YOLO11改进|YOLO11中引入轻量级幽灵卷积GhostConv

最新推荐文章于 2025-04-25 21:30:00 发布
最新推荐文章于 2025-04-25 21:30:00 发布
阅读量84 收藏
点赞数
分类专栏： YOLO11改进专栏 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.youkuaiyun.com/A1983Z/article/details/146389381
版权

在这里插入图片描述

目录

一、【GhostConv】

1.1【GhostConv】介绍

下图是【GhostConv】的结构图，让我们简单分析一下运行过程和优势

运行过程:

  • ConvModule（卷积模块）：
    图中有两个卷积模块（ConvModule）。每个卷积模块通过卷积操作提取特征图（feature maps）。通常，卷积模块包括卷积层、激活函数、归一化层等。
  • Concat（拼接）：
    两个卷积模块的输出特征图在图中通过“Concat”（拼接）
了解本专栏 订阅专栏 解锁全文 超级会员免费看
YOLO11改进 | 融合改进 | C3k2融合 Context Anchor Attention 【两个版本融合-独家创新】
kay_545
11-07 1446
yolo11，yolo11改进，融合创新，独家改进
YOLO11改进|卷积篇|引入大感受野小波卷积WTConv
A1983Z的博客
10-21 1238
YOLO11中引入大感受野小波卷积WTConv
YOLOv9独家原创改进|加入幽灵卷积Ghost Convolution模块，轻量化！
深度学习炼丹师，偶尔分享炼丹技术!
03-04 6139
由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络是困难的。特征图中的冗余是那些成功的细胞神经网络的一个重要特征，但在神经结构设计中很少进行研究。本文提出了一种新的Ghost模块，通过少量的计算生成更多的特征图。基于一组内在特征图，我们以低廉的成本应用一系列线性变换来生成许多重影特征图，这些重影特征图可充分揭示内在特征背后的信息。所提出的Ghost模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost瓶颈被设计为堆叠Ghost模块，然后可以轻松地建立轻量级GhostNet。
幻影卷积Ghost conv
weixin_43644477的博客
01-03 1174
1.将原来的特征层经过1x1卷积进行通道融合变为特征层（2）2.将（2）进行深度卷积变为（3）3.将（2）（3）特征层进行拼接。
轻量级网络Ghostnet(GhostConv(幻影卷积)、Ghost BottleNeck)详解
热门推荐
weixin_43960370的博客
04-22 3万+
该论文提供了一个全新的Ghost模块，旨在通过廉价操作生成更多的特征图。基于一组原始的特征图，作者应用一系列线性变换，以很小的代价生成许多能从原始特征发掘所需信息的“Ghost”特征图（Ghost feature maps）。该Ghost模块即插即用，通过堆叠Ghost模块得出Ghost bottleneck，进而搭建轻量级神经网络——GhostNet。
即插即用的涨点模块之变体卷积（Ghost卷积）详解及代码，可应用于检测、分割、分类等各种算法领域
qq_51511878的博客
04-21 1万+
来源：CVPR2020官方代码：https://github.com/huawei-noah/ghostnetGhost 模块是一种针对卷积神经网络（CNN）的创新设计，特别适用于嵌入式设备，这些设备通常具有有限的内存和计算资源。Ghost 模块的核心思想是利用已有的特征图（feature maps）通过低成本的线性变换生成更多的“幽灵”特征图（ghost feature maps），从而提高网络的计算效率。
YOLO11创新改进系列：卷积，主干 注意力，C3k2融合，检测头等创新机制（已更新110+）
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。
10-29 1万+
本专栏提供详细的 YOLO11 教程，包括基础知识、源码解析、入门实践、算法改进和项目实战，适合发表YOLO11 学习者订阅。内容包含 100+多篇独家改进机制，适合发表论文，评分高达 96 分。订阅者将获得一键运行的改进文件及答疑交流群支持。 使用服务器的同学还可以私聊获取搭建好的运行环境。
YOLOv8 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络
kay_545
03-27 3095
卷积层和建议的 Ghost 模块的图示，用于输出相同数量的特征图。Φ 代表廉价操作深度卷积神经网络通常由大量卷积组成，这会导致巨大的计算成本。尽管 MobileNet 和 ShuffleNet 等最近的工作引入了深度卷积或洗牌操作，以使用较小的卷积滤波器（浮点数操作）构建高效的 CNN，但剩余的 1 × 1 卷积层仍然会占用大量内存和失败。其中*是卷积运算，b是偏置项，Y ∈ Rh′×w′×n是n个通道的输出特征图，f ∈ Rc×k×k×n是该层的卷积滤波器。
YOLOv11融合CVPR[2020]轻量化卷积模块Ghost Module模块及相关改进思路|YOLO改进最简教程
深度学习炼丹师，偶尔分享炼丹技术!
11-11 2637
论文速览：CNN 的最新进展主要致力于设计更复杂的架构以提高其表示学习能力。在本文中，我们考虑在不调整模型架构的情况下改进 CNN 的基本卷积特征转换过程。为此，我们提出了一种新的自校准卷积，它通过内部通信显式扩展了每个卷积层的视野，从而丰富了输出特征。特别是，与使用小内核（例如 3 × 3）融合空间和通道信息的标准卷积不同，我们的自校准卷积通过一种新颖的自校准操作，在每个空间位置自适应地构建长距离空间和通道间依赖关系。因此，它可以通过明确地整合更丰富的信息来帮助 CNN 生成更具鉴别性的表示。
YOLOv11改进 | 主干/Backbone篇 | 华为移动端目标检测模型Ghostnetv1改进yolov11特征提取网络
Snu77的博客
10-24 1541
本文给大家带来的改进机制是华为移动端模型Ghostnetv1，华为的GhostNet是一种轻量级卷积神经网络，旨在在计算资源有限的嵌入式设备上实现高性能的图像分类。GhostNet的关键思想在于通过引入Ghost模块，以较低的计算成本增加了特征图的数量，从而提高了模型的性能。这种方法在计算资源有限的情况下，尤其适用于图像分类任务，并在一些基准测试中表现出了很好的性能。本文将通过首先介绍其主要原理，然后手把手教大家如何使用该网络结构改进我们的特征提取网络。华为移动端目标检测模型Ghostnetv1改进yolo
YOLO11涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
10-10 512
1)引入了一个新的 Ghost 模块，通过使用更少的参数来生成更多的特征; 2)基于 Ghost 模块，建立了一个高效的神经架构，即 GhostNet。
RK3588芯片NPU的使用：yolov8-pose例子图片检测在安卓系统部署与源码深度解析（rknn api）
最新发布
懒人的技术笔记
04-25 1123
该方法对检测模型的输出进行后处理，包括 检测框解码、置信度过滤、非极大值抑制（NMS）以及关键点坐标映射，最终输出人体检测框和对应的关键点信息，封装在object_detect_result_list中。SDK支持的查询命令很多，具体参考官方文档：04_Rockchip_RKNPU_API_Reference_RKNNRT_V2.3.0_CN.pdf。：用于 RKNN_QUERY_IN_OUT_NUM 命令的返回结果，存储模型的输入/输出张量数量。没什么好说的，输入设置完毕后，执行模型推理。
基于深度学习Yolo8的驾驶员疲劳与分心行为检测系统
XiaoCoder的博客
04-23 245
③：技术栈：Python、PySide6、OpenCV、YOLOv8、Matplotlib、NumPy。②：开发环境：Python3.8+、PyCharm/VSCode。①：疲劳检测：眨眼频率监测、哈欠检测、Perclos模型评分。②：分心行为识别：手机使用检测、抽烟行为检测、喝水行为检测。④：数据统计：行为数据可视化、疲劳指标统计、数据导出功能。①：系统环境：Windows/Mac/Linux。③：实时监控：摄像头实时画面显示、状态实时更新。【三】疲劳检测模型与行为分析统计。
YOLOv11改进：轻量化模型MobileNetv4
qq_44231797的博客
04-24 937
它通过整合多种先进技术，如通用反转瓶颈（UIB）、针对移动设备优化的注意力机制（Mobile MQA），以及先进的架构搜索方法（NAS），实现了在不同硬件上的高效运行，成功打造出一系列在移动设备上表现最优的模型，兼顾计算效率和精度，实现了在多种硬件平台上的帕累托最优性能。**MobileNetV4（MNv4）**是最新一代的MobileNet，其核心原理在于实现了跨各种移动设备的高效性能,**预处理（pre-process）：**0.6毫秒（ms）**推理（inference）：**6.6毫秒（ms）
[AI]从零开始的TensorRT加速推理YOLO11教程
c858845275的博客
04-23 869
讲解了TensorRT的安装，.trt模型的转换以及spacewalk01/yolov11-tensorrt项目的编译与项目集成！
开源项目实战学习之YOLO11：ultralytics-cfg-datasets-Argoverse、carparts-seg.yaml文件（二）
kngines
04-24 505
开源项目实战学习之YOLO11：ultralytics-cfg-datasets-yaml文件（二）
YOLO11改进：backbone主干改进 | StarNet：超强轻量级Backbone
Loving_enjoy的博客
04-24 318
在实时目标检测领域，模型精度与推理速度的博弈始终是白热化的焦点。当YOLOv11以**56.3 mAP**和**214 FPS**的震撼成绩刷新COCO榜单时，微软却悄然祭出一项颠覆性架构——**StarNet**，用0.7秒延迟在移动端实现73.5%的ImageNet精度。这场看似平行的技术竞赛，实则暗藏着目标检测轻量化的未来密码。本文将深度解构YOLOv11的Backbone改进与StarNet的创新本质，揭示二者融合将如何重塑实时检测的技术版图。## 一、YOLOv11的Backbone革命：从C3到
使用ultralytics的yolo11训练自定义数据集的图像分类模型+预测+导出onnnx模型+trtexec转engine模型
深耕AI
04-23 292
训练完成后，就会在ultralytics-clas/runs/classify/train目录下，得到一些文件。其中，weight文件里面，就是训练得到的模型文件.pt，有两个best和last。就会得到输出结果：包含分类标签，预测得分，结果，速度，输入图的大小。打开Pycharm设置环境并编写训练代码。
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
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