YOLOv5改进 | 主干篇 | 利用SENetV1改进网络结构 (ILSVRC冠军得主)

已于 2024-01-04 21:44:06 修改
阅读量1.5k 收藏 18
点赞数 25
CC 4.0 BY-SA版权
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 深度学习 人工智能 python 计算机视觉 目标检测 pytorch
于 2023-12-28 06:00:00 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/135228523
本文介绍了如何在YOLOv5中整合SENetV1，提升目标检测性能。详细讲解了SENetV1的框架原理、核心代码，并提供了逐步的修改教程，包括在模型的不同位置添加SENetV1的建议，以实现性能优化。文章还包含了成功运行的截图和推荐的yaml配置文件。

 一、本文介绍

本文给大家带来的改进机制是SENet（Squeeze-and-Excitation Networks）其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型，而是一个可以和现有的任何一个模型相结合的模块(可以看作是一种通道型的注意力机制)。在SENet中，所谓的挤压和激励（Squeeze-and-Excitation）操作是作为一个单元添加到传统的卷积网络结构中，如残差单元中(后面我会把修改好的残差单元给大家大家直接复制粘贴即可使用)。这样可以增强模型对通道间关系的捕获，提升整体的特征表达能力，而不需要从头开始设计一个全新的网络架构。因此，SENet可以看作是对现有网络模型的一种改进和增强(亲测大中小三中目标检测上都有一定程度的涨点效果)。

推荐指数：⭐⭐⭐⭐⭐

涨点效果：⭐⭐⭐⭐⭐

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、SENetV1框架原理

三、SENetV1核心代码

  四、手把手教你添加SENetV1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、SENetV1的yaml文件

六、成功运行记录 

七、本文总结

二、SENetV1框架原理

​

论文地址：官方论文地址

代码地址：官方代码地址

​

SENet（Squeeze-and-Excitation Networks）的主要思想在于通过挤压-激励（SE）块强化了网络对通道间依赖性

了解本专栏 订阅专栏 解锁全文
【YOLOv5进阶】——修改网络结构（以C2f模块为例）
weixin_51658186的博客
06-10 1757
这里我们借鉴YOLOv8源码：上期说到，对于网络模块定义详情在common.py这个文件，如Conv、CrossConv、C3f等。
YOLOv5系列（3）——YOLOv5修改网络结构
wa1tzy的博客
03-07 3万+
文章目录一、设置网络结构为mobilenet-V2二、添加注意力模块 一、设置网络结构为mobilenet-V2 首先，需要在models/common.py里，实现MobileNetv2的 bottleneck 和 Pwconv。 1、Mobilenetv2的bottleneck: InvertedResidual #mobilenet Bottleneck InvertedResidual class BottleneckMOB(nn.Module): #c1:inp c2:oup
【目标检测】YOLOv5：修改自己的网络结构
兴趣使然的创作者
04-15 7146
YOLOv5从登堂到入室
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（v7.0）网络修改实践一：集成YOLOX的backbone（CSPDarknet和Pafpn）到yolov5（v7.0）框架中
qq_44442727的博客
07-17 1326
从上forward函数可以发现，YOLOPAFPN还需先经过一个backbone：CSPDarknet得到输出后再进入特征融合阶段，从forward函数也就可以了解到YOLOPAFPN的整体结构了。如下是找的YOLOX的网络结构图，红框内即是YOLOPAFPN的结构根据导入的库可以找到CSPDarknet和相关基础模块的定义代码，分别在models文件夹下的darknet.py和network_blocks.py下。
YOLOv8改进 | 主干篇 | 利用SENetV1改进网络结构 (ILSVRC冠军得主)
Snu77的博客
12-24 4409
本文给大家带来的改进机制是SENet（Squeeze-and-Excitation Networks）其是一种通过调整卷积网络中的通道关系来提升性能的网络结构。SENet并不是一个独立的网络模型，而是一个可以和现有的任何一个模型相结合的模块(可以看作是一种通道型的注意力机制)。在SENet中，所谓的挤压和激励（Squeeze-and-Excitation）操作是作为一个单元添加到传统的卷积网络结构中，如残差单元中(后面我会把修改好的残差单元给大家大家直接复制粘贴即可使用)。这样可以增强模型对通道间关系的捕获
YOLOv8改进 | 主干篇 | 利用SENetV1改进网络结构（ILSVRC冠军得主）
走向CTO的路上...
10-03 568
将SENetV1引入YOLOv8的主干网络可以提高模型的性能，尤其是在复杂背景下的目标检测。SENetV1是一种轻量级的注意力机制，它通过动态地调整每个通道的特征权重来提升模型对全局特征的感知能力，从而更好地提取目标特征。SENetV1是一种有效的改进YOLOv8目标检测模型的方法，它在目标检测和图像分割任务中取得了显著的性能提升。该改进通过动态地调整每个通道的特征权重，可以使模型更加关注重要的特征信息，从而提升模型对复杂背景下目标的识别能力。
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
最新发布
Snu77的博客
11-05 7万+
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。
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
热门推荐
Snu77的博客
12-30 17万+
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。
YOLOv5改进 | 主干网络 | 将backbone替换为MobileNetV3【小白必备教程+附完整代码】
kay_545
05-18 3987
yolov5有效改进涨点，yolov5改进，yolov8
yolov5 修改
weixin_43167279的博客
05-13 1606
借鉴的代码：http://github.com/ultralytics/ultralytics。
修改YOLOv5的模型结构
Loser
11-03 1253
common.py中实现了yolov5所用到的一些模块将卷积、归一化、和激活函数合并成一个Conv模块将通道数先缩小后放大的Bottleneck模块结合跳跃连接、Conv、Bottleneck模块的C3模块为了下采样、降低计算量用的Focus模块融合多尺度特征的SPP（Sptaial Pyramid Pooling，空间金字塔）模块然后在上层又创建了AutoShape进行非模型本身的预处理、后处理过程；创建了Detections用于控制检测的过程，记录状态等；
YOLOv5-7.0改进（一）MobileNetv3替换主干网络
mw的博客
05-03 8692
本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~
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
08-31 976
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。
【修改yolov5】给yolov5更换主干网络ShuffleNetv2
PLH19990227的博客
03-15 6381
从图中可以很明显的看到（蓝色框）更换了主干网络 后的网络的参数和GFLOPs都有很大的下降。但是我对我实验的结果保持怀疑态度，因为在我训练的过程中，总是会有警告说nms限制10秒（好像是这个意思）但是我的都超过了10秒了，这应该对识别的速度以及精度都会造成影响，所以我什么时候才能换上新电脑啊！看了迪导给yolov5网络更换主干网络ShuffleNetv2的操作后，跟着他的操作步骤更换了我自己正在学习的yolov5网络的主干，并在最后用改过后的网络跑了一下自己的数据集。接下来要做的就是修改配置文件了。
YOLOv5改进实战（导读篇） | YOLOv5 7.0 网络结构超详细解读
w94ghz的博客
09-21 1万+
yolov5更换主干网络shufflent
m0_53291740的博客
08-08 1001
这个是YOLOV5的网络。框出来的是yolov5的主干网络。我们用shufflenet_v2的部分替换。可以直接把shufflenet_v2的网络截取出三部分。下图的右边部分是网络shufflenet的官方网络结构，直接使用即可。1.可以先看看shufflenet_v2的网络结构。定义我们自己需要修改的shufflenet类。照着上面的网络对齐修改。
目标检测 YOLOv5 自定义网络结构
二分掌柜的
05-26 1万+
目标检测 YOLOv5 自定义网络结构（YOLOv5-ShuffleNetV2） flyfish 版本：YOLOv5:v5 具体已经借鉴的自定义网络结构包括 YOLOv5-MobileNetV3 MobileNetV3 Large MobileNetV3 Small YOLOv5-ShuffleNetV2 ShuffleNetV2 ShuffleNetV2-Focus ShuffleNetV2-stem（Pelee的stem模块） 源码下载地址 在训练时可以使用命令 python train.
yolo训练网络如何修改？看完就会！
pjbsgcxy的博客
05-30 943
在def parse_model(d, ch): # model_dict, input_channels(3)方法中，添加一下内容。models/yolov5*.yaml —>修改现有模型结构配置文件(当引入新的层时，要修改后序的结构中的from参数)models/yolo.py —>设定网络结构的传参细节（当新的自定义模块中存在输入输出维度时，要使用gw调整输出维度）models/common.py —> 加入新增网络结构。然后接着再打开train.py文件即可；
yolov8改进 | 主干篇 | 低照度增强网络pe-yolo改进主干
02-06
YOLOv8是目标检测领域中的一种经典算法，其以速度快和准确性高而受到广泛关注。在YOLOv8的主干网络上，我们可以进行一些改进来提升其在低照度环境下的性能。 低照度条件下，图像通常会受到噪声的影响，目标的细节和边缘信息可能会被模糊或者丢失，导致目标检测精度受到影响。为了克服这个问题，我们可以引入低照度增强网络来对输入图像进行预处理。低照度增强网络可以根据图像的特点对其进行自适应地增强，提升图像的亮度和对比度，减少噪声的干扰。这样可以使得图像中的目标更加清晰可见，有助于提高YOLOv8的检测精度。 在主干网络的选择方面，我们可以考虑使用Pe-YOLO来替代YOLOv8原有的主干网络。Pe-YOLO是一种经过优化的主干网络，其在保持YOLOv8原有速度优势的同时，能够提升在低照度环境下目标检测的性能。Pe-YOLO采用了一些先进的网络结构和设计技巧，例如注意力机制和残差连接，使得主干网络具有更好的图像特征提取能力和抗干扰能力。 通过将Pe-YOLO用于YOLOv8的主干网络，可以加强对低照度环境下目标的探测能力，提升检测的准确率和鲁棒性。此外，我们还可以对Pe-YOLO进行训练，使其能够更好地适应低照度条件下目标的特征，进一步加强目标检测的效果。 总结而言，yolov8改进中的主干篇，我们可以通过引入低照度增强网络和选择Pe-YOLO作为主干网络来提升在低照度环境下的目标检测性能。这些改进可以有效地减少噪声干扰，提高目标的可见性，在大幅度提升速度的同时，保证准确率和鲁棒性，使得yolov8在低照度条件下仍能取得出色的检测效果。
评论 2
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