yolov8涨点系列之轻量化主干网络替换

已于 2024-11-08 01:32:26 修改
阅读量2.2k 收藏 39
点赞数 9
分类专栏： yolov8涨点系列 文章标签： YOLO 目标检测
于 2024-11-05 10:49:23 首次发布
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/zhang1379/article/details/143502568
版权

文章目录

    • YOLOv8 替换成efficientvit轻量级主干网络的好处
      • 计算效率提升
        • 模型部署更便捷
        • 方便模型移植
      • 模型可扩展性增强
        • 便于集成其他模块
        • 支持模型压缩技术
  • 主干网络替换
    • 1.创建yolov8_efficeintVit.py
    • 2.修改task.py
      • (1)引入创建的efficientViT文件
      • (2)修改_predict_once函数
      • (3)修改parse_model函数
    • 3.yolov8.yaml文件修改
      • yolov8.yaml
      • EfficientVit.yaml
    • 4.基于EfficientVit.yaml训练

  从网上可搜索的其他博主写的关于yolov8轻量化主干网络EfficientVit替换效果来看，传入代码后会有不能运行或者报错等情况，针对这种问题，专门编写了这篇“yolov8涨点系列之轻量化主干网络替换”，进行Ultralytics版本替换的具体步骤介绍。

YOLOv8 替换成efficientvit轻量级主干网络的好处

计算效率提升

  减少计算资源需求：轻量级主干网络的参数数量和计算复杂度较低，可以在硬件资源有限的设备上更高效地运行，如嵌入式设备、移动设备等。这使得 YOLOv8 能够在资源受限的环境中快速进行目标检测，扩大了其应用范围。例如，在一些智能摄像头、无人机等设备上，使用轻量级主干网络可以降低设备的能耗和散热需求，提高设备的续航能力和稳定性。
加快推理速度：轻量级网络的结构简单，计算量小，能够更快地处理输入图像，从而提高 YOLOv8 的推理速度。这对于实时性要求较高的应用场景，如自动驾驶、视频监控等非常重要，可以更快地检测到目标物体，为后续的决策和处理提供更及时的信息。

模型部署更便捷

  易于优化和调试：轻量级主干网络的结构相对简单，更容易进行优化和调试。在模型训练过程中，可以更快地收敛&#

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Yolov8轻量化：RepGhost，通过重参数化实现硬件高效的Ghost模块
UksApps的博客
09-22 1433
Ghost模块是Yolov8中的重要组成部分，它用于提取图像特征。然而，传统的Ghost模块在计算量上可能存在一些问题，特别是在资源受限的设备上。RepGhost通过对Ghost模块进行重参数化，使得模块在硬件上更加高效。本文介绍了Yolov8轻量化的改进方法RepGhost，该方法通过对Ghost模块进行重参数化，实现了在硬件上的高效计算。通过将Ghost模块的卷积操作分解为轻量级的卷积和残差连接，RepGhost减少了计算量，并提高了目标检测的效率。
YOLOV8改进：CVPR2023：加入EfficientViT主干：具级联组注意力的访存高效ViT
AIcurator的博客
07-18 2829
视觉变压器由于其高模型能力而取得了巨大的成功。然而，它们卓越的性能伴随着沉重的计算成本，这使得它们不适合实时应用。在这篇论文中，我们提出了一个高速视觉变压器家族，名为EfficientViT。我们发现现有的变压器模型的速度通常受到内存低效操作的限制，特别是在MHSA中的张量重塑和单元函数。因此，我们设计了一种具有三明治布局的新构建块，即在高效FFN层之间使用单个内存绑定的MHSA，从而提高了内存效率，同时增强了信道通信。此外，我们发现注意图在头部之间具有很高的相似性，从而导致计算冗余。
5.YOLOv8更换骨干网络
national_的博客
09-18 2872
随着人工智能的不断发展，目标识别这门技术也越来越重要，但苦于教学颇多且但大部分晦涩难懂，因此本人在完成某项目以后，决定分享项目经验，便于后人进行实验。本章节包含以下内容：5.YOLOv8更换骨干网络注1：本系列文章目的是在冗杂的目标检测中梳理整理出一个“傻瓜式”教学资源，暂时不会教授任何原理性课程，后续可能分享相关大佬资源链接，仅供参考！注2：本次分享均为我项目中实际运用的，除个人贡献外，也参考了github、b站、CSDN等网站上的资源，但因资源冗杂、时间久远，有些来源遗忘，
YOLOv8轻量化改进——Coordinate Attention注意力机制
qq_52889317的博客
03-17 936
现在针对YOLOv8的架构改进越来越多，今天尝试引入了Coordinate Attention注意力机制以改进对小目标物体的检测效率。
YOLOv8改进（一）-- 轻量化模型ShuffleNetV2
qq_44231797的博客
06-02 4696
YOLOv8；ShuffleNetV2
YOLOv8 更换主干网络之 VanillaNet
一直在水些技术小文
09-20 1031
YOLOv8 是 YOLO 系列的最新版本，它借鉴了 YOLOv4 和 YOLOv5 的优点，融合了更快的速度和更好的性能。与其它 YOLO 版本相比，YOLOv8 在 GPU 和 CPU 上均表现出色，适用于多种硬件平台。
YOLOv8改进，YOLOv8替换主干网络为MobileNetV2(轻量化架构+助力涨点)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-12 1026
MobileNetV2架构在多个任务和基准测试中提高了移动模型的最先进性能，并在不同的模型规模中表现出色。我们还介绍了在一种我们称之为SSDLite的新框架中应用这些移动模型进行目标检测的高效方法。MobileNetV2理论详解可以参考链接：论文地址本文在YOLOv8中的主干网络替换成MobileNetV2，实现了涨点+轻量化架构，代码已经整理好了
YOLOv8改进 | 主干篇 | 轻量化网络MobileViTv1改进YOLOv8助力轻量化模型
Snu77的博客
03-29 3463
本文给大家带来的改进机制是MobileViT系列的V1版本，其作为MobileNet网络的挑战者，其效果自然不用多说，MobileViT模型是为移动设备设计的轻量级、通用目的视觉变换器。它融合了卷积神经网络（CNN）和视觉变换器（ViT）的优势，旨在在保持高效性能的同时减少模型参数和降低延迟。通过其创新的MobileViT Block和多尺度训练方法，MobileViT在多个视觉任务上取得了优异的结果欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。
YOLOv8主干网络轻量化探索：ShuffleNetV1的集成与性能提升【YOLOv8】
步入烟尘的博客
11-05 1188
ShuffleNetV1是由Facebook AI Research团队提出的轻量级神经网络。其核心思想是通过分组卷积（Group Convolution）和通道重排（Channel Shuffle）技术来减少模型参数和计算量，同时保持较高的精度。我们首先需要在YOLOv8的代码中定义ShuffleNetV1模块。
利用VanillaNet替换YOLOv8主干网络实现轻量化目标检测【YOLOv8】
步入烟尘的博客
11-04 770
VanillaNet是华为最新推出的轻量级网络架构，专为在移动端和嵌入式设备上运行而设计。轻量化设计：通过简化卷积操作和减少参数量，VanillaNet可以在保证精度的前提下，大幅降低计算复杂度。深度可分离卷积：采用深度可分离卷积（Depthwise Separable Convolution），进一步减少计算量。有效的特征提取：尽管模型轻量，但在特征提取能力上并没有妥协，仍能提供高质量的特征用于下游任务。
Yolov8轻量化:MobileNetV3，轻量级骨架首选
05-31 2847
轻量级网络MobileNetV3引入到yolov8，性能和速度都表现优异，受到学术界和工业界的追捧。
yolov8改进|替换主干网络为MobileNetV3
weixin_44379985的博客
10-14 545
MobileNetV3 通过硬件感知网络架构搜索 （NAS） 与 NetAdapt 算法相结合，然后通过新颖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，以利用互补方法提高整体技术水平。本文的目标是开发最佳的移动计算机视觉架构，优化移动设备上的 accuracy-latency 权衡。引入了 （1） 互补搜索技术，（2） 适用于移动设置的新有效非线性版本，（3） 新的高效网络设计，（4） 新的高效分割解码器。
【YOLOv8】YOLOv8改进系列（8）----替换主干网络之Swin Transformer
最新发布
熬夜秃顶中......
03-18 2655
YOLOv8改进系列（8）----替换主干网络之Swin Transformer
Yolov8轻量级：Next-vit，用于现实工业场景的下一代视觉 Transformer
06-05 1548
提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer，即 Next-ViT。Next-ViT 能像 CNN 一样快速推断，并有 ViT 一样强大的性能。
yolov8 模型架构轻量化 | 极致提速度
weixin_51988935的博客
05-16 6317
当想要提升模型在通用计算平台上的FPS（每秒帧数或帧率）时，可以从模型架构的三个关键角度出发进行优化：模型的参数数量、浮点数运算的复杂度以及模型架构的简洁性。1. 模型的参数是否足够少参数数量是影响模型推理速度的重要因素之一。参数越少的模型，其计算量和内存占用通常也越小，因此推理速度更快。优化策略模型剪枝：通过移除模型中不重要的参数（如权重较小的连接）来减少参数数量。知识蒸馏：使用一个更大的教师模型来指导一个小模型的训练，使得小模型能够学习到教师模型的性能，同时保持较小的参数规模。选择轻量级模型。
YOLOv8改进，YOLOv8添加MLCA注意力机制(混合局部信道注意)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-22 1219
MLCA是一种即插即用的可扩展混合局部注意力机制，以在检测效果、速度和模型参数数量之间实现平衡，并使注意力机制同时包含通道信息、空间信息、局部通道信息和全局通道信息。
【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，降低参数量！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 2262
视觉识别的“咆哮20年代”开始于视觉Transformer（ViTs）的引入，ViTs迅速取代了卷积神经网络（ConvNets）成为最先进的图像分类模型。然而，普通的ViT在应用于诸如目标检测和语义分割等一般计算机视觉任务时面临困难。分层Transformer（例如Swin Transformer）重新引入了几种ConvNet先验知识，使得Transformer在实际应用中成为通用的视觉骨干，并在各种视觉任务中表现出色。
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 2459
卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会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的深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，使用一个简单但非常有效的复合系数均匀扩展深度、宽度和分辨率的所有维度。我们展示了这种方法在扩展MobileNets和ResNet时的有效性。
【YOLOv8】YOLOv8改进系列（3）----替换主干网络之ConvNeXt V2
熬夜秃顶中......
02-25 3509
YOLOv8改进系列（3）----替换主干网络之ConvNeXt V2
yolov8轻量化
03-09
### YOLOv8模型轻量化优化及小型化部署方案 #### 替换卷积模块以减轻计算负担 为了使YOLOv8模型变得更轻便，在不牺牲太多性能的前提下，可以采用SCConv来替代标准卷积操作。这种做法能够有效降低参数量并加速推断过程[^2]。 #### 应用Ghost模块精简结构 引入Ghost模块作为另一种途径来进行YOLOv8的瘦身工作。这种方法通过少量的基础滤波器生成大量特征映射，从而构建出既高效又具备良好表现力的新颖网络——GhostNet。此技术特别适合资源受限环境下的目标识别任务[^4]。 #### 利用Mish激活函数强化表达能力 除了调整硬件层面的设计外，软件上的改进同样重要。比如选用更适合当前版本YOLO体系特点的激活机制—Mish，有助于进一步挖掘神经元之间的潜在联系，进而改善整体精度水平[^3]。 ```python import torch.nn as nn class SCConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(SCConv, self).__init__() # 定义SCConv的具体实现... def apply_scconv_to_yolov8(model): for name, module in model.named_children(): if isinstance(module, nn.Conv2d): # 找到所有普通的二维卷积层 setattr(model, name, SCConv( in_channels=module.in_channels, out_channels=module.out_channels)) elif hasattr(module, 'children'): # 对子模块递归处理 apply_scconv_to_yolov8(module) # 使用上述定义的方法对预训练好的YOLOv8实例进行改造 apply_scconv_to_yolov8(pretrained_model) ``` #### 数据集划分辅助训练流程管理 合理规划数据集对于任何机器学习项目都是至关重要的一步。针对特定应用场景定制化的分割策略可以帮助我们更好地控制实验变量，确保最终成果的质量稳定可靠[^5]。
评论 4
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
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