yolov8添加ghost

最新推荐文章于 2025-04-06 00:26:30 发布

Darksidebling

最新推荐文章于 2025-04-06 00:26:30 发布

阅读量454

点赞数 3

文章标签： YOLO

本文链接：https://blog.youkuaiyun.com/Darksidebling/article/details/143771164

版权

#可以参考博客#

具体的还有很多操作别的部分应该也是类似的加入

【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）_c3ghost结构图-优快云博客

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

Darksidebling

关注关注

3
点赞
踩
0

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
举报

举报

【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码)

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。

02-18

8160

在嵌入式设备上部署卷积神经网络（CNNs）由于有限的内存和计算资源而变得困难。特征图中的冗余是那些成功的CNNs的一个重要特性，但在神经架构设计中很少被研究。本文提出了一种新颖的Ghost模块，用于通过低成本操作生成更多的特征图。基于一组内在特征图，我们应用一系列低成本的线性变换来生成许多能够充分揭示内在特征信息的幽灵特征图。所提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。设计了Ghost瓶颈来堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。在基准测试上进行的实验表明

yolov8魔改之Ghost引入

Littro Innovations

06-04

1152

Ghost层是在CVPR 2020上由华为诺亚方舟实验室提出的7。它是一种新型的端侧神经网络架构，称为GhostNet。Ghost层的核心思想是通过廉价操作生成更多的特征图，从而在保持精度的同时减少计算量和参数量。在YOLO（You Only Look Once）目标检测模型中引入Ghost层是可行的，并且可以带来一些潜在的性能提升。这些改进使得Ghost层及其衍生架构在轻量化网络设计和推理加速方面具有显著的技术提升。以下是引入Ghost的网络层结构。

参与评论您还未登录，请先登录后发表或查看评论

【保姆级教程|YOLOv8替换卷积】替换改进GhostConv模块（轻量化网络）（包运行）（毕设、小论文必看）

最新发布

anzhi_1211的博客

04-06

2232

博客主要详细教学了在YOLOv8中替换GhostConv的超详细步骤，基本大家只要按步骤来就肯定可以复现成功，后续博主也会再更新一些关于YOLOv8的其他改进方法，期待大家多多关注！！！大家有想看的内容也可以在评论区留言！

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

1441

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 - 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示

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。

07-24

563

卷积神经网络（CNNs）在计算机视觉中无处不在，具有众多高效的变体。最近，最初在自然语言处理（NLP）中引入的Transformers越来越多地被应用于计算机视觉领域。尽管早期采用者继续使用CNN骨干网络，但最新的网络是端到端的、无CNN的Transformer解决方案。一个最近令人惊讶的发现表明，基于简单多层感知机（MLP）的解决方案，即使没有传统的卷积或Transformer组件，也能生成有效的视觉表示。

YOLOv8 | 鬼魅（幽灵）卷积 | 改进Ghost卷积轻量化网络

kay_545

03-27

3267

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。

YOLOv8 改进：利用 GhostModule 提升 C2f 层

走向CTO的路上...

08-09

1975

YOLOv8 作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著进步。然而，YOLOv8 模型的计算量仍然较大，在一些资源受限的场景下部署可能存在困难。为了解决这一问题，本文提出了一种利用 GhostModule 提升 YOLOv8 C2f 层的方案，该方案可以有效降低模型的计算量，同时保持模型的精度。利用 GhostModule 提升 YOLOv8 C2f 层可以有效降低模型的计算量，同时保持模型的精度，这对于在移动端、嵌入式设备等资源受限的场景部署 YOLOv8 模型具有重要意义。

YOLOv8改进：构建新的C2f_RepGhost模块，针对Ghost进行重参数化，速度，mAP双提高！

Mirana

11-27

6845

请大家记住本号“YOLO歪瓜裂枣”，抵制搬运！这是作者在文中的实验结果图，对比实验结果图，证明提出的RepGhost模块的有效性。

yolov8添加ghostnet

01-15

为了使Ghost模块能够有效融入YOLOv8架构，需仔细规划其结构布局，确保新加入的部分可以无缝对接原有体系中的各个要素[^1]。 #### 实现方法以下是具体实现这一过程的方式： 1. **修改网络定义文件** 修改YOLOv8的...

【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点

m0_63430863的博客

07-24

2270

【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点

【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码)

m0_63430863的博客

06-22

1496

轻量级卷积神经网络（CNNs）专为移动设备上的应用而设计，具有更快的推理速度。卷积操作只能捕获窗口区域内的局部信息，这限制了性能的进一步提升。将自注意力引入到卷积中可以很好地捕获全局信息，但这将大大增加实际速度的负担。在本文中，我们提出了一种硬件友好的注意力机制（称为DFC注意力），然后为移动应用呈现了一个新的GhostNetV2架构。所提出的DFC注意力基于全连接层构建，不仅可以在常见硬件上快速执行，还能捕获长距离像素之间的依赖关系。

【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码).md

m0_63430863的博客

06-22

1607

我们提出了SegNeXt，一种用于语义分割的简单卷积网络架构。最近基于变换器的模型由于自## 摘要在嵌入式设备上部署卷积神经网络（CNNs）由于有限的内存和计算资源而变得困难。特征图中的冗余是那些成功的CNNs的一个重要特性，但在神经架构设计中很少被研究。本文提出了一种新颖的Ghost模块，用于通过低成本操作生成更多的特征图。基于一组内在特征图，我们应用一系列低成本的线性变换来生成许多能够充分揭示内在特征信息的幽灵特征图。所提出的Ghost模块可以作为一个即插即用的组件来升级现有的卷积神经网络。

YOLOv8改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构

Limiiiing的博客

12-16

254

本文记录的是基于的YOLOv8网络模型轻量化方法研究。GhostNet中的Ghost模块和Ghost瓶颈结构是其轻量化的关键。Ghost模块克服了传统卷积层计算资源需求大的问题,Ghost瓶颈则合理设计了通道数量的变化以及与捷径连接的方式，能更好地在减少计算成本的同时保持较高性能，从而提升模型在移动设备上的应用能力和效率。

Yolov8轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020

06-20

2061

Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，减少最新的深度神经网络的计算成本，引入高效的神经网络结构。

主干网络篇 | YOLOv8更换主干网络之GhostNet

突然好想你

03-23

1307

GhostNet是2019年由华为诺亚方舟实验室发布的轻量级网络，速度和MobileNetV3相似，但是识别的准确率比MobileNetV3高本文就教大家如何将YOLOv8的主干网络更换为GhostNet！~🌈

再次认识ultralytics项目（大目标检测、小目标检测、yolov8-ghost、旋转目标检测、自动标注）

a486259的博客

01-07

8184

是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。随着其官方团队对ultralytics项目的不断完善，其所支持的功能在不断扩展，为此重新对ultralytics项目进行深入分析。

YOLOv8优化策略：轻量化改进 | 华为Ghostnet，超越谷歌MobileNet | CVPR2020

会AI的学姐

01-10

1204

Ghost bottleneck为堆叠Ghost模块，与YOLOV8建立轻量C2f_GhostBottleneck

芒果YOLOv8改进121：基于Ghost提出多种原创结构ReNLANGhost, CSCGhost, CPNGhost, C3_Ghost, C2f_Ghost等，即插即用，提升小目标检测

包括YOLOv5、YOLOv7、YOLOv8等模型改进

03-25

423

基于Ghost提出多种原创结构ReNLANGhost, CSCGhost, CPNGhost, C3_Ghost, C2f_Ghost等，即插即用

【入门】【入门】三角形类别

11-04

在计算机程序设计中，尤其是面向对象编程中，我们可能会创建一个"三角形"类别（也称为类或类结构），作为几何形状的一种抽象表示。三角形是一个基本的图形，它由三条线段（边）连接三个点（顶点）构成。这个类通常会包含属性，如边长或角度，以及一些方法，如计算周长、面积等。例如，在Python中，一个简单的三角形类可能如下所示： ```python class Triangle: def __init__(self, side1, side2, side3): self.side1 = side1 self.side2 = side2 self.side3 = side3 # 计算周长 def perimeter(self): return self.side1 + self.side2 + self.side3 # Heron公式计算面积（假设所有边都是实数） def area(self): s = self.perimeter() / 2 return (s * (s - self.side1) * (s - self.side2) * (s - self.side3)) ** 0.5 # 使用示例 triangle = Triangle(3, 4, 5) print("Perimeter:", triangle.perimeter()) print("Area:", triangle.area()) ``` 在这个例子中，`Triangle`类就是一个基础的三角形分类，提供了初始化边长的方法和计算周长和面积的方法。