YOLOv8改进 | 主干篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）

已于 2024-04-16 23:10:02 修改
阅读量7.1k 收藏 51
点赞数 35
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 python 目标检测 pytorch
于 2024-01-02 07:30:00 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/135071197
本文介绍了FasterNet，一种通过部分卷积技术提高计算速度的神经网络架构，旨在在不牺牲准确性的情况下加速视觉任务。通过详细讲解FasterNet的基本原理、核心代码和添加到YOLOv8模型的步骤，文章提供了在目标检测任务中应用FasterNet的指南。

一、本文介绍

本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。

推荐指数：⭐⭐⭐⭐⭐

涨点效果：⭐⭐⭐⭐⭐

专栏目录：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

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、FasterNet原理

2.1 FasterNet的基本原理

2.2 部分卷积

2.3 加速神经网络

三、FasterNet的核心代码

四、手把手教你添加FasterNet机制

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

修改八

五、FasterNet的yaml文件

六、成功运行记录 

七、本文总结

二、FasterNet原理

 论文地址：官方论文地址

 代码地址：官方代码地址

2.1 FasterNet的基本原理

FasterNet</

了解本专栏 订阅专栏 解锁全文
主干网络篇 | YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
YOLOv8项目贡献者
01-02 4156
YOLOv8 更换骨干网络之 ResNet50/ResNet101 | 原论文一比一复现
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之 PP-LCNet，轻量级CPU卷积神经网络，降低参数量
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。
07-15 2377
我们提出了一种基于MKLDNN加速策略的轻量级CPU网络，命名为PP-LCNet，它在多项任务中提高了轻量级模型的性能。本文列出了在延迟几乎不变的情况下能够提高网络准确性的技术。通过这些改进，PP-LCNet在相同推理时间内的分类准确性可以大大超过之前的网络结构。如图1所示，它的性能优于最先进的模型。在计算机视觉的下游任务中，如目标检测、语义分割等，它也表现得非常出色。我们所有的实验都是基于PaddlePaddle1进行的。代码和预训练模型可在PaddleClas2中找到。
YOLOv8【主干网络篇·第25节】一文搞懂，主干网络选择与评估指南！
最新发布
**My Coding Family**
11-02 717
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》，该专栏持续复现网络上各种热门内容(全网YOLO改进最全最新的专栏，质量分97分+，全网顶流)，改进内容支持(分类、检测、分割、追踪、关键点、OBB检测)。且专栏会随订阅人数上升而涨价(毕竟不断更新)，当前性价比极高，有一定的参考&学习价值，部分内容会基于现有的国内外顶尖人工智能AIGC等AI大模型技术总结改进而来，嘎嘎硬核。    ✨ 特惠福利：目前活动一折秒杀价！一次订阅，永久免费，所有后续更新内容均免费阅读！
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
B站 Ai学术叫叫兽的文案地
09-14 6070
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
YOLOv8升级之路：将主干网络替换为FasterNet
一直在水些技术小文
09-20 2383
YOLO（You Only Look Once）系列模型以其高效的实时目标检测能力而闻名，而YOLOv8作为其中的一员，将更先进的FasterNet主干网络引入其中，为目标检测性能带来了显著提升。本文将深入探讨YOLOv8和FasterNet的结合，为你呈现一篇详细的教程，包括示例和代码，以帮助你了解如何实现这一强大的目标检测模型。其中一个最显著的改进是将主干网络替换为FasterNet，这一变化使得YOLOv8在保持高效率的同时，具备了更强大的检测能力。接下来，我们需要加载YOLOv8的检测头部。
改进YOLOv8 | 主干网络篇 | YOLOv8采用FasterNet提升计算机视觉速度
LmtTransforms的博客
09-20 2447
这种轻量级的设计使得FasterNet在保持较高准确性的同时，具备更快的速度。接下来，我们将FasterNet嵌入到YOLOv8中，替换原先的主干网络Darknet-53。通过上述代码，我们将FasterNet作为YOLOv8的主干网络，并在其后添加了几个卷积层和全连接层来完成目标检测任务。修改后的YOLOv8在保持准确性的同时，能够以更快的速度进行目标检测。综上所述，通过将FasterNet作为YOLOv8的主干网络，我们能够在计算机视觉任务中实现更快的速度和较高的准确性。
YOLOv10改进 | 主干篇 | YOLOv10引入FasterNeT替换Backbone
tsg6698的博客
06-18 1354
为了实现更快的网络，我们重新审视流行的算子，并证明如此低的 FLOPS 主要是由于算子的频繁内存访问，尤其是深度卷积。在我们的 PConv 的基础上，我们进一步提出了 FasterNet，这是一个新的神经网络系列，它在各种设备上比其他网络获得更高的运行速度，而不会影响各种视觉任务的准确性。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv10改进 | 主干/Backbone篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）
Snu77的博客
07-12 1593
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
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 17万+
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。
YOLOv5改进 | 主干篇 | FasterNeT跑起来的特征提取网络（提高FPS和检测效率）
Snu77的博客
01-08 1989
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络
阿旭的博客
02-05 1万+
【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 5979
号称最强轻量化网络 MobileNetv4
YOLOv11改进策略【Backbone/主干网络】| CVPR 2025 替换骨干为MambaOut，去除冗余结构，挖掘视觉Mamba潜力
Limiiiing的博客
06-04 1384
MambaOut是一种基于Gated CNN块构建的模型，其设计出发点基于对Mamba模型特性及视觉任务特点的深入分析，在结构上有独特之处，并展现出多方面优势。
Yolov8对接FasterNet
牛肉胡辣汤
11-22 632
Yolov8是一种流行的目标检测算法，而FasterNet则是一个基于神经网络的目标跟踪算法。本文将介绍如何将Yolov8和FasterNet结合起来，实现更准确和更快速的目标检测和跟踪。本文介绍了如何将Yolov8和FasterNet结合起来，实现更准确和更快速的目标检测和跟踪。通过训练Yolov8模型进行目标检测，然后使用目标的特征训练FasterNet模型进行目标跟踪，我们可以在实时应用中实现更高质量的目标定位和跟踪效果。
YOLOv10网络架构及特点
yzf060109的专栏
06-15 2891
在准确性和效率方面，YOLOv10 优于YOLO 以前的版本和其他最先进的模型。例如，在 COCO 数据集上，YOLOv10-S 的速度是RT-DETR-R18 的 1.8 倍，而 YOLOv10-B 与 YOLOv9-C 相比，在性能相同的情况下，延迟减少了 46%，参数减少了 25%。YOLOv10是清华大学的研究人员在Ultralytics Python包的基础上，引入了一种新的实时目标检测方法，解决了YOLO 以前版本在后处理和模型架构方面的不足。大型版本，精度更高，但计算资源增加。
YOLOv8改进，MobileNetV3轻量化架构改进特征提取网络，助力涨点
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
08-10 3149
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
主干网络篇 | YOLOv8 更换主干网络之 StarNet | 《重写星辰⭐》
YOLOv8项目贡献者
06-12 4328
YOLOv8 更换主干网络之 StarNet
YOLOv8v10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
Ai缝合怪、助力小伙伴高效发论文
09-09 828
在本文中，我们介绍了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及各种不同模型大小的最先进的性能。我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。此外，我们还演示了如何通过简化的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。基于倒置残差结构，其中快捷方式连接位于薄瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性的来源。
主干网络篇 | YOLOv8更换主干网络之FasterNet | CVPR2023
小哥谈
05-16 1749
针对CVPR2023新出的Fastemet主干网络，追求更快、参数量更少、精度更高的主干网络，本文在YOLOv8的基础上进行主干网络的替换和改进。🌈
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
评论 9
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