【YOLO改进】换遍MMDET主干网络之MobileNetv2（基于MMYOLO）

最新推荐文章于 2024-10-18 09:53:56 发布
原创 最新推荐文章于 2024-10-18 09:53:56 发布 · 1.2k 阅读 · 12 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #深度学习 #人工智能

MobileNetv2

MobileNetV2是一种专为移动和嵌入式视觉应用设计的轻量化网络结构。它在MobileNetV1的基础上引入了两个主要的创新点：反转残差结构（Inverted Residuals）和线性瓶颈层（Linear Bottlenecks）。

  1. 反转残差结构：与传统的残差块结构不同，MobileNetV2的反转残差结构首先通过1×1的卷积操作增加特征通道数（即“扩张”），然后再通过一个轻量级的深度卷积（Depthwise Convolution）进行特征提取，最后通过1×1的卷积操作减少特征通道数（即“压缩”）。这种设计可以在保持模型轻量级的同时，提高特征的表征能力。
  2. 线性瓶颈层：在残差块的最后一个1×1卷积之后，为了避免ReLU激活函数对特征的破坏，MobileNetV2使用了线性激活函数。这样可以更好地保留特征的信息，有助于提高模型的性能。

MobileNetV2作为YOLO主干网络的可行性分析

  1. 性能优势：MobileNetV2作为一种轻量级的网络结构，具有较小的模型大小和较快的推理速度，这使得它非常适合作为实时目标检测任务中YOLO的主干网络。同时，由于其优秀的特征表征能力，MobileNetV2可以提取到丰富的图像特征信息，有助于提高目标检测的精度和效率。
  2. 兼容性：YOLO算法本身是基于卷积神经网络的，而MobileNetV2也是一种基于卷积神经网络的模型。因此，将MobileNetV2作为YOLO的主干网络具有很好的兼容性。通过合理地设计网络结构和参数设置，可以将MobileNetV2与YOLO的检测头进行有效地融合，形成完整的目标检测模型。
  3. 优化与改进：虽然MobileNetV2已经具有很好的性能表现，但在实际应用中还可以根据具体任务需求进行进一步的优化和改进。例如，可以通过调整网络深度、宽度和卷积核大小等参数来平衡模型的性能和速度；也可以采用一些先进的优化技术
最低0.47元/天 解锁文章
主干网络篇 | YOLOv8更换主干网络之MobileNetV3
小哥谈
03-23 2113
MobileNetV3是一种轻量级的卷积神经网络架构，用于图像分类和目标检测任务。它是MobileNet系列的第三个版本，旨在在保持高准确性的同时减少模型的计算量和参数数量！~🌈
【YOLO改进】换遍MMPretrain主干网络之MobileNetV3（基于MMYOLO）
Vlone_pp的博客
05-16 2075
MobileNetV3是由Google团队在2019年提出的轻量化网络模型。传统的卷积神经网络内容需求大、运算量大，无法再移动设备以及嵌入式设备上运行，为了解决这一问题，MobileNet网络应运而生。MobileNetV3在MobileNet系列的基础上进行了进一步的优化和改进，旨在实现更小的模型大小、更低的计算成本和更高的性能。YOLO（You Only Look Once）是一种流行的实时目标检测算法，其核心思想是将目标检测任务转化为单次前向传播过程。
mobilenet_v2-b0353104.pth
02-25
权重文件：mobilenet_v2-b0353104.pth
YOLOv2+MobileNet，windows下调试
长飞哥的专栏
02-12 4070
看作者github更新了YOLO2代码，加入了groups机制，加了LSTM功能。要实现基于MobileNet的YOLO2，根据之前基于darknet的YOLO2版本可以简单修改。几个修改的地方：1、部分源文件中net定义变为指针。比如parser.c文件。一一修改。2、在data.c中线程代码段，有些产生随机数的代码需要修改，否则训练会一直跑同一张图像。比如rand()%m，用没有groups版...
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 4009
yolov5有效改进涨点，yolov5改进，yolov8
mobile-yolov5-pruning-distillation:mobilev2-yolov5s剪枝，蒸馏，支持ncnn，tensorRT部署。超轻但性能更好！
03-19
移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize
【YOLO改进】换遍MMDET主干网络之EfficientNet（基于MMYOLO）
Vlone_pp的博客
05-12 1128
EfficientNet是Google在2019年提出的一种新型卷积神经网络架构，其设计初衷是在保证模型性能的同时，尽可能地降低模型的复杂性和计算需求。EfficientNet的核心思想是通过均衡地调整网络的深度（层数）、宽度（每层的通道数）和分辨率（输入的图像尺寸）这三个维度，以实现模型的性能最大化。具体来说，EfficientNet使用了一个复合缩放方法（compound scaling method），该方法将深度、宽度和分辨率的缩放比例视为一个整体进行考虑，而不是分别进行缩放。
【YOLO改进】换遍MMDET主干网络之Res2Net（基于MMYOLO）
Vlone_pp的博客
05-10 956
Res2Net的核心结构是一个多分支的残差块，每个分支都有自己的卷积层，负责处理不同分辨率的特征。此外，Res2Net还可以在不增加网络深度的情况下提高网络性能，因此在一些计算资源有限的任务中，也具有一定的优势。Res2Net是ResNet（残差网络）的一种改进版本，主要通过引入多分支的结构和逐级增加的分辨率来提高网络的表达能力。Res2Net的核心思想是将多个分支的信息融合在一个残差块中，以提高网络对不同分辨率的特征的表达能力。
【YOLO改进】换遍MMDET主干网络之Pyramid Vision Transformerv2（PVTv2）（基于MMYOLO）
Vlone_pp的博客
05-11 1535
Pyramid Vision Transformer v2（PVTv2）是在PVTv1的基础上进行改进的一种深度学习模型，它同样结合了Transformer架构和金字塔结构，旨在提供更强大的特征表示和更好的性能。通过这些改进，PVTv2在多个基本视觉任务（如分类、检测和分割）上实现了显著的性能提升，并且在参数量和计算量方面也具有更好的优化。
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV2【小白必备教程+附完整代码】
kay_545
08-06 2469
yolov5，yolov5改进，MobileNet v2
ssdlite_head.py
06-15
该文件为mobilenetv2 的检测头，与mobilenetv2 配合，达到了很好的检测效果。在ＶＯＣ数据集上达到了７０．３的ｍａｐ.
YOLOv5改进：更换骨干网（Backbone）
bai666ai的博客
06-19 6093
本课程讲述对YOLOv5进行更换骨干网（backbone；主干网）的方法，使其更加轻量或提高性能。
【目标检测】YOLO系列大合集
小白一枚～
10-18 5471
本文对 YOLO 系列目标检测模型的不同版本做了简要介绍，涵盖了从最早的 YOLOv1 到最新的 YOLOv11。特别适合刚接触 YOLO 模型但又想快速了解它发展历程的读者。文章简单明了地解释了每个版本的主要特点和改进，帮助你快速掌握 YOLO 系列的演变。
【目标检测】60、MMYOLO | 如何使用 MMYOLO 训练模型
呆呆的猫的博客
02-02 1万+
本文主要介绍如何使用 MMYOLO 进行模型训练
目标检测基础
yiyayiya557的博客
08-14 1001
参考文章 【模型压缩和加速】inception/mobilenet/squeezenet/shuffle https://zhuanlan.zhihu.com/p/104054833 ShufflenetV2_高效网络的4条实用准则 https://zhuanlan.zhihu.com/p/42288448 The backbone is replaced with ShuffleNet v2 https://github.com/ZhuYun97/ShuffleNetv2-YOLOv3 目标
【亲测免费】 Faster RCNN 部署教程
gitblog_00742的博客
09-14 1280
Faster RCNN 部署教程 1. 项目介绍 Faster RCNN 是一种先进的对象检测算法，广泛应用于计算机视觉领域。本项目旨在提供一个快速部署 Faster RCNN 模型的解决方案，使用户能够轻松地将训练好的模型部署到生产环境中。项目基于开源框架，支持多种后端引擎，如 TensorRT 和 ONNX Runtime，以优化推理性能。 2. 项目快速启动 2.1 环境准备 在开始之前，请...
rock数据集MobileNet实现
qq_42999938的博客
05-07 426
1.搭建MobileNet网络 MobileNetV2_model.py from torch import nn import torch def _make_divisible(ch, divisor=8, min_ch=None): """ This function is taken from the original tf repo. It ensures that all layers have a channel number that is divisible
轻量化网络：MobileNet-V2
热门推荐
人工智能技术学习与分享
01-23 15万+
创新点 正文 MobileNet-V2网络结构 MobileNetV2: 《Inverted Residuals and Linear Bottlenecks: Mobile Networks for Classification, Detection and Segmentation》 于2018年1月公开在arXiv(美[ˈɑ:rkaɪv]) ：https://arxi...
mobileNetV2解析以及多个版本实现
AI浩
02-02 1万+
mobileNetV2是对mobileNetV1的改进，是一种轻量级的神经网络。mobileNetV2保留了V1版本的深度可分离卷积，增加了线性瓶颈（Linear Bottleneck）和倒残差（Inverted Residual）。 MobileNetV2的模型如下图所示，其中t为瓶颈层内部升维的倍数，c为特征的维数，n为该瓶颈层重复的次数，s为瓶颈层第一个conv的步幅。 除第一层外，整个网络中使用恒定的扩展率。 在实验中，发现在 5 到 10 之间的扩展率会导致几乎相同的性能曲线，较小的网络在扩展率
YOLOv8改进系列,YOLOv8替换主干网络为MobileNetV3
最新发布
07-13
在YOLOv8目标检测模型中将主干网络替换为MobileNetV3，是提升模型性能和效率的一种常见做法。这种改进方式可以显著减少计算资源消耗，同时保持较高的检测精度，适用于移动端或边缘设备部署场景。 ### 替换主干网络的核心步骤 1. **理解YOLOv8的架构** YOLOv8由主干网络（Backbone）、特征金字塔网络（Neck）以及检测头（Head）组成。主干网络负责提取图像的基础特征，通常采用CSPDarknet等结构[^4]。将主干网络替换为MobileNetV3，需要确保其输出的特征图与Neck部分兼容。 2. **引入MobileNetV3作为新主干** MobileNetV3是一种轻量级卷积神经网络，通过使用深度可分离卷积（Depthwise Separable Convolution）和Squeeze-and-Excitation模块来优化计算效率与准确率之间的平衡。其两种变体（Large和Small）可根据具体需求选择[^5]。例如，MobileNetV3-Large适合对精度要求较高的场景，而MobileNetV3-Small更适合资源受限的环境。 3. **适配特征金字塔输入** 由于不同主干网络输出的特征层维度可能不一致，需要调整Neck部分的输入通道数以匹配MobileNetV3的输出。例如，在YOLOv8中，PANet（Path Aggregation Network）作为Neck模块，需根据MobileNetV3输出的特征图进行通道调整。 4. **修改配置文件** 在YOLOv8的配置文件中（如`yolov8s.yaml`），找到定义Backbone的部分，并将其替换为MobileNetV3的实现类。例如： ```yaml backbone: type: MobileNetV3 name: mobilenet_v3_large # 或mobilenet_v3_small pretrained: True # 使用预训练权重 ``` 5. **迁移学习与微调** 替换主干网络后，建议使用ImageNet预训练的MobileNetV3权重进行初始化，然后对整个模型进行微调。这有助于加快收敛速度并提高最终性能。 6. **评估与优化** 在验证集上测试改进后的模型，关注关键指标如mAP、FPS（帧率）和参数量。如果发现精度下降明显，可尝试以下优化手段： - 引入注意力机制（如SE、CBAM） - 增加特征融合模块 - 调整输入图像分辨率 ### 示例代码片段：集成MobileNetV3到YOLOv8 以下是一个简化版的PyTorch代码示例，展示如何将MobileNetV3集成到YOLOv8中： ```python import torch from torchvision.models import mobilenet_v3_large class MobileNetV3Backbone(torch.nn.Module): def __init__(self, pretrained=True): super().__init__() backbone = mobilenet_v3_large(pretrained=pretrained) self.feature_extractor = torch.nn.Sequential(*list(backbone.children())[:-2]) def forward(self, x): return self.feature_extractor(x) # 在YOLOv8模型中替换Backbone from ultralytics import YOLO model = YOLO("yolov8s.yaml") # 加载自定义配置 model.model.backbone = MobileNetV3Backbone(pretrained=True) # 替换主干网络 ``` ### 总结 将MobileNetV3作为YOLOv8的主干网络，不仅能有效降低模型复杂度，还能在保持较高检测精度的前提下实现更高效的推理速度。这一改进方案特别适用于对实时性和硬件资源有限制的应用场景，如智能摄像头、无人机视觉导航等。 ---
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