的轻量级神经网络模型。它采用了一种新颖的设计思路，即将原来的卷积操作划分为两个部分：点卷积和组卷积。这样做的好处是可以减小计算量，同时保持较高的准确性。ShuffleNetV2已经被应用于图像分类、目标检测、语义分割等领域，具有较高的性能和效率。
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
突然好想你
12-03 2935
本文给大家介绍一种轻量化部署改进方式，即在主干网络中添加ECA注意力机制和更换主干网络之ShuffleNetV2。🌈
YOLOv5改进（四）--轻量化模型ShuffleNetv2
qq_44231797的博客
05-30 1101
移动端设备也需要既准确又快的小模型。为了满足这些需求，一些**轻量级的CNN网络如MobileNet和ShuffleNet被提出**，它们在速度和准确度之间做了很好地平衡。本文主要轻量化YOLOv5网络，即引入ShuffleNetv2，它是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。
YOLOv5改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】
kay_545
06-03 1762
yolov5改进，shufflenetv2
目标检测算法——YOLOv5/YOLOv7改进|结合轻量型网络ShuffleNetV2
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-09 1万+
将YOLOv5算法与轻量级网络ShuffleNetV2相结合，在保证模型检测精度基本不变的情况下，大大降低计算量FLOPS，并明显提高网络推理速度！！！
【修改yolov5】给yolov5更换主干网络ShuffleNetv2
PLH19990227的博客
03-15 5961
从图中可以很明显的看到（蓝色框）更换了主干网络 后的网络的参数和GFLOPs都有很大的下降。但是我对我实验的结果保持怀疑态度，因为在我训练的过程中，总是会有警告说nms限制10秒（好像是这个意思）但是我的都超过了10秒了，这应该对识别的速度以及精度都会造成影响，所以我什么时候才能换上新电脑啊！看了迪导给yolov5网络更换主干网络ShuffleNetv2的操作后，跟着他的操作步骤更换了我自己正在学习的yolov5网络的主干，并在最后用改过后的网络跑了一下自己的数据集。接下来要做的就是修改配置文件了。
YOLOv8/YOLOv7/YOLOv5系列算法改进[NO.14]主干网络C3替换为轻量化网络Ghostnet
热门推荐
m0_70388905的博客
07-06 1万+
​前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：YOLOv5主干特征提取网络采用C3结构，带来较大的参数量，检测速度较慢，应用受限，在某些真实的应用场景如移动或者嵌入式设备，如此大而复杂的模型时难以被应用的。...
YOLOv11改进策略【Conv和Transformer】| 上下文转换器CoT 结合静态和动态上下文信息的注意力机制 (含二次创新C3k2)
最新发布
qq_42591591的博客
10-18 88
本文记录的是利用模块优化的目标检测网络模型。 将静态上下文和自注意力学习动态上下文统一在一个架构中，有效地提升了在 2D 特征图上进行视觉表示学习时自注意力学习的能力，本文将深入研究的原理，并将其应用到中，进而更有效的增强模型对视觉信息的学习和表示能力。Contextual Transformer Networks for Visual Recognition如图所示，假设输入的2D特征图为XXX，键K=XK = XK=X，查询Q=XQ = XQ=X，值V=XWvV = XW_{v}V=XWv​。首先使用k
YOLOv11改进-注意力-引入双层路由注意力机制（Biformer）解决小目标、遮挡等问题
qq_64693987的博客
10-17 788
BiFormer 旨在通过双层路由注意力机制（Bi-level Routing Attention, BRA）实现动态、查询感知的稀疏注意力。双层路由注意力机制区域级路由：首先在粗粒度的区域级别过滤掉大部分不相关的键值对，仅保留少量相关区域。细粒度注意力：在保留的区域内进行细粒度的token-to-token注意力计算。Biformer的实现步骤区域划分和输入投影：将输入特征图划分为多个不重叠的区域，并通过线性投影生成查询、键和值张量。区域间路由。
YOLOv8模型改进 第十讲 添加全维度动态卷积（Omni-dimensional Dynamic Convolution，ODConv）
qq_64693987的博客
10-17 1026
全维度动态卷积（ODConv），一种通过在卷积核的不同维度上引入注意力机制来增强特征表示的方法。动态卷积的概念：传统的卷积神经网络（CNN）使用静态的卷积核，而动态卷积通过使用多个卷积核的线性组合，并根据输入数据的不同加权，来提高模型的准确性。ODConv的设计：ODConv在卷积核的四个维度（空间尺寸、输入通道、输出通道和卷积核数量）上引入多维度注意力机制。这些注意力机制可以动态调整卷积核的权重，从而提高特征提取能力。性能提升。
YOLOv11模型改进-卷积-引入Haar小波下采样Down_wt卷积
qq_64693987的博客
10-16 489
下图展示了Down_wt卷积的结构。通过Haar小波变换，该卷积模块实现了高效的特征提取和降采样。Down_wt 模块的设计Down_wt模块的核心功能是执行小波变换，并将变换后的结果与卷积层结合。小波变换：使用DWTForward类进行小波变换，提取低频和高频成分。特征拼接：将低频成分和三个高频成分（水平、垂直和对角）拼接在一起，形成新的输入。卷积层：通过1x1卷积、批量归一化和ReLU激活函数处理拼接后的特征。
YOLOv11改进策略【卷积层】| ICCV-2023 LSK大核选择模块 包含二次独家创新
qq_42591591的博客
10-16 99
LSK module是。
Atlas800昇腾服务器（型号：3000）—YOLO全系列om模型转换测试（三）
weixin_45679938的博客
10-16 310
安装为ATC转换的必须依赖环境，下面操作在CANN中有在root上装，这里是新用户新环境，需再安装配置一次！YOLOv8s动态宽高640*640耗时测试结果：【存在om尺度检查机制，推理速度更慢】：安装完需source ~/bashrc才能生效！：【检测/分割/关键点om均生成成功】：【检测om生成成功，但出现算子告警】：【检测/分割/关键点om均生成成功】：以下测试模型均为静态onnx！：【检测/分割om均生成成功】：【检测/分割om均生成成功】：【检测om均生成成功】：【检测om均生成成功】
yolov5改进shufflenetv2
07-28
根据引用\[1\]和引用\[2\]的内容，可以得知在YOLOv5中，作者将ShuffleNetV2作为主干网络进行了改进。ShuffleNetV2是一种高效的网络结构，相比其他模型速度稍快，准确度稍好一点。同时，作者还设计了一个大型的ShuffleNetV2网络，与ResNet结构相比，具有竞争力的效果。所以，YOLOv5改进中使用ShuffleNetV2作为主干网络可以提高模型的效率和准确度。 #### 引用[.reference_title] - *1* *2* [YOLOv5改进Shuffle主干系列：高效结合ShuffleNet V2主干网络，高效CNN架构设计的实用指南](https://blog.csdn.net/qq_38668236/article/details/127802720)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [YOLOv8/YOLOv7/YOLOv5系列算法改进[NO.14]主干网络C3替换为轻量化网络Ghostnet](https://blog.csdn.net/m0_70388905/article/details/125612392)[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^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
评论
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

这糖有点苦

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