【RT-DETR有效改进】轻量级网络ShuffleNetV2（附代码+修改教程）

Snu77 Snu77 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.9k累计阅读 2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 2024-01-29 15:36:31 1.9k 阅读 AI 写同款· GEO 优化 ›

👑欢迎大家订阅本专栏，一起学习RT-DETR👑   

一、本文内容

本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在RT-DETR上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR  

目录

一、本文内容

二、ShuffleNetV2框架原理

三、ShuffleNetV2核心代码

四、手把手教你添加ShuffleNetV2网络结构

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四

4.5 修改五

4.6 修改六

4.7 修改七 

4.8 修改八

4.9 必备修改！

4.10 RT-DETR不能打印计算量问题的解决

4.11 可选修改

五、ShuffleNetV2的yaml文件

5.1 yaml文件

5.2 运行文件

5.3 成功训练截图

六、全文总结

二、ShuffleNetV2框架原理

官方论文地址：官方论文地址

官方代码地址：官方代码地址

了解本专栏 订阅专栏 解锁全文
标签
#YOLO #人工智能 #目标检测 #深度学习 #计算机视觉
#RT-DETR #python
果园水果识别工程实践：从YOLOv5s优化到树莓派实时部署 水果图像识别是计算机视觉在农业自动化中的典型应用，其本质是目标检测与坐标映射的系统工程。原理上需兼顾模型轻量化、光照鲁棒性与物理世界干扰抑制；技术价值体现在将像素级输出转化为机械臂可执行的毫米级空间指令；典型应用场景包括智能采摘机器人、果园巡检系统及成熟度分级设备。本文聚焦真实果园环境下的端到端落地挑战，深入解析YOLOv5s模型轻量化改造、HSV空间抗反光处理、遮挡感知NMS及树莓派端TensorRT加速部署等关键技术，特别强调农业场景中‘可采摘目标’定义与坐标转换误差控制（±1.8cm）两大核心难点。 阅读详情

相关推荐

YOLOv8改进ShuffleNet V2主干系列：高效结合ShuffleNet V2主干网络，高效CNN架构设计的实用指南，打造强力检测器

代码实践｜YOLOv8改进ShuffleNet V2主干系列

包括YOLOv5、YOLOv7、YOLOv8等模型改进 3460

YOLOv5改进系列（6）——替换主干网络之 ShuffleNetV2

手把手教你学会YOLOv5替换主干网络之 ShuffleNetV2

路人贾的博客 6433

RT-DETR 更换主干网络之 ShuffleNetv2 | 《ShuffleNet v2：高效卷积神经网络架构设计的实用指南》

RT-DETR 轻量化的简单尝试

Coding... 1902

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

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。

Snu77的博客 8万+

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

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。

Snu77的博客 18万+

YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

Limiiiing的博客 1万+

置顶必读(2) |《YOLOv8实战：从入门到深度优化》总目录导航 & 学习路线指南（持续更新中）

🏆 本文收录于 《YOLOv8实战：从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例（当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向），坚持持续更新 + 深度解析，质量分长期稳定在 97 分以上，可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 28万+

线上专利申请（超详细）| 签名确认

在【法人登录】页面点击【证书登录】按钮，弹出证书登录提示框，点击【确 认】按钮，进入到输入证书密码页面，点击【取消】按钮，取消本次操作。企业在提交申请时，需要增加签名，如使用企业账户点击提交，会弹出“法人、代理机构不能签名，请使用经办人签名”，这个时候就需要换个账号了。在需要签名时，将专利官网的登录方式点击法人登录，选择扫码登录，使用移动端经办人账户的扫一扫功能扫描登录。登录完成后，再点击签名，使用移动端扫一扫功能，扫描签名，输入证书号，确认签名，并提交。最后，祝大家的申请都成功！

weixin_62112323的博客 9108

三极管NPN与PNP的工作原理及快速识别技巧

本文深入浅出地解析了三极管NPN与PNP的核心工作原理。通过“水龙头”比喻，阐明其以小电流控制大电流的放大与开关本质。文章重点对比了NPN与PNP在电流方向、电位关系和控制逻辑上的根本区别，并提供了快速识别技巧与实用的选型、应用指南，帮助电子爱好者与工程师快速掌握这两种基础元件的关键知识。

neovim7hacker的博客 452

SAP S/4HANA 中 RAP 业务对象接口的消费模式

本文探讨了SAP S/4HANA中RAP业务对象接口的消费模式，重点介绍了通过EML直接调用和CDS投影两种Clean Core开发路径。文章分析了BO Interface作为稳定契约的价值，并提供了BAdI集成、OData服务发布等实际场景案例，同时对比了OData V2/V4的技术选型考量，最后强调了ADT向导使用中的DCL权限注意事项。全文旨在帮助开发者构建升级友好的业务对象消费方案。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 757

动力学约束下的运动规划算法——Hybrid A*算法（附程序实现及详细解释）

本文主要介绍动力学约束下的运动规划算法中非常经典的Hybrid A*算法，大致分为三部分，第一部分是在传统A * 算法的基础上，对Hybrid A * 算法的原理、流程进行理论介绍。第二部分是详细分析 MotionPlanning运动规划库中Hybrid A * 算法的源码，进一步深入对Hybrid A * 算法的具体细节 进行理解。 第三部分是结合前面第一部分的理论和第二部分的详细源码，对Hybrid A * 算法的流程进行综合的概括总结。

慕羽★的博客 1万+

【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数

在介绍YOLOv8中的各种Iou之前，我们先来了解了解目标检测中的损失函数。目标检测模型通常包含两类损失函数：类别损失（分类）和位置损失（回归）。这两类损失函数用于检测模型的最后一部分，根据模型的输出（类别和位置）以及实际标注框（类别和位置），分别计算类别损失和位置损失。

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。 5189

【25届数字IC秋招总结】面试经验7——联发科

25届数字ic面试记录——联发科

lalala0635的博客 981

《爬虫和逆向教程》 - 专栏介绍和目录

本专栏为爬虫初学者和进阶开发者量身定制的爬虫和逆向学习园地。为你提供全面而深入的爬虫和逆向技术指导，从入门到精通，从基础理论到高级实战，助你在数据的海洋中畅游，挖掘出有价值的信息。通过本专栏的学习，你将具备独立开发和优化爬虫程序的能力，及逆向分析能力和项目开发能力，成为爬虫领域的佼佼者。

数据知道的博客 2万+

C# 上位机程序中的数据采集与存储技术：从采集到持久化的完整解决方案

本文系统讲解C#上位机程序如何实现设备数据采集与持久化。主要内容包括：1）多种数据采集方式（串口通信、Modbus、OPC等）及代码示例；2）详细对比不同存储技术（CSV、SQLite、关系型数据库等）的优缺点；3）提供SQLite等存储实现代码；4）推荐分层系统架构（采集-缓存-存储-可视化）；5）性能优化建议（多线程采集、异步存储、批量写入等）。文章强调应根据项目需求选择合适的技术方案，构建高效稳定的数据采集存储闭环系统。

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1024

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
上一篇： 【RT-DETR有效改进】轻量化CNN网络MobileNetV2改进特征提取网络
下一篇： YOLOv5改进 | 损失函数篇 | SlideLoss、VFLoss分类损失函数助力细节涨点(全网最全)
点赞 23
评论 1
书签 书签 19
Snu77
Snu77 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄5年 11万+粉丝 934原创
+ 关注 专栏目录 订阅专栏
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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