YOLOv5改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv5 (附手撕结构图)

已于 2024-03-30 23:16:58 修改
阅读量2.7k 收藏 22
点赞数 30
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 网络 深度学习 人工智能 计算机视觉 python 目标检测
于 2023-12-19 06:22:47 首次发布
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/java1314777/article/details/135051529
版权
本文介绍了如何利用RT-DETR模型中的HGNetV2替换YOLOv5的主干网络，详细解析HGNetV2的网络结构，并提供添加HGNetV2到YOLOv5的步骤，包括代码修改和yaml配置文件。通过这种方法，旨在提升目标检测的实时性和准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、本文介绍

本文给大家带来利用RT-DETR模型主干HGNet去替换YOLOv8的主干，RT-DETR是今年由百度推出的第一款实时的ViT模型，其在实时检测的领域上号称是打败了YOLO系列，其利用两个主干一个是HGNet一个是ResNet，其中HGNet就是我们今天来讲解的网络结构模型，这个网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析。

推荐指数：⭐⭐⭐

 专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新​​

目录

一、本文介绍

二、HGNetV2原理讲解

三、HGNetV2的代码

四、手把手教你添加HGNetV2 

4. 1 HGNetV2-l的yaml文件(此为对比试验版本)<

了解本专栏 订阅专栏 解锁全文
YOLOv5改进： RT-DETR引入YOLOv5，neck和检测头助力检测
12-06 1416
RT-DETR neck代替YOLOv5 neck部分
YOLOv8 改进：主干网络替换为 PP-HGNetV2
最新发布
走向CTO的路上...
05-15 652
YOLOv8 通过将主干网络替换为 PP-HGNetV2，显著提升了目标检测的性能和效率。PP-HGNetV2 是一种轻量级卷积神经网络，通过优化计算复杂度和参数量，实现了更快的推理速度和更高的检测精度。其核心特性包括有效的特征提取模块、深层残差连接和灵活的架构设计，使其适用于多种实时应用场景，如无人驾驶、智能安防和工业自动化。本文提供了代码示例，展示了如何在不同场景中部署和测试改进后的 YOLOv8 模型，并解释了其核心原理和优势。
手撕YOLOv5
m0_53065609的博客
04-12 459
一、前期准备 （一）下载YOLOv5源码 （二）准备权重文件和数据集 （三）配置环境 一、测试，运行detect.py （一）测试。 python detect.py --source E:\PycharmProjects\pythonProject2\datasets\test-dev\20190925_143900_1_5\RGB.mp4 （二）剖析传参部分： cfg,data,weights：前面看过了是一定要传的两个参； hyp：参数咱暂时用不上，是指定一些超参数用的.
简单聊聊目标检测新范式RT-DETR的骨干：HGNetv2
chenxiangrong的博客
04-27 5030
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。
YOLOv5改进 | SPPF | 将RT-DETR模型AIFI模块和Conv模块结合替换SPPF（全网独家改进）
Snu77的博客
12-18 3642
本文给大家带来是用最新的RT-DETR模型中的AIFI模块来替换YOLOv5中的SPPF。RT-DETR号称是打败YOLO的检测模型，其作为一种基于Transformer的检测方法，相较于传统的基于卷积的检测方法，提供了更为全面和深入的特征理解，将RT-DETR中的一些先进模块融入到YOLOv8往往能够达到一些特殊的效果我个人猜测，所以我进行了一些实验来验证这一点，我将RT-DETR的AIFI模块和Conv模块融合在一起添加到了YOLOv8中。
使用YOLOv5模型进行目标检测！AI大佬手撕源码带你学
m0_74693860的博客
11-15 3829
YOLO主要做了什么? 通俗的讲目标检测是计算机视觉领域的一大任务，大致分为一阶段目标检测与两阶段目标检测。其中一阶段目标检测模型以YOLO系列为代表。
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 1276
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。
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。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 5万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、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。
RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制
Snu77的博客
01-29 2万+
Hello，各位读者们好Hello，各位读者，距离第一天发RT-DETR的博客已经过去了接近两个月，这段时间里我深入的研究了一下RT-DETR在ultralytics仓库的使用，旨在为大家解决为什么用v8的仓库训练的时候模型不收敛，精度差的离谱的问题，我也是成功的找到了解决方案，对于ultralytics仓库进行多处改进从而让其还原RT-DETR官方的实验环境从而达到一比一的效果。同时本人一些讲解视频和包含我所有创新的RT-DETR文档。
YOLOv5改进 | Neck篇 | 添加CCFM轻量级跨尺度特征融合模块（RT-DETR结构改进v5）
Snu77的博客
12-29 3412
本文给大家带来的改进机制是轻量级跨尺度特征融合模块CCFM（Cross-Scale Feature Fusion Module）其主要原理是：将不同尺度的特征通过融合操作整合起来，以增强模型对于尺度变化的适应性和对小尺度对象的检测能力。我将其复现在YOLOv5上，发现其不仅能够降低GFLOPs（成功添加之后，不引入任何其它模块GFLOPs降低至7.3），同时精度上也有很大幅度的提升mAP大概能够提高0.05左右，相对于BiFPN也有一定幅度的上涨。
AI：242-YOLOv8轻量化主干优化 | 基于轻量卷积的PP-HGNetV2创新改进与实战应用【超级涨点】
一键难忘的博客
08-18 3500
PP-HGNetV2是一个经过优化的轻量级主干网络，旨在平衡计算效率和检测精度。相比传统的ResNet或CSPDarknet，PP-HGNetV2在计算量上大幅降低，同时保持了较高的特征提取能力。它通过引入Hybrid Convolution (HG) 和多尺度特征融合技术，使得网络在处理不同尺寸目标时具备更强的泛化能力。
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 1059
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
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 1389
YOLOv5代码改进实践 | 独家首发改进 PPHGNetv2 改进版结构
YOLOv5、YOLOv6、YOLOv7、YOLOv8和RT-DETR的计算机视觉比较试验
JjtlReact的博客
09-19 729
通过对YOLOv5、YOLOv6、YOLOv7、YOLOv8和RT-DETR进行比较试验，可以根据不同的任务需求选择合适的模型。计算机视觉领域的目标检测一直是一个热门研究方向，而YOLO系列模型和RT-DETR是其中备受关注的算法。YOLOv5是YOLO系列中的最新版本，它采用了一种基于单阶段的目标检测算法，具有较快的推理速度和较高的准确率。需要注意的是，以上提供的源代码仅为简单示例，实际应用中可能需要根据具体情况进行修改和优化。与之前的版本相比，YOLOv8具有更高的准确率和更快的推理速度。
YOLOv5改进 | 主干篇 | 多种轻量化卷积优化PP-HGNetV2改进主干（全网独家创新）
Snu77的博客
01-17 1396
Hello，大家好，上一篇博客我们讲了利用HGNetV2去替换YOLOv5的主干，经过结构的研究我们可以发现在HGNetV2的网络中有大量的卷积存在，所以我们可以用一种更加轻量化的卷积去优化HGNetV2从而达到更加轻量化的效果（亲测优化后的HGNetV2网络比正常HGNetV2精度更高轻量化效果更好，非常适合轻量化的读者），同时HGNetV2的网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析，给大家进行讲解网络结构原理。
YOLOv8改进 | 主干篇 | 利用轻量化卷积优化PP-HGNetV2改进主干（全网独家创新）
Snu77的博客
12-13 8725
Hello，大家好，上一篇博客我们讲了利用HGNetV2去替换YOLOv8的主干，经过结构的研究我们可以发现在HGNetV2的网络中有大量的卷积存在，所以我们可以用一种更加轻量化的卷积去优化HGNetV2从而达到更加轻量化的效果（亲测优化后的HGNetV2网络比正常HGNetV2精度更高轻量化效果更好，非常适合轻量化的读者），同时HGNetV2的网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析，给大家进行讲解网络结构原理（亲测替换之后主干GFLOPs降低到7.4
YOLOv8改进：修复官方去除掉PP-HGNetV2的通道缩放功能
走向CTO的路上...
08-10 780
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 模型的主干网络仍然存在一些可以优化的地方。本文介绍了一种修复官方去除掉 PP-HGNetV2 的通道缩放功能的改进方案，该方案可以有效提升 YOLOv8 模型的精度，同时保持较低的计算量。# 提取特征# 进行目标检测这里假设您已经定义了PP_HGNetV2和YOLOv8模型，并将其保存在model文件夹中。请将model文件夹添加到您的项目路径中。
HGNetv2
whaosoft143ai的博客
04-28 6643
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。 whaosoft aiot http://143ai.com 总体而言，HGNet还是一个比较低调的网络，官方也没有过多宣传，但是好不好用，依旧还是使用者说了算，后续如果DETR变体可以在国内常见的板端成熟落地，如瑞芯微，地平线，高通等芯片上适配，会给使用者带来更多的选择。
yolov8中HGStem模块全称
06-30
YOLOv8（You Only Look Once version 8）是一个先进的目标检测算法，其架构中提到的HGStem，全称为High-Resolution Group Stem。这个模块是YOLOv8的一个改进部分，它结合了高分辨率特征和密集连接的思想，旨在提高模型对细节的捕捉能力，同时保持计算效率。HGStem通常用于网络的早期层，为后续的特征提取和处理提供强大的基础特征。在YOLOv8的具体实现中，HGStem可能包含了一系列卷积层和下采样操作，优化了特征图的层次结构。
评论 4
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

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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