YOLOv8改进优化HGBlock网络主干

学yolo的小白

已于 2024-03-05 15:32:45 修改

阅读量2k

点赞数 6

分类专栏： Upgrade YOLOv8进阶文章标签： YOLO 深度学习目标检测

于 2024-02-20 16:40:01 首次发布

本文链接：https://blog.csdn.net/zmyzcm/article/details/135721855

版权

Upgrade YOLOv8进阶专栏收录该内容

25 篇文章 ¥39.90 ¥99.00

订阅专栏

本文介绍了如何在YOLOv8中优化HGBlock，利用RepConv提升目标检测性能。详细步骤包括创建新模块、修改源代码和配置yaml文件，最终实现Rep-HGBlock在模型中的融合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、HGBlock优化模型

HGNet是一种用于目标检测任务的神经网络模型。基于ResNeSt和Hourglass网络的结构，经过训练可以通过输入图像来检测图中的目标物体。

"HG"表示Hourglass网络的缩写，"Net"表示网络。这个模型的设计灵感来自于人类对目标进行检测和定位的能力。它具有多个由ResNeSt模块和Hourglass模块组成的重复结构，以提取图像中的特征。这些模块通过堆叠在一起的方式，可以逐渐提高对目标的检测精度。

Rep在目标检测任务中表现出色，具有较高的准确率和鲁棒性。它能够检测出输入图像中的多个目标，并给出它们的位置和类别。在实际应用中，RepHGBlock可以用于识别和跟踪目标，例如在自动驾驶、安防监控和智能机器人等领域。

二、代码实现

1、在官方的yolov8包中ultralytics\ultralytics\nn的目录下新创建一个文件夹other_modules，用于存放额外添加的改进模块。

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

学yolo的小白

关注关注

6
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

订阅专栏

主干网络篇 | YOLOv5/v7 更换骨干网络之 HGNetv2 | 百度新一代超强主干网络

weixin_39818775的博客

05-10

1200

CSP Ghost Module 是 HGNetv2 的核心模块之一，它将深度卷积拆解为多个浅层卷积，并采用逐层融合策略，提升模型性能和效率。HGNetv2作为百度新一代超强主干网络，在性能和效率方面取得了显著提升，可广泛应用于各类视觉任务。HGNetv2的提出，推动了视觉骨干网络技术的发展，为相关领域研究提供了新的思路和方法。未来，HGNetv2将持续改进，并探索在更多领域中的应用，例如视频理解、医学影像分析等。相信在未来，HGNetv2将发挥更大的作用，为人工智能技术发展做出更大的贡献。

RT-DETR算法优化改进：Backbone改进 | HGBlock完美结合PPHGNetV2 GhostConv

11-13

2182

GhostConv助力RT-DETR ,HGBlock与PPHGNetV2 GhostConv完美结合

参与评论您还未登录，请先登录后发表或查看评论

【YOLOv8】YOLOv8改进系列（9）----替换主干网络之RepViT

最新发布

熬夜秃顶中......

03-20

2393

YOLOv8改进系列（9）----替换主干网络之RepViT

简单聊聊目标检测新范式RT-DETR的骨干：HGNetv2

chenxiangrong的博客

04-27

4937

本文版权属于GiantPandaCV，未经许可，请勿转账！前几天疯狂刷屏的RT-DETR赚足了眼球，在精度和速度上体现的优势和性价比远远高于YOLO，而今年ChatGPT、Sam的出现，也让一些吃瓜群众知乎CNN没有未来了，今天的文章，我们简单聊一聊RT-DETR的骨干网络，HGNetv2。

以YOLOv8为例详解YOLO系列

m0_72806612的博客

09-16

3664

主要有检测、分割、分类等。这些表示所要执行的任务的类负责将组成部分写好的各个方法集成在一起完成特定的任务。负责输出的模块主要进行与编码器对接，并且进行参数的最后处理，其中主要有：接受编码器的输入；产生锚（anchor,俗一点来说就是框住物体的方框）；以及重新调整超参数的函数。好了，就到这里了，对于YOLO的解读。欢迎关注无神一起学机器学习。

RT-DETR算法优化改进：PPHGNetV2 Backbone改进 | RepConv、GhostConv优化HGBlock

会AI的学姐

11-13

1537

1）RT-DETR原理介绍；2）RepConv、GhostConv优化HGBlock

无需nms，onnxruntime20行代码玩转RT-DETR

xianyu624的博客

05-05

497

RT-DETR是由百度近期推出的DETR-liked目标检测器，该检测器由HGNetv2、混合编码器和带有辅助预测头的Transformer编码器组成，整体结构如下所示。本文将采用RT-DETR两种不同风格的onnx格式，使用onnxruntime20行代码，无需nms操作即可实现简易部署推理.

YoloV8改进策略：主干网络改进|复兴DenseNets，RDNet成为新的涨点神器|全网首发

m0_47867638的博客

07-22

1918

论文提出的模型主要基于对传统DenseNet架构的改进和复兴，通过一系列创新设计，旨在提升模型性能并优化其计算效率，提出了RDNet模型。

YOLOv8改进 | 主干网络 | 简单而优雅且有效的VanillaNet 【华为诺亚方舟】

kay_545

08-01

1433

yolov8.yolov8改进，VanillaNet

YOLOv8改进，YOLOv8主干网络替换为PP-HGNetV2(百度飞桨视觉团队自研，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

09-20

1415

PP-HGNetV2(High Performance GPU Network V2) 是百度飞桨视觉团队自研的 PP-HGNet 的下一代版本，其在 PP-HGNet 的基础上，做了进一步优化和改进，最终在 NVIDIA GPU 设备上，将 “Accuracy-Latency Balance” 做到了极致，精度大幅超过了其他同样推理速度的模型。其在单标签分类、多标签分类、目标检测、语义分割等任务中，均有较强的表现。

YoloV8改进策略：主干网络篇|MobileNetV4主干替换YoloV8的BackBone（独家原创）

m0_47867638的博客

06-08

2587

今年，轻量级王者MobileNetV4闪亮登场！在我们这篇文章里，我们把MobileNetV4加入到了YoloV8中，替换原有的BackBone。哈哈，你猜怎么着？效果超赞！文章里详细记录了改进过程，给那些正在为创新点子发愁的小伙伴们提供了满满的灵感。嘿，想要发表关于轻量级改进的论文？这篇文章绝对是你的首选参考！

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

1204

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。

2020 Domain Adaptation 最新论文：插图速览（三）

u014546828的博客

11-30

3492

2020 Domain Adaptation 最新论文：插图速览（三）目录 Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation Every Pixel Matters: Center-aware Feature Alignment for Domain Adaptive Object Detector A Balanced and Uncertainty-aware Approach for P

芒果YOLOv5改进47：主干Backbone篇之PPHGNetv2：改进版目标检测新范式骨干PPHGNetv2，独一无二的原创改进，有效提升YOLOv5检测器检测精度

包括YOLOv5、YOLOv7、YOLOv8等模型改进

10-31

1341

YOLOv5代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构

OCR text detect

mddCSDN的博客

07-03

1220

HGNet 作者针对 GPU 设备，对目前 GPU 友好的网络做了分析和归纳，尽可能多的使用 3x3 标准卷积（计算密度最高）。在此将 VOVNet 作为基准模型，将主要的有利于 GPU 推理的改进点进行融合。VoVNet 通过引入 OSA（One-Shot Aggregation）模块来优化特征提取过程，提高了网络的效率和性能。PP-HGNetV2 是 PP-HGNetV1 的改进版本，在多个方面进行了优化和增强，以提高模型的性能和效率。

RT-DETR融合[CVPR2024]TransNeXt中的CGLU模块及相关改进思路

深度学习炼丹师，偶尔分享炼丹技术!

12-09

1680

论文速览：由于残差连接的深度退化效应，许多依赖堆叠层进行信息交换的高效视觉变形模型往往不能形成足够的信息混合，导致视觉感知不自然。为了解决这个问题，在本文中，我们提出了聚合注意力，这是一种基于仿生设计的令牌混合器，它模拟生物中央凹视觉和连续眼运动，同时使特征映射上的每个令牌具有全局感知。此外，我们结合了可学习的令牌，与传统的查询和键交互，这进一步多样化了亲和矩阵的生成，而不仅仅依赖于查询和键之间的相似性。我们的方法不依赖于堆叠进行信息交换，从而有效地避免了深度退化，实现了自然的视觉感知。

YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

热门推荐

Snu77的博客

12-30

15万+

Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。

YOLO系列：详细解读YOLOv8的改进模块！

与君共勉，一起学习

02-01

2801

针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了所谓的C3 Block，这里的CSP主分支梯度模块为BottleNeck模块，也就是所谓的残差模块。同时堆叠的个数由参数n来进行控制，也就是说不同规模的模型，n的值是有变化的。通过C3代码可以看出，对于cv1卷积和cv2卷积的通道数是一致的，而cv3的输入通道数是前者的2倍，因为cv3的输入是由主梯度流分支（BottleNeck分支）依旧次梯度流分支（CBS，cv2分支）cat得到的，因此是2倍的通道数，而输出则是一样的。

基于深度学习加速的YOLOv8模型优化：PP-HGNetV2与轻量化卷积的融合应用

shrgegrb的博客

03-06

980

在目标检测领域，YOLO系列（You Only Look Once）模型一直以其快速的推理速度和高效的性能著称。然而，随着深度学习模型规模的增加，尤其是在面对高分辨率图像时，模型的计算量和内存需求也不断增加。为了在保持高效性和精度的同时减少计算开销，轻量化卷积技术逐渐成为了研究的热点。本篇博客将探讨如何通过轻量化卷积技术优化PP-HGNetV2，并将其应用于YOLO模型的主干网络。我们将介绍PP-HGNetV2的特点、轻量化卷积的原理、以及具体的实现方式，最后通过详细的代码示例展示如何将这一技术应用于YOL

rtdetr如何替换HGBlock

12-26

### 替代 HGBlock 的方法和实现细节在 RTDETR 模型中，HGBlock 是一个重要的组成部分，负责特定的任务如特征提取。为了替换 HGBlock，需遵循以下原则： 1. **理解现有架构**：首先应深入研究当前使用的 HGBlock 架构及其功能[^1]。 2. **选择合适的替代模块**：根据需求挑选适合的新组件来代替 HGBlock。例如可以选择 ResNet 或者 EfficientNet 中的某些单元作为候选对象。这些新组件应该具备相似的功能特性以便于无缝集成到原有框架内。 3. **修改配置文件**：对于基于 PyTorch 实现的项目来说，通常会有一个 YAML 配置文件定义网络结构和其他超参数设置。因此，在此阶段需要编辑该文件以反映所选替代理论上的改变。比如将 `model.yaml` 文件中的相应部分更新为新的构建块描述。 4. **编码实现自定义层**：如果选用的是非标准库提供的组件，则可能还需要编写额外 Python 类来自定义所需行为。这涉及到继承 nn.Module 基类并重写 forward 方法等内容。 5. **测试与验证**：完成上述更改之后务必进行全面测试确保一切正常工作，并对比原版性能指标评估改进效果。下面是一个简单的例子展示如何用Residual Block 来取代原有的 HGBlock: ```python import torch.nn as nn class ResidualBlock(nn.Module): expansion = 1 def __init__(self, in_channels, out_channels, stride=1, downsample=None): super().__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, bias=False) self.bn1 = nn.BatchNorm2d(out_channels) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(out_channels, out_channels * self.expansion, kernel_size=3, stride=stride, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(out_channels * self.expansion) self.downsample = downsample def forward(self, x): residual = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) if self.downsample is not None: residual = self.downsample(x) out += residual out = self.relu(out) return out ``` 接着可以在模型初始化时指定使用这个新的残差块而不是原来的 HGBlock : ```python from ultralytics import RTDETR if __name__ == '__main__': class CustomRTDETR(RTDETR): def _make_layer(self, block, planes, blocks, stride=1): layers = [] for i in range(blocks): if i == 0 and stride != 1 or self.inplanes != planes * block.expansion: downsample = nn.Sequential( nn.Conv2d(self.inplanes, planes * block.expansion,kernel_size=1,stride=stride,bias=False), nn.BatchNorm2d(planes * block.expansion)) else: downsample = None layers.append(block(self.inplanes, planes, stride,downsample)) self.inplanes = planes * block.expansion return nn.Sequential(*layers) custom_model = CustomRTDETR("rtdetr-l.pt") # 使用自定义block替换默认的HGBlock setattr(custom_model.backbone.body.layerX, 'blocks',custom_model._make_layer(ResidualBlock,...)) ... ``` 请注意以上代码仅为示意性质，实际操作过程中还需考虑更多因素如输入输出尺寸匹配等问题。