YOLOv5改进 | 主干篇 | ShuffleNetV2轻量化网络助力FPS提高（附代码+修改教程）

已于 2024-03-30 23:09:45 修改
阅读量2.1k 收藏 29
点赞数 26
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 人工智能 深度学习 计算机视觉 目标检测 pytorch
于 2023-12-26 17:19:09 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/135219522
本文介绍了如何利用ShuffleNetV2改进YOLOv5模型，以提高目标检测的运行速度和效率。详细阐述了ShuffleNetV2的框架原理，包括点群卷积和通道混洗机制，并提供了逐步添加该网络结构到YOLOv5的教程。实验证明，这种改进适合轻量化的应用场景。

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YOLOv5n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)。本文通过介绍其主要框架原理，然后展示其效果图(基础版本和修改了本文改进机制的mAP对比图)，然后手把手教你如何添加该网络结构到网络模型中。

适用检测目标：这个模型非常适合轻量化的读者来使用。

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

修改一

修改二

修改三

修改四

修改五

修改五 

修改六 

修改七

五、ShuffleNetV2的yaml文件

六、成功运行记录 

七、本文总结

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

ShuffleNet的创新机制为点群卷积和通道混：使用了新的操作点群卷积（pointwise group convolutio

了解本专栏 订阅专栏 解锁全文
YOLOv5改进Shuffle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
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-11 7709
设计一个高效网络时应该遵循以下几点建议：使用平衡性的卷积（还有通道宽度）、谨慎使用分组卷积的数量、降低网络分支的数量、降低元素级操作次数、同时在实际使用也应该注意到操作平台的影响。
YOLOv5改进 | 主干篇 | MobileNetV2轻量化网络助力FPS提高（附代码+修改教程）
Snu77的博客
12-27 2466
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。轻量化网络结构适合非常轻量化的读者，同时具有涨点效果⭐⭐⭐⭐YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新。
YOLO V5更换主干网络ShuffleNet v2
leiye1997的博客
08-03 721
self.depthwise_conv(branch_features, branch_features, kernel_size=3, stride=self.stride, padding=1),##加的。# self.depthwise_conv(inp, inp, kernel_size=3, stride=1, padding=1),###加的。###############----- ShuffleNetV2主干网络-----#######最后运行train.py 就可以啦！
YOLOv5 2025革新：轻量化突破与全场景落地加速
最新发布
gitblog_00451的博客
10-22 860
2025年YOLOv5通过动态损失函数与多尺度特征融合技术实现精度与效率双重突破，在边缘计算与行业应用中持续领跑目标检测赛道。 ## 行业现状：目标检测的效率与精度平衡战 当前计算机视觉领域正面临"毫秒级响应"与"微米级精度"的双重挑战。据《2025计算机视觉产业报告》显示，65%的企业选择YOLO系列作为部署首选，其中YOLOv5因"易上手、强稳定、高适配"三大特性占据42%市场份额。在自动...
【魔改YOLOv5-6.x（上）】结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet
热门推荐
weixin_43799388的博客
03-19 6万+
文章目录前言一、Shufflenetv2论文简介模型概述加入YOLOv5二、Mobilenetv3论文简介模型概述深度可分离卷积逆残差结构SE通道注意力h-swish激活函数加入YOLOv5三、Ghostnet论文简介模型概述加入YOLOv5References 前言 本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学们，可以移步至：【YOLOv5-6.x】网络模型&源码解析 另外，本文所使用的实验环境为1个GTX 1080 GPU，数据集为VOC2007，超参数为h
YOLOv5-Shufflenetv2
qq_27353621的博客
07-04 5045
YOLOV5-Shufflenetv2
YOLOv5改进（四）--轻量化模型ShuffleNetv2
qq_44231797的博客
05-30 3158
移动端设备也需要既准确又快的小模型。为了满足这些需求，一些**轻量级的CNN网络如MobileNet和ShuffleNet被提出**，它们在速度和准确度之间做了很好地平衡。本文主要轻量化YOLOv5网络，即引入ShuffleNetv2，它是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。
YOLOv5改进 | 主干篇 | MobileNetV1轻量化网络助力FPS提高（附代码+修改教程）
Snu77的博客
12-27 1278
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。
YOLOv5改进 | 主干篇 | ShuffleNetV1轻量化网络助力FPS提高（附代码+修改教程）
Snu77的博客
12-26 1177
本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备，其非常适合轻量化的读者来使用)。本文通过介绍其主要框架原理，然后展示其效果图(基础版本和修改六本文改进机制的mAP对比图)，然后手把手教你如何添加该网络结构到网络模型中。
YOLOv11改进 | 主干/Backbone篇 | 目标检测网络FasterNeT轻量化网络助力yolov11改进（提高FPS和检测效率）
Snu77的博客
11-01 3110
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。
【YOLO改进】一、v5的backbone改为shuffleNet，并进行效果对比
qq_55068938的博客
11-14 6028
近期，想尝试将YOLOV5的backbone改为ShuffleNetv2这类的轻量级网络，想和yolov5s进行对比
flexible-yolov5:具有更多主干（resnet，shufflenet，moblienet）的更具可读性和灵活性的yolov5
03-26
flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5
基于轻量级ShuffleNetv2+YOLOv5的DIC-C2DH-HeLa细胞检测识别分析系统
Together_CZ的博客
01-11 1352
基于轻量级ShuffleNetv2+YOLOv5的DIC-C2DH-HeLa细胞检测识别分析系统
YOLOv5s-ShuffleNetV2
qq_27353621的博客
07-04 1741
YOLOv5s-ShuffleNetV2
YoloV5、ShuffleNetV2、YoloV5-Lite网络概述
m0_64561077的博客
03-24 7728
本文主要讲解了yolov5、ShuffleNetV2以及yolov5-Lite的网络结构相关知识
ShuffleNetV2-Yolov5 更轻更快易于部署的yolov5
3D视觉工坊
08-20 7612
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达毕设的一部分，前段时间，在yolov5上进行一系列的消融实验，让他更轻（Flops更小，内存占用更低，参数更少），更快（加入shuff...
YOLOv5改进 | 添加ECA注意力机制 + 更换主干网络之ShuffleNetV2
小哥谈
12-03 3340
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。🌈
【YOLOv5/v7改进系列】替换骨干网络为ShuffleNetv2
2401_84870184的博客
05-14 1614
替换YOLOv5s/n、v7-tiny骨干网络为ShuffleNetv2.《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》提出了一种新的卷积神经网络（CNN）架构设计方法，并给出了一系列实用的设计指南，旨在提高模型在实际应用中的效率。
yolov5+shufflenet轻量化目标检测
程序猿的视界
08-30 1511
yolov5轻量化检测
YOLOv8改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8（超级轻量化精度更高）
01-04
### 改进YOLOv8主干网络的方法 为了使YOLOv8更加轻量化并提升检测精度，可以采用来自RT-DETR的PPHGNetV2作为新的特征提取器[^1]。这种方法不仅能够增强模型的表现力，还能减少计算资源的需求。 #### 替换原有主干网络 原有的YOLOv8主干网络被PPHGNetV2所替代。PPHGNetV2是一种基于Transformer架构设计而成的新颖骨干网路，它具有更强的数据表达能力和更低的参数复杂度。通过这种替换操作，可以在不显著增加额外开销的情况下获得更好的性能表现[^2]。 #### 调整超参数设置 当引入新类型的主干之后，可能需要重新调整一些训练过程中的超参数配置，比如学习率、批量大小等。这些改变有助于让整个系统更好地适应新型号带来的变化，并最终体现在更高的mAP得分上[^3]。 #### 训练与验证流程 完成上述修改后，按照常规方式准备数据集并对改进后的YOLOv8进行充分训练。期间应密切关注损失函数的变化趋势以及各类评估指标的结果反馈。经过多轮迭代优化直至收敛稳定为止。最后，在测试集上面检验最终版模型的实际效能是否达到了预期目标——即实现了更高精度的同时也保持了良好的运行效率。 ```python import torch from yolov8 import YOLOv8 from pphgnet_v2 import PPHGNetV2 def replace_backbone(yolo_model_path, new_backbone=PPHGNetV2()): # 加载原始YOLOv8模型权重 yolo = YOLOv8() checkpoint = torch.load(yolo_model_path) yolo.load_state_dict(checkpoint['model']) # 将原主干部分替换成PPHGNetV2 yolo.backbone = new_backbone return yolo # 使用示例代码片段 if __name__ == "__main__": improved_yolov8 = replace_backbone('path_to_original_weights.pth') ```
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
 
红包 添加红包
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