YOLOv5改进 | 主干篇 | MobileNetV2轻量化网络助力FPS提高（附代码+修改教程）

已于 2024-03-30 23:12:23 修改
阅读量2.4k 收藏 29
点赞数 22
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： 人工智能 深度学习 计算机视觉 YOLO python 目标检测
于 2023-12-27 08:00:10 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/135228090
本文详细介绍了如何使用MobileNetV2改进YOLOv5，以提高FPS并优化目标检测性能。MobileNetV2通过反转残差结构和线性瓶颈层设计，实现了轻量化网络，适合移动和嵌入式设备。文中提供了核心代码、修改教程及yaml配置文件，帮助读者理解并实现这一改进。

一、本文介绍

本文给大家带来的改进机制是MobileNetV2，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。

适用检测目标：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

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、MobileNetV2的框架原理

2.1 MobileNetV2的基本原理

2.1.1 反转残差结构 

2.1.2 线性瓶颈层

2.1.3 SSDLite框架 

三、MobileNetV2的核心代码

 四、手把手教你添加MobileNetV2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、MobileNetV2的yaml文件

六、成功运行记录 

七、本文总结

二、MobileNetV2的框架原理

​官方论文地址：官方论文地址

官方代码地址：官方代码地址

2.1 Mobil

了解本专栏 订阅专栏 解锁全文
YOLOV5 改进：替换backbone（MobileNet为例）
Henry的博客
03-19 1524
之前介绍了yolov5如何更换C2f模块以及加入注意力机制SE模块的示例，详细请参考本专栏：YOLOV5 实战项目(训练、部署、改进等等)_听风吹等浪起的博客-优快云博客本文将详细介绍yolov5更换官方backbone，以轻量级网络mobilenet为例。因为mobilenet是轻量级的小型网络，参数量和计算量相比于传统的DarkNet而言少了很多，可能精度会有所损失。不过掌握了方法后，可以熟练的更换别的网络，例如transformer等等
改进YOLOv5：MobileNEtv2、v3篇**涨点必备 | 创新实用 | 轻量化骨干网络大一统，包含FastNet、ShuffleNet、mobileNet、Ghostnet等
qq_44224801的博客
05-18 1574
​   轻量化MobileNEtv2、v3​   轻量化MobileNEtv2、v3。
基于TLT训练Yolov3+darknet53
hello_dear_you的博客
12-21 2502
0. 背景
YOLOv5改进——使用深度可分离卷积轻量化C3
热门推荐
python_plus的博客
02-23 1万+
YOLOv5改进——使用深度可分离卷积轻量化C3
yolov5的轻量化改进
weixin_42612405的博客
02-18 1630
YOLOv5 的轻量化改进包括使用更小的网络结构、使用更高效的卷积层实现、减少不必要的计算以及采用更有效的数据压缩技术。这些改进都是为了降低 YOLOv5 模型的计算量和内存需求，以便更容易在资源有限的环境中部署和使用。 ...
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 | 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。
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 1万+
轻量化YOLOv5s模型
mobile-yolov5-pruning-distillation:mobilev2-yolov5s剪枝，蒸馏，支持ncnn，tensorRT部署。超轻但性能更好！
03-19
移动式yolov5修剪蒸馏 mobilev2-yolov5s的通道修剪和蒸馏。超轻但性能更好！ TensorRT版本===> Android版本===> 背景 yolov5s在640x640分辨率下的计算量和参数量分别为8.39G和7.07M。在速度上仍然有提升空间，通过替换backbone（mobilenetv2），通道剪枝对模型进行压缩。 。本项目以工程化为基础，主要是模型端的优化。实现了常用的剪枝和蒸馏算法，并完成了一个简单的介绍和评估。将工程可用模型转换成对应的部署版本。 基准线 数据集采用Pascal VOC，训练集= train2007 + train2012 + val2007 + val2012，测试集= test2007，基线采用mobile-yolo（imagenet预训练），如果没有特别说明，第一个模块采用重点如果特定特殊说明则可以使用替换参数，batchsize
轻量化YOLOv5改进 | 结合repghost结构冲参数化网络，实现轻量化和加速推理，
qq_44224801的博客
08-03 1674
在深度学习的应用中，卷积神经网络（CNN）已经成为了一种重要的模型结构。然而，由于CNN的计算量大，存储需求高，使得它在硬件设备上的部署和运行面临着挑战。为了解决这个问题，研究者们提出了各种各样的轻量级CNN，如MobileNet，ShuffleNet等。这些网络通过设计高效的模块和操作，如深度可分离卷积，通道混洗等，来减少计算量和存储需求。然而，这些网络往往需要牺牲一定的准确性。在这篇论文中，作者们提出了一种新的模块——RepGhost，它通过隐式地重用特征来进一步提高计算效率。
YOLOv5改进之替换Backbone为mobilenet v2
年少的勇气已经用完，剩下的就是三思而后行
01-29 1665
BestYOLO是一个以科研和竞赛为导向的最好的YOLO实践框架!目前BestYOLO是一个完全基于进行改进的开源库，该库将始终秉持以落地应用为导向，以轻便化使用为宗旨，简化各种模块的改进。目前已经集成了基于模型为Backbone的YOLOv5目标检测算法，同时也将逐渐开源更多YOLOv5应用程序。
YOLOV5-模型轻量化的一些常见方法
m0_58508552的博客
02-18 1万+
知识蒸馏是一种有效的模型压缩技术，它可以通过将一个大的模型的知识迁移到一个小的模型中，来减少模型的大小和计算量。具体来说，可以将一个大的Yolov5模型的知识迁移到一个小的Yolov5模型中，从而获得一个轻量化的Yolov5模型。此外，YOLOv5还可以适应不同的设备，如CPU、GPU、TPU等，可以在不同的硬件平台上实现高效的目标检测。总的来说，YOLOv5是一个非常优秀的目标检测算法，具有更快的训练速度、更高的精度、更小的模型体积和更广泛的应用场景，可以为实际应用带来更多的价值。
YOLOV5更换轻量级的backbone：mobilenetV2
qq_49627063的博客
07-06 1万+
如何更换YOLOV5的backbone
多种轻量化算法改进YOLOv5模型
m0_61348166的博客
08-30 2472
【代码】多种轻量化算法改进YOLOv5模型。
YOLOv5改进（四）--轻量化模型ShuffleNetv2
qq_44231797的博客
05-30 3157
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。
目标检测论文解读复现之二：基于改进YOLOv5的轻量化航空目标检测方法
m0_70388905的博客
11-11 3559
为解决硬件平台资源受限条件下的实时航空目标检测需求，在基于改进YOLOv5的基础上，提出了一种针对移动端设备／边缘计算的轻量化航空目标检测方法．
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV2【小白必备教程+附完整代码】
kay_545
08-06 2470
yolov5，yolov5改进，MobileNet v2
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
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...
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