ResNet、MobileNet、YOLOv3、DeepLabv3+ 比较

于 2025-05-23 15:48:17 发布
阅读量920 收藏 12
点赞数 14
CC 4.0 BY-SA版权
分类专栏： AI 文章标签： YOLO 目标跟踪 人工智能 机器学习 数据挖掘
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/Yulay01/article/details/148170147

模型架构对比表

模型 类型 核心创新点 参数量 计算量(GFLOPs) 典型应用场景 优势 局限性
ResNet 图像分类 残差连接（解决深层网络梯度消失/爆炸问题） 18M-256M 1.8-3.8 图像分类、特征提取基础网络 可训练极深网络（152层+），精度高，泛化能力强 参数量大，计算密集，部署成本高
MobileNet 轻量级分类 深度可分离卷积（Depthwise Separable Convolution） 3.4M-5.6M 0.05-0.22 移动端图像分类、检测、分割 模型小、速度快，适合资源受限设备 精度略低于同规模ResNet，复杂场景表现有限
YOLOv3 目标检测 多尺度预测、特征金字塔（FPN）、Logistic分类器 61.9M 65.9<
最低0.47元/天 解锁文章

200万优质内容无限畅学
YOLOv5轻量化: MobileNetV3，适用于计算机视觉的轻量级骨架首选
IdfdFsharp的博客
09-21 888
YOLOv5是一种流行的目标检测算法，而MobileNetV3是一种轻量级的卷积神经网络骨架。本文将详细介绍如何使用YOLOv5和MobileNetV3进行目标检测，并提供相应的源代码。接下来，我们将使用YOLOv5的预训练模型进行目标检测。综上所述，YOLOv5轻量化结合MobileNetV3是计算机视觉中进行目标检测的理想选择。通过使用预训练模型和微调技术，我们可以实现高效且准确的目标检测任务。除了使用预训练模型进行目标检测外，我们还可以对模型进行微调。对象中，并使用适当的优化器和损失函数进行微调。
yolov8 做图片分类和 ResNet Efficientnet 等常用分类网络的对比
shiter编写程序的艺术
04-14 2897
图片分类哪家强？
使用YoloX+DeepLabV3Plus实现仪表的检测、指针表盘分割和刻度读数识别（借助ncnn框架）
qq_41572755的博客
10-18 2523
使用YoloX+DeepLabV3Plus实现仪表的检测、指针表盘分割和刻度读数识别（借助ncnn框架）GitHub链接：https://github.com/zhahoi/YoloX-DeepLabV3Plus-MeterReader。
实例分割——Mask R-CNN、YOLOV8、RTMDET、DeepLab四种实例分割算法比对
知来者逆的博客
05-09 1万+
与目标检测不同，实例分割不仅识别对象的存在，还为每个检测到的对象生成一个像素级别的掩码，这允许更精细的分析和编辑。从上面这个例子可以看出，检测任务定位了对象的包围框，语义分割分割出了人这个类别，不过把所有的人一起分割了，实例分割区分出了每个人，并分别进行了分割。为了解决RoI Pooling中的量化问题，Mask R-CNN引入了RoIAlign层，它通过双线性插值精确地计算输入特征在RoI上的值，而不进行量化，从而更好地保持空间对齐，这对于生成高质量的分割掩码至关重要。
目标检测（YOLO，FPN，RetinaNet，SSD）
nakaizura
03-03 1万+
在前一篇目标检测,所整理的R-CNN，SPP，Fast R-CNN，Faster R-CNN中，这些目标检测技术都只是两阶段，比如性能相对来说最好的Faster R-CNN，是先用RPN生成候选目标区域，然后再进行Fast R-CNN的方法，继续目标对象的分类和边框的回归预测。那有办法一步做完这些事吗？ 大多数锚箱不包含物体，导致极端的类别不平衡。 RetinaNet ...
MobileNetV2 和 V1， V3和ResNet
It is me 的博客
07-09 2611
MobileNet 由谷歌在 2017 年提出，是一款专注于在移动设备和嵌入式设备上的轻量级CNN神经网络，并迅速衍生了 v1 v2 v3 三个版本；相比于传统的 CNN 网络，在准确率小幅降低的前提下，大大减小模型参数和运算量。 1MobileNetV2 和 V1之间有啥不同？ 主要是两点： Depth-wise convolution之前多了一个1*1的“扩张”层，目的是为了提升通道数，获得更多特征； 最后不采用Relu，而是Linear，目的是防止Relu破坏特征。 ...
语义分割实战——基于DeepLabv3+神经网络头发分割系统源码
01-11 832
从backbone出来的feature map分两部分：一部分是最后一层卷积输出的feature maps，另一部分是中间的低级特征的feature maps；ASPP模块接受backbone的第一部分输出作为输入，使用了四种不同膨胀率的空洞卷积块（包括卷积、BN、激活层）和一个全局平均池化块（包括池化、卷积、BN、激活层）得到一共五组feature maps，将其concat起来之后，经过一个1*1卷积块（包括卷积、BN、激活、dropout层），最后送入Decoder模块。
深度学习笔记—从入门到入门
SnaiL2333的博客
02-01 702
深度学习深度学习入门神经网络以及误差反向传播神经元模型传统神经网络激活函数‘层’的概念误差反向传播算法神经网络到深度学习经典深度学习网络模型vgg模型resnet模型mobilenet模型语义分割经典FCN模型deeplab v3+模型目标检测yolo系列（待....） 深度学习入门 深度学习本质：建立输入与输出之间的对应关系 神经网络以及误差反向传播 传统神经网络层数比较浅，一般3到5层 神经元模型 每个神经元接受上层传来的数据，并将这些数据求加权和，然后输入到非线性激活函数中，最后激活函数的输出结果传
126基于deeplabv3+图像分割检测墙体裂缝
GBFGDSFSDD的博客
03-02 976
084基于CNN卷积神经网络的核桃品质检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、Re。089基于深度学习的小样本数据检测_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet。083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、Res。并生成评价指标图在IOU。
resnet和MobileNet
ffllxx123的博客
07-11 1654
无
卷网面试必备： yolo几代的区别
weixin_45188187的博客
06-10 1785
yolo几代的区别 YOLO V1 head检测头s=7 backbone 是googleNet YOLO V2 开始预测偏移量 检测头s=13 bounding box设置为五个，为了速度和准确度同时满足 Backbone 卷积尺寸变小，vgg net论文得到一个结论， 7* 7卷积可以用更小的卷积代替，且 33卷积更加节约参数，使模型更小 网络可以做得更深，更好地提取到特征。为什么？因为每做一次卷积，后面都会接一个非线性的激活函数，更深意味着非线性的能力更强了。所以，你可能以后再也见不到 77卷积了
主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络
weixin_39818775的博客
06-29 1842
近年来，深度卷积神经网络（CNN）在图像识别、目标检测等领域取得了巨大进展。然而，随着模型复杂度的不断提升，模型训练和部署所需的计算资源也呈指数级增长，这对于资源受限的设备和平台带来了挑战。为了解决这个问题，MobileNetV3 应运而生。MobileNetV3 是一种基于神经网络架构搜索（NAS）的轻量级卷积神经网络架构，它通过探索不同网络结构的组合，以最小化的计算代价获得最大化的精度，实现了模型的轻量化和高效性。
卷积神经网络与深度学习（第三次作业）
weixin_68753525的博客
04-01 343
resnet网络和yolo网络（第三次作业）
MobileNetV1、V2、V3 与 YOLO 分类模型的原理、应用场景及比较
最新发布
m0_44975814的博客
04-16 1327
在网络的前半部分，特征图的尺寸逐渐减小，通道数逐渐增加。以一个具体的倒残差块为例，假设输入特征图的通道数为 \(C_{in}\)，首先通过一个 \(1\times 1\) 卷积将通道数扩展到 \(tC_{in}\)（t 为扩展因子），然后进行深度卷积，最后通过一个 \(1\times 1\) 卷积将通道数压缩到 \(C_{out}\)。假设原始输入图像的尺寸为 \(H\times W\)，使用分辨率乘数 \(\rho\) 后，实际输入图像的尺寸变为 \(\rho H\times \rho W\)。
RESNET
m0_62917657的博客
09-14 598
conv2d这个函数的参数第一个是卷积层深度，输入图片是RGB3色的，32*32大小，所以是深度是3,16是卷积核的个数，尺寸为5*5,卷积后的矩阵尺寸大小为（32-5+2*0）/1（步长默认为1）+1=28。对于深层的 Bottleneck，1×1的卷积核起到降维和升维（特征矩阵深度）的作用，同时可以大大减少网络参数。观察下图的 ResNet18层网络，可以发现有些残差块的 short cut 是实线的，而有些则是虚线的。反之，若每一层的误差梯度大于1，反向传播时，网路越深，梯度越来越大。
【语义分割系列】基于改进Deeplabv3+的混凝土裂纹分割算法
qq_42782701的博客
05-10 5385
本文在论文[1]的基础上进行复现，供具有相似任务的同学参考。首先，使用MobileNetV3作为轻量级主干，大幅降低模型参数量；其次，使用尺度内特征交互模块建模全局信息并引入基于归一化的注意力机制，促进多层次裂缝特征信息交互；此外，提取低层次高分辨率特征后引入混合注意力机制，更有效捕获细节特征；最后，设计C2f-SCConv模块，对融合后的高低层级特征流解码，减小计算冗余，提升对多尺度特征的感知能力。旨在帮助初学者或者科研经历较少的小伙伴快速实现项目或者完成相关科研任务。万字长文，直指毕设。
如何用YOLOv8进行目标检测，并使用DeepLabV3+进行分割任务——煤矿类 露天矿场分割检测数据集 标注1400余张遥感影像，800×800尺寸，超过3000个矿场目标，标注格式为coco格式。
2401_88440984的博客
11-23 740
如何用YOLOv8进行目标检测，并使用DeepLabV3+进行分割任务——煤矿类 露天矿场分割检测数据集 标注1400余张遥感影像，800×800尺寸，超过3000个矿场目标，标注格式为coco格式。
yolo3-tiny网络分析与加强（+MobileNet）
热门推荐
weixin_42754237的博客
02-12 1万+
yolo3-tiny是yolo3的简化版本，主要区别为、主干网络采用一个7层conv+max网络提取特征（和darknet19类似），嫁接网络采用的是13*13、26*26的分辨率探测网络，结构如下。yolo3-tiny的优点主要是，网络简单，计算量较小，可以在移动端或设备端运行。缺点为精度也比较低（候选框和分类精度都比较低）   探测精度低一个很重要的原因是tiny的主干网络比较浅（7层...
帮忙推荐一个人体识别模型，识别人的性别、人的发型、人的皮肤，人的衣服款式，人的衣服颜色
03-08
比如，YOLOv8用于人体检测，DeepLabv3+用于分割，再分别用分类模型处理各个区域。 另外，数据集方面，可能需要使用如PA-100K、DeepFashion、CelebA等包含丰富属性的数据集进行微调。如果用户没有足够的数据，可能...
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