【YOLOv5进阶】——替换主干网络（backbone）-MobileNet为例

最新推荐文章于 2025-08-24 21:06:27 发布
最新推荐文章于 2025-08-24 21:06:27 发布
阅读量2.6k 收藏 50
点赞数 9
CC 4.0 BY-SA版权
分类专栏： 模式识别&目标检测 【全家桶】各专栏汇总 文章标签： YOLO
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_51658186/article/details/137745330

声明：笔记是做项目时根据B站博主视频学习时自己编写，请勿随意转载！

一、说在前面的一些话

1、torchvision

需要用到torchvision里的一些模块，之前第一期配置环境的时候已经安装过torchvision!

torchvision是PyTorch生态系统中的一个关键库，专门为计算机视觉任务设计和优化。它提供了丰富的功能和工具：

  • 数据集：内置了多种广泛使用的图像和视频数据集，如MNIST、CIFAR10/100、Fashion-MNIST、ImageNet、COCO等，以torch.utils.data.Dataset的形式实现，方便与PyTorch数据加载器（DataLoader）集成。
  • 数据预处理工具：通过torchvision.transforms模块提供了丰富的数据增强和预处理操作，包括但不限于裁剪、旋转、翻转、归一化、调整大小、颜色转换等，这些操作对于训练稳健的深度学习模型至关重要。
  • 预训练模型：提供了一些常用的预训练模型，如ResNet、VGG、Inception等，这些模型在大型数据集（如ImageNet）上进行过训练，并可以直接使用或进行微调。
  • 图像分类、目标检测和语义分割：提供了常用的图像分类、目标检测和语义分割任务的模型和数据集，如CIFAR-10、PASCAL VOC、COCO等。
  • 可视化工具：提供了一些可视化工具，如TensorBoard的集成、图像
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLOV5轻量化改进-MobileNetV3替换骨干网络
weixin_44597885的博客
03-03 9281
YOLOV5轻量化改进-MobileNetV3替换骨干网络
YOLOV5 改进：替换backbone（MobileNet为例）
Henry的博客
03-19 1470
之前介绍了yolov5如何更换C2f模块以及加入注意力机制SE模块的示例，详细请参考本专栏：YOLOV5 实战项目(训练、部署、改进等等)_听风吹等浪起的博客-CSDN博客本文将详细介绍yolov5更换官方backbone，以轻量级网络mobilenet为例。因为mobilenet是轻量级的小型网络，参数量和计算量相比于传统的DarkNet而言少了很多，可能精度会有所损失。不过掌握了方法后，可以熟练的更换别的网络，例如transformer等等
Yolov5 添加backbone方法
aleequan的博客
04-10 1579
yolov5 添加 backbone 注意力机制模块
【深度学习】骨干网络（Backbone）
最新发布
藓类少女的博客
08-24 1421
核心功能：特征提取。它通过一系列卷积层、池化层、注意力机制等操作，将原始数据转换为多层次、多尺度的特征表示。通常都是预训练模型：骨干网络很少从零开始训练（Scratch Training）。通常会在一个超大的数据集（如 ImageNet）上进行预训练，学习到强大的通用特征提取能力。然后，我们可以把这种能力迁移（Transfer Learning）到自己的特定任务上（比如医学图像分析、卫星图像识别），只需要微调（Fine-tuning）即可，大大节省了时间和数据。输出：骨干网络通常会输出一个或多个。
Yolov5网络架构和组件
qq_35326529的博客
12-07 6292
目录 控制参数：anchors先验框的配置:backbone主干网络设置:head头部网络设置:yolov5网络整体架构流程 Focus操作相对于一些早期的检测网络，比如faster-Rcnn来说，网络的架构一般分为，图像输入模块，backbone主干网络，Neck颈部模块，检测头Dense Prediction检测模块。backbone主干网络一般由：VGG16，Resnet50，ResneXt101，Darknet53等网络构成。Neck颈部模块一般是一些：FPN，PANet，Bi-FP
YOLOv5-7.0改进（一）MobileNetv3替换主干网络
mw的博客
05-03 8604
本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~
YOLO V5更换主干网络ShuffleNet v2
leiye1997的博客
08-03 711
self.depthwise_conv(branch_features, branch_features, kernel_size=3, stride=self.stride, padding=1),##加的。# self.depthwise_conv(inp, inp, kernel_size=3, stride=1, padding=1),###加的。###############----- ShuffleNetV2主干网络-----#######最后运行train.py 就可以啦！
YoLov5进阶——学习笔记
qq_55009448的博客
10-18 1311
打开VSCode，在终端激活对应的环境并输入以下命令： 下载YOLOv8的代码拿来借鉴，地址如下：https://github.com/ultralytics/ultralytics下载好后解压，打开下图目录，双击打开block1文件：在block.py中找到C2f模块复制，打开YOLOv5的common.py文件，粘贴进去：我们发现C2f中有Bottleneck模块，所以把Bottleneck模块也copy过来，为了避免覆盖之前yolov5的块，我们把copy过来的模块加上了前缀：在yolov5的yolo
YOLOv5改进系列（5）——替换主干网络之 MobileNetV3
路人贾的博客
05-23 1万+
手把手教你学会YOLOv5结合轻量化网络MobileNetV3。
YOLOv8改进 | 主干网络 | 将backbone替换为MobileNetV4【小白必备教程+附完整代码】
kay_545
08-07 2916
yolov8，mobileNetv4，yolov8改进
YOLO11改进 | 主干网络 | 将backbone替换为MobileNetV4【小白必备教程+附完整代码】
kay_545
10-24 2901
yolo11改进，yolo11，MobileNetV4
flexible-yolov5:具有更多主干（resnet，shufflenet，moblienet）的更具可读性和灵活性的yolov5
03-26
flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5
YOLOV5的多主干网络（backbone）实现.zip
03-05
# 复现TPH-YOLOv5 # 支持的backbone为Ghostnet、Shufflenetv2、Mobilenetv3Small、EagleEye、EfficientNetLite-0、PP-LCNet-1x、SwinTrans-YOLOv5
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV3【小白必备教程+附完整代码】
kay_545
05-18 3899
yolov5有效改进涨点，yolov5改进，yolov8
[深度学习]如何替换YoloV5的主干网络:Flexible-Yolov5
热门推荐
qq_30017409的博客
03-08 1万+
Flexible-Yolov5:可自定义主干网络的YoloV5工程实践 本文目录： 概述 理论学习 准备自己的数据集 修改、调整自定义的主干网络 部署训练 一、概述 YoloV5的主干网络是优秀的，但是许多时候默认的DarkNet并不能满足我们的需求，包括科研、立项时需要更多的创新性。而Yolo框架出色的集成了许多目标检测相关的功能与输出，很容易让人联想到在Yolo框架下替换掉DarkNet来测试自己的网络性能水平。 说两句题外话： Yolo只不过是目标检测的入门框架，可轻松上手，请不要在未持有深度学习
【修改yolov5】给yolov5更换主干网络ShuffleNetv2
PLH19990227的博客
03-15 6370
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。
替换YOLOv5主干网络
Kelly_Ai_Bai的博客
12-17 1378
可以看到 vgg16 模型主要由 feature (特征提取层：做特征提取) 、avgpool (池化层) 以及 classifier (分类层) 组成，要替换YOLOv5的主干网络，其实就是要将YOLOv5的特征提取层用vgg16的特征提取层进行替换。如图所示，可以看到 torchvision.models 下面有很多模型, 比如 vgg16,resnet50,AlexNet,resnet18等等，在这里我选择 vgg16 模型 来替换YOLOv5的主干网络。首先写一个 demo.py 文件来查看。
yolov5更换MobileNetV3的主干网络
m0_53291740的博客
08-08 1491
1. 宽度为0.5的mobilenetv2网络的结构图在主干网络上面可以重新定义成三层，编号从0开始如图是MobileNetV3 的网络结构，要想重新定义的画需要保持每次输出图片的大小不变定义MobileNetV3 的代码如下，我们可以分为3层 test_MobileNetV3.pyif n == 0:if n == 1:if n == 2:if n == 3:feature代表的含义。
YOLOV5目标检测换多种主干的方法（含shufflenet，ghost net，mobilenet，resnet等）
weixin_57111012的博客
11-03 7494
其实换主干是一个较为简单的操作方法，但是很多新手可能不太会，或者其中可能会出现一些问题，那我对这些问题归纳出三步走换主干的方法，以便和大家分享交流。我们这里以yolov5s为例。
YOLOv8替换主干网络为mobilenet
01-10
### 替换YOLOv8主干网络为MobileNet的方法 在YOLOv8中替换默认的主干网络为MobileNet可以显著减少模型参数数量并提高推理速度，这对于资源受限环境下的应用尤为重要。具体实现方法如下： #### 创建自定义模块文件 为了集成MobileNet作为新主干网络，在`yolov10/ultralytics/nn/newsAddmodules`目录下创建一个新的Python文件，命名为`mobile_net_backbone.py`[^2]。 ```python import torch.nn as nn from torchvision import models class MobileNetBackbone(nn.Module): def __init__(self, pretrained=True): super(MobileNetBackbone, self).__init__() mobilenet = models.mobilenet_v3_large(pretrained=pretrained) self.features = mobilenet.features def forward(self, x): return self.features(x) ``` 这段代码实现了基于预训练权重加载MobileNet V3 Large模型，并提取其特征提取部分作为新的骨干网结构[^4]。 #### 修改配置文件 接下来修改YOLOv8对应的yaml配置文件（通常位于`models/yolo.yaml`），指定使用上述自定义构建的MobileNet backbone代替原有的backbone组件。找到对应位置并将相关内容更改为指向新建的`mobile_net_backbone.MobileNetBackbone()`类实例化对象。 #### 调整训练脚本 确保训练过程中能够正确调用这个新的主干网络。可以在训练入口处导入该模块，并传入相应参数完成初始化工作。 ```python from yolov10.ultralytics.nn.newsAddmodules.mobile_net_backbone import MobileNetBackbone model.backbone = MobileNetBackbone() ``` 以上步骤完成后即可开始利用MobileNet作为YOLOv8的新主干网络进行目标检测任务的学习与预测过程。
评论 7
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

二象性Libo

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