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

原创 已于 2024-01-29 15:36:31 修改 · 1.7k 阅读 · 19 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #人工智能 #目标检测 #深度学习 #计算机视觉 #RT-DETR #python

于 2024-01-19 07:00:00 首次发布
本文介绍了如何在RT-DETR中整合ShuffleNetV2作为轻量级主干网络，通过详细讲解ShuffleNetV2的框架原理并提供一步步的代码修改教程，帮助读者降低计算量并提高精度。内容涵盖网络结构的修改、yaml文件配置以及训练过程，适合关注目标检测和轻量化网络的读者。

👑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
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
小哥谈
12-03 3358
本文给大家介绍一种轻量化部署改进方式，即在主干网络中添加ECA注意力机制和更换主干网络之ShuffleNetV2。🌈
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
热门推荐
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。
改进Shufflenetv2网络结构
与秋逐鹿的博客
03-11 1781
改进shufflenetv2
RT-DETRv2动态卷积技术突破：实时目标检测精度与速度双重革新
最新发布
gitblog_00775的博客
10-17 370
# RT-DETRv2动态卷积技术突破：实时目标检测精度与速度双重革新 ## 导语 百度飞桨团队2025年推出的RT-DETRv2通过DynamicConv动态卷积模块实现技术突破，在COCO数据集上将精度提升至54.3% AP，同时保持74 FPS推理速度，重新定义了实时目标检测技术标准。 ## 行业现状：实时检测的技术瓶颈与突破方向 当前目标检测领域正面临"精度-速度-部署成本"的三角难...
轻量化网络Mobilenetv1-v3，Resnext，shufflenetv1-v2，Inceptionv1-v4演变过程总结
qq_43571475的博客
05-23 2810
轻量化网络mobilenet，shufflenet，resnext，inception的演变简单总结。
[全部开源]魔改shufflenetv2，注意力机制，csp，卷积裁剪...
cjnewstar111的专栏
01-15 9453
目录结构 1、背景介绍 2、提升精度措施 3、降低计算量措施 shufflenet_se网络 shufflenet_sk网络 shufflenet_liteconv网络 shufflenet_k5网络 shufflenet_csp网络 4、实验测试 5、总结 所有网络开源地址：https://github.com/DL-Practise/ShufflenetV2_PLUS 更多DL相关实践，请关注公众号"DL工程实践"...
最新改进YOLOv8系列：YOLOv8改进ShuffleNetV2，有效涨点！
B站 Ai学术叫叫兽的文案地
09-04 8678
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:ShuffleNetV1结构的问题：如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
YOLOv11骨干轻量化改进shufflenetv2
weixin_71460900的博客
12-04 1576
（1）核心代码（nn.modules.shufflenetv2.py）（2）task.py引用。
RT-DETR改进策略【模型轻量化】| ShufflenetV2，通过通道划分构建高效网络
Limiiiing的博客
12-03 507
本文记录的是基于ShufflenetV2的RT-DETR目标检测轻量化改进方法研究。FLOPs是评价模型复杂独的重要指标，但其无法考虑到模型的内存访问成本和并行度，因此本文在RT-DETR的基础上引入。
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》
YOLOv8项目贡献者
01-10 1693
RT-DETR 轻量化的简单尝试
RT-DETR改进策略：BackBone改进|Next-ViT主干赋能下的革命性改进
m0_47867638的博客
09-19 711
我们展示了如图2所示的Next-ViT。按照惯例，Next-ViT遵循带有补丁嵌入层和每个阶段一系列卷积或Transformer块的层次金字塔架构。空间分辨率将通过每个阶段减少32倍，而通道维度将在不同阶段扩展。在本章中，我们首先深入设计信息交互的核心块，并分别开发了强大的NCB和NTB来模拟视觉数据中的短期和长期依赖性。局部和全局信息的融合也在NTB中执行，这进一步增强了建模能力。最后，我们系统地研究了集成卷积和Transformer块的方式。
shuffleNetV2网络
09-10
支持pytorch，支持caffe ，ShuffleNet_V2网络训练用 ；
ShuffleNet V2：从理论复杂度到实用设计准则
风中落泪的花
07-29 4778
　近日，旷视科技提出针对移动端深度学习的第二代卷积神经网络 ShuffleNet V2。研究者指出过去在网络架构设计上仅注重间接指标 FLOPs 的不足，并提出两个基本原则和四项准则来指导网络架构设计，最终得到了无论在速度还是精度上都超越先前最佳网络（例如 ShuffleNet V1、MobileNet 等）的 ShuffleNet V2。在综合实验评估中，ShuffleNet V2 也在速度和精...
YOLOv11 改进策略 | ShufflenetV2：通过通道划分构建高效网络
走向CTO的路上...
07-07 1209
在追求模型在移动设备和嵌入式系统上实现高性能推理的过程中，除了减少理论计算量（FLOPs）和参数数量外，提高实际推理速度（FPS，降低延迟）同样重要。ShuffleNetV2 是一种高效的卷积神经网络，它关注影响实际推理速度的关键因素（如内存访问成本、并行度、网络碎片化），并提出了一系列实用设计指南和新颖的模块结构，通过通道划分和通道混洗构建了高效的网络。
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
B站 Ai学术叫叫兽的文案地
08-05 2730
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
YOLOv5独家原创改进，ShuffleNetV2网络结构，改进ShuffleNetV2准确率低问题
学Java，找哪吒
05-28 2983
ShuffleNetV2是一种基于通道重排（Channel Shuffle）的轻量级神经网络模型。它采用了一种新颖的设计思路，即将原来的卷积操作划分为两个部分：点卷积和组卷积。这样做的好处是可以减小计算量，同时保持较高的准确性。ShuffleNetV2已经被应用于图像分类、目标检测、语义分割等领域，具有较高的性能和效率。
ShuffleNet之于MobileNet的改进点
qq_23150675的博客
03-06 1536
总结一下ShuffleNet相比MobileNet在网络结构上的改进。先讲讲MobileNet。MobileNet是一种轻量级网络，其运行方式决定其在CPU和GPU上运行速度的差距比普通卷积神经网络要小，因为其读取非连续内存的次数相比普通神经网络要小。为什么呢？因为MobileNet中的3X3卷积的输入是一张来自上一层的feature map，而非来自上一层的全部feature map。举个例子，...
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 6929
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YOLOv8n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。
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
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-04 3250
代码实践｜YOLOv8改进ShuffleNet V2主干系列
基于TensorRT的YOLO与RT-DETR推理及轻量级目标跟踪实现
该项目融合了当前主流的目标检测模型YOLO系列（如YOLOv5/v7）、最新的实时检测Transformer模型RT-DETR，以及轻量级单目标跟踪算法OSTrack和LightTrack，通过C++语言结合CUDA加速技术，在推理性能、内存占用和部署...
评论 1
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