YOLOv5改进 | 主干篇 | MobileNetV1轻量化网络助力FPS提高（附代码+修改教程）

已于 2024-03-30 23:12:41 修改
阅读量1.2k 收藏 25
点赞数 29
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： 深度学习 人工智能 YOLO 计算机视觉 python pytorch
于 2023-12-27 07:53:31 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/135227778
本文介绍了如何使用MobileNetV1改进YOLOv5，探讨了MobileNetV1的框架原理，特别是深度可分离卷积，以及详细说明了在YOLOv5中添加MobileNetV1作为主干网络的修改步骤，包括代码修改和yaml文件配置。文章适合想要了解轻量化网络结构的读者。

一、本文介绍

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

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、本文介绍

二、MobileNetV1的框架原理

三、MobileNetV1的核心代码

 四、手把手教你添加MobileNetV1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、MobileNetV1的yaml文件

六、成功运行记录 

七、本文总结

二、MobileNetV1的框架原理

​​官方论文地址： 论文地址点击即可跳转

官方代码地址： 官方代码地址

​

MobileNetV1的论文《MobileNets: Efficient Convolutional Neural Network

了解本专栏 订阅专栏 解锁全文
万字长文！YOLO算法模型yaml文件史上最详细解析与教程！小白也能看懂！掌握了这个就掌握了魔改YOLO的核心！
YOLOv8项目贡献者
05-10 5万+
YOLO算法模型yaml文件史上最详细解析与教程！
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。
从前向传播角度解读YOLOV5的源码：如何修改网络结构或增添多余的层？
vindicater的博客
08-31 981
本文主要介绍的是forward部分，也就是整个模型推理的部分。通过对于整个网络的具体实现的解析，理解了的读者便能具备修改网络结构的能力。
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模型 9fps提升至27fps全过程
william_myq的博客
07-02 2561
1. 安装ACLLite核心流程应该是怎么样的？3. NPU_HOST_LIB 的环境变量跟 /etc/profile中的不一样怎么办？9. videocapture.VideoCapture和cv2.VideoCapture的区别？11. mean_chn_i var_reci_chn 代表了什么？2. 如果opencv不支持h.264, DVPP应该进行怎么样的转码？5. ACLLite的本质代码是是什么？是CANN的底层代码封装吗？3. h.264转RGB或者YUV 是如何控制转换的类型的？
YOLO V3 网络结构分析图解_V1
xyy613的博客
02-23 1245
在这里插入图片描述 最近在到捣鼓YOLO V3 网络，特以shape为对象，编制如下结构分析图_v1版本，希望清晰展示了YOLO V3的网络结构，如有错误，欢迎交流。 PS:第一次在csdn发博，期望大家支持。 主要参考链接： 1、https://blog.youkuaiyun.com/weixin_44791964/article/details/103276106 2、https://blog.csdn....
YOLOv5改进 | 主干篇 | ShuffleNetV2轻量化网络助力FPS提高（附代码+修改教程）
Snu77的博客
12-26 2140
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YOLOv5改进有效涨点专栏，本专栏目前为新开的平均质量分97分，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，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)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~YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新​​​。
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。
MobileNets
shuzfan的专栏
04-28 5972
一篇讲如何设计轻量级网络的文章，来自Google，方法和创新不是很多，但实验太充分。不愧是谷歌，财大气粗，实验随便跑。文章链接： 《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》文章共从三点来探讨网络加速，下面依次介绍这三点以及部分关键性的实验。Depthwise Separabl
yolov5数据集_140FPS！YOLOv5重磅来袭，速度逆天
weixin_39539684的博客
11-21 1086
在YOLOv4发布后不到50天，YOLOv5就改进了实时对象检测的技术水平。实时目标检测技术快速发展，其改进的速度令人震惊。3月18日，Google开源了EfficientDet的实现源代码，EfficientDet可对不同大小的模型进行快速训练，其中之一提供实时输出。4月23日，Alexey Bochoviskiy等人开源了YOLOv4。6月9日，Glenn Jocher开源了 YOLOv5。Y...
YOLOv5改进系列(三) 本文(7万字) | 更换主干backbone | MobileNetV3 | ShuffleNetV2 | EfficientNetv2 | GhostNet | 等 |
专注于人工智能学习，总结
12-29 4496
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程MobileNetV3，是谷歌在2019年3月21日提出的轻量化网络架构，在前两个版本的基础上，加入神经网络架构搜索（NAS）和h-swish激活函数，并引入SE通道注意力机制，性能和速度都表现优异，受到学术界和工业界的追捧。引用大佬的描述：MobileNet V3 = MobileNet v2 + SE结构 + hard
YOLOv5【网络结构】超详细解读总结！！！建议收藏✨✨！
热门推荐
m0_57787115的博客
05-14 11万+
超全的YOLOv5网络结构超详细解读！让我们一起来学习yolov5吧！学习笔记总结！
Yolov5网络修改教程（将backbone修改为EfficientNet、MobileNet3、RegNet等）
rglkt的博客
06-29 3万+
在我的本科毕业论文中，我使用了Yolov5，并尝试对其更改。可以对Yolov5进行一定程度的定制化修改，例如更轻量级的Yolov5-MobileNetv3 或者比Yolov5s更好的（存疑，没有跑过大数据集，可自己实验）Yolov5-EfficientNet。......
【YOLOV5】训练自己的数据集，CBAM，CIoU，Soft-nms，网络结构修改
ghostype的博客
02-10 7383
1.使用VOC数据集 2.划分训练集，验证集、测试集 3.修改配置 3.1新建 data/yolo.yaml 加入train、test 地址 修改类别数量与名称 3.2修改模型参数 model/yolov5s.yaml 类别、anchor tips：yolov5会自动计算anchor box 3.1中地址冒号后面需要加一个空格 .........
yolov5修改骨干网络-使用自己搭建的网络-以efficientnetv2为例
小白不白
12-15 6957
efficientnet则是通过NAS搜索，同时增加width、depth以及resolution，使网络结构达到最优。下表为EfficientNet-B0的网络框架（B1-B7就是在B0的基础上修改Resolution，Channels以及Layers），可以看出网络总共分成了9个Stage。第一个Stage是一个卷积核大小为3x3，stride为2的普通卷积层（包含BN和Swish激活函数）；
Yolov5-模型配置文件(yolov5l.yaml)讲解
weixin_42001184的博客
04-01 6022
YOLOv5 的yaml文件解析与理解
YOLOV5学习笔记（六）——优化网络架构
HUASHUDEYANJING的博客
08-05 7218
利用多个小卷积核替代一个大卷积核，先将channel 数减小再扩大（默认减小到一半），具体做法是先进行1×1卷积将channel减小一半，再通过3×3卷积将通道数加倍，并获取特征（共使用两个标准卷积模块），其输入与输出的通道数是不发生改变的。Focus模块的作用是对图片进行切片，类似于下采样，先将图片变为320×320×12的特征图，再经过3×3的卷积操作，输出。32，最终变为320×320×32的特征图，是一般卷积计算量的4倍，如此做下采样将无信息丢失。2. yolo.py文件修改：在yolo.py的。.
YOLOv5算法改进（14）— 如何去更换主干网络（3）（包括代码+添加步骤+网络结构图）
小哥谈
10-20 579
本篇文章通过案例的方式给大家讲解如何在YOLOv5算法中更换主干网络，该文章的特色就是比较浅显易懂，附加了很多的网络结构图，通过结构图的形式向大家娓娓道来，希望大家学习之后能够有所收获！🌈
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）
最新发布
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 6
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