YOLOv8改进 | 主干篇 | 利用MobileNetV3替换Backbone（轻量化网络结构）

已于 2024-04-16 23:07:30 修改
阅读量1.1w 收藏 88
点赞数 44
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 2023-12-23 06:00:00 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/135074619
本文介绍了如何将MobileNetV3应用于YOLOv8的改进，利用MobileNetV3的硬件感知NAS和NetAdapt算法，优化了在移动设备上的性能。MobileNetV3的创新包括反转残差结构、线性瓶颈层和LR-ASPP解码器，提高了在分类、检测和分割任务的效率。文章详细阐述了MobileNetV3的框架原理，并提供核心代码及步骤教你如何添加到YOLOv8网络结构中。

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

本文给大家带来的改进机制是MobileNetV3，其主要改进思想集中在结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，以优化移动设备CPU上的性能。它采用了新颖的架构设计，包括反转残差结构和线性瓶颈层，以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP），以提升在移动分类、检测和分割任务上的表现。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性。

适用检测目标：这个模型非常适合轻量化的读者来使用，同时伴随着大幅度的涨点。

推荐指数：⭐⭐⭐⭐⭐

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、MobileNetV3的框架原理

2.1 NAS和NetAdapt算法

2.2 反转残差结构和线性瓶颈层

三、MobileNetV3的核心代码

四、手把手教你添加MobileNetV3网络结构

修改一

修改二

修改三 

修改四

了解本专栏 订阅专栏 解锁全文
【YOLOv8改进】MobileNetV3替换Backbone (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。
03-20 2934
文章介绍了基于互补搜索技术组合以及新颖架构设计的MobileNets下一代，MobileNetV3。通过结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，MobileNetV3针对手机CPU进行了优化，随后通过新颖的架构进步得到了改进。本文开始探索自动化搜索算法和网络设计如何共同作用，以利用互补方法提升整体艺术状态。通过这一过程，我们创建了两个新的MobileNet模型以供发布：面向高资源和低资源使用案例的MobileNetV3-Large和MobileNetV3-Small。
【YOLOv8 轻量化改进】使用MobileNetV3替换backbone
m0_51579041的博客
03-07 3377
【YOLOv8 轻量化改进】使用MobileNetV3替换backbone
YOLO11改进-Backbone-引入MobileNetV4替换backbone，平衡精度与效率的问题
最新发布
qq_64693987的博客
04-22 1798
Roofline 模型：用于评估模型在不同硬件上的性能，通过计算操作强度与硬件处理器和内存系统理论极限的关系，判断模型是受内存还是计算瓶颈限制，公式为ModelTime=∑i​max(MACTimei​,MemTimei​)，其中MACTimei​=PeakMACsLayerMACsi​​，MemTimei​=PeakMemBWWeightBytesi​+ActivationBytesi​​。通过分析不同 Ridge Point（RP）下模型的延迟和精度，为模型设计提供指导。
YOLOv8改进 更换轻量化模型MobileNetV3-large
DJpython的博客
08-25 2413
模型参数下降了，但是精度同样下降了，可相比于把backbone换成mobilenetv3-small，还是好一点。
mmclassification backbone04-mobilenetV3
一千零一夜的博客
08-06 459
前景概述 （1）mobilenetV2; （2）mobilenetV3主要贡献简单来说，有三点，一是SE-Net优化了InvertedResidual，二是使用NAS搜索出最优的网络结构，三是提出了新的激活函数h-swish. mobilenetV3论文 https://arxiv.org/pdf/1905.02244.pdf mobilenetV3网络结构（Large） 网络结构逐层分析 第1层conv2d，结构是conv2d + bn + HSwish. 注意这里的激活函数是HSw.
YOLOv8改进 更换轻量化模型MobileNetV3
热门推荐
分享一些自己改进代码的实例
01-03 1万+
本文在yolov8的结构中更换了轻量化模型MobileNetV3，可以在移动设备和资源受限的环境下进行实时图像分类和目标检测任务，助力涨点！！！
【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，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 2330
视觉识别的“咆哮20年代”开始于视觉Transformer（ViTs）的引入，ViTs迅速取代了卷积神经网络（ConvNets）成为最先进的图像分类模型。然而，普通的ViT在应用于诸如目标检测和语义分割等一般计算机视觉任务时面临困难。分层Transformer（例如Swin Transformer）重新引入了几种ConvNet先验知识，使得Transformer在实际应用中成为通用的视觉骨干，并在各种视觉任务中表现出色。
爆改YOLOv8|使用MobileNetV3替换Backbone
weixin_43986124的博客
08-27 3676
MobileNetV3替换yolov8主干网，yolov8改进主干网，yolo暴力涨点
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，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 2534
卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会进行扩展以提高准确性。在本文中，我们系统地研究了模型扩展，并发现仔细平衡网络的深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，使用一个简单但非常有效的复合系数均匀扩展深度、宽度和分辨率的所有维度。我们展示了这种方法在扩展MobileNets和ResNet时的有效性。
YOLOv8改进 | 主干篇 | 利用MobileNetV2替换Backbone（轻量化网络结构）
Snu77的博客
12-22 4874
本文给大家带来的改进机制是，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性，这个模型非常适合轻量化的读者来使用。适用检测目标：轻量化网络结构适合轻量化的读者⭐⭐⭐⭐。
YOLOv8改进 | 主干篇 | 利用MobileNetV1替换Backbone（轻量化网络结构）
Snu77的博客
12-21 3373
本文给大家带来的改进机制是MobileNetV1，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。这些模型基于简化的架构，并利用深度可分离卷积构建轻量级深度神经网络，其引入了两个简单的全局超参数，用于在延迟和准确性之间进行有效的权衡。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性，这个模型非常适合轻量化的读者来使用。适用检测目标：轻量化网络结构适合轻量化的读者。
YOLOv10改进 | 主干/Backbone篇 | 利用MobileNetV3替换Backbone（轻量化网络结构）
Snu77的博客
07-13 1234
本文给大家带来的改进机制是，其主要改进思想集中在结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，以优化移动设备CPU上的性能。它采用了新颖的架构设计，包括反转残差结构和线性瓶颈层，以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP），以提升在移动分类、检测和分割任务上的表现。实验表明，MobileNets在资源和准确性的权衡方面表现出色，
YOLOv10改进 | 主干/Backbone篇 | 利用MobileNetV2替换Backbone（轻量化网络结构）
Snu77的博客
07-12 1534
本文给大家带来的改进机制是，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。其在MobilNetV1的基础上采用反转残差结构和线性瓶颈层。这种结构通过轻量级的深度卷积和线性卷积过滤特征，同时去除狭窄层中的非线性，以维持表征能力。MobileNetV2在性能上和精度上都要比V1版本强很多，其在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中都展现了一定的有效性。YOLOv10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、MobileNetV2的框架原理。
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
静谧、淡雅
04-19 3478
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
YOLOv8改进实战 | 更换主干网络Backbone之轻量化模型Efficientvit
w94ghz的博客
10-19 3129
YOLOv8改进实战 | 更换主干网络Backbone之PoolFormer篇
w94ghz的博客
10-19 1084
轻量化backbone
DreamLike_zzg的博客
04-09 1052
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications (2017.04) 1、使用 depthwiseconv + pointwise conv代替 standard conv，计算量减少比例： 计算量和参数量主要集中在 pointwise conv上，pointwise...
YOLOv8改进 | 融合篇，YOLOv8添加CA注意力机制+新增小目标检测头，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
07-02 4000
小目标检测难点众多，导致很多算法对小目标的检测效果远不如大中型目标。影响算法性能的主要原因如下:第一，小目标分辨率低、信息量不足，导致神经网络提取到的有效特征较少。第二，小目标在图像中所占的区域较小，易受背景干扰，这对算法的定位性能要求较高。第三，小物体标注困难，训练数据有限，导致模型泛化能力差。例如多尺度学习、无锚机制和生成对抗学习等方法，都能提高小目标检测的准确性和鲁棒性。为了改善小目标漏检现象严重的问题，我在 YOLOv8 中增加了 P2 检测头，相当于有四个检测头，使网络能检测到更小的目标。
yolov8改进系列，yolov8替换主干网络为MobileNetv3
01-13
### 将YOLOv8主干网络替换为MobileNetv3 在目标检测模型中，主干网络的选择对于性能至关重要。为了提高计算效率并保持良好的精度，在YOLOv8框架下采用更轻量级的MobileNetV3作为新的骨干网是一个合理的选择[^1]。 #### 修改配置文件 首先需要调整`yolov8.yaml`中的backbone部分定义来匹配MobileNet v3结构特性： ```yaml # yolov8_custom.yaml nc: 80 # number of classes depth_multiple: 0.33 width_multiple: 0.5 ... backbone: - [Focus, c1=3, c2=16, k=3] - [Conv, c1=16, c2=16, ... ] # Replace with MobileNet V3 layers accordingly. ``` 注意这里仅展示了简化版配置片段；实际操作时应依据官方文档指导完成全部必要参数设置[^2]。 #### 编写自定义Backbone模块 由于预训练权重不兼容问题，建议重新构建适用于YOLO架构下的MobileNetV3类，并确保其输入输出维度与原有设计相吻合。可以参考如下Python代码创建相应组件： ```python import torch.nn as nn from torchvision.models.mobilenet import mobilenet_v3_large class CustomMobilenetV3(nn.Module): def __init__(self, pretrained=True): super(CustomMobilenetV3, self).__init__() base_model = mobilenet_v3_large(pretrained=pretrained) # Remove last few fully connected layers to adapt YOLO structure requirements features = list(base_model.features.children()) self.backbone = nn.Sequential(*features[:-1]) def forward(self, x): return self.backbone(x) if __name__ == "__main__": model = CustomMobilenetV3() print(model) ``` 此脚本实现了基于PyTorch库加载mobilenet_v3_large函数生成的基础版本，并移除了不适合直接用于特征提取的部分层以适应YOLO需求[^3]。 #### 训练过程中的挑战 当更换不同类型的卷积神经网络作为探测器的核心组成部分时可能会面临一些困难: - **迁移学习效果不佳**: 如果新旧两套体系差异较大，则简单复制原模型权值往往难以取得理想成绩； - **超参调优复杂度增加**: 更改基础构件后原有的优化策略未必适用，需投入更多精力探索最佳实践方案； - **硬件资源消耗变化**: 轻量化改进虽然有助于降低功耗提升速度，但也可能导致GPU利用率波动等问题发生[^4]。 通过上述步骤可以在一定程度上实现在YOLOv8基础上引入MobileNetV3的目标，但仍需针对具体应用场景不断测试验证直至满足预期指标为止。
评论 31
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