YOLOv8改进 | 主干篇 | EfficientNetV1均衡缩放网络改进特征提取层

已于 2024-04-16 23:10:19 修改
阅读量3.6k 收藏 27
点赞数 23
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 人工智能 深度学习 python 目标检测 计算机视觉 pytorch
于 2023-12-30 01:57:44 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/135266618
本文介绍了将EfficientNetV1作为YOLOv8目标检测网络的主干，通过均衡缩放网络的深度、宽度和分辨率提升性能。详细阐述了EfficientNetV1的框架原理，并提供了核心代码和逐步教程，指导读者如何将该网络结构整合到YOLOv8中。

一、本文介绍

这次给大家带来的改进机制是EfficientNetV1主干，用其替换我们YOLOv8的特征提取网络，其主要思想是通过均衡地缩放网络的深度、宽度和分辨率，以提高卷积神经网络的性能。这种方法采用了一个简单但有效的复合系数，统一调整所有维度。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，同时该主干网络提供多种版本，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。

推荐指数：⭐⭐⭐⭐⭐

涨点效果：⭐⭐⭐⭐⭐

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

目录

一、本文介绍

二、EfficientNetV1的框架原理

三、EfficientNetV1的核心代码

四、手把手教你添加EfficientNetV1机制

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

修改八

五、EfficientNetV1的yaml文件

六、成功运行记录 

七、本文总结

二、EfficientNetV1的框架原理

​

官方论文地址： 官方论文地址点击即可跳转

官方代码地址： 官方代码地址点击即可跳转

了解本专栏 订阅专栏 解锁全文
DenseNets再探索：超越ResNets和ViTs的范式转变
AI浩
07-02 936
摘要： 本文重新探讨了密集连接的卷积网络（DenseNets），并揭示了其在当前主流的ResNet风格架构之上的被低估的有效性。我们认为，DenseNets的潜力被忽视的原因在于未得到充分研究的训练方法以及传统设计元素未能完全展现其能力。我们的初步研究表明，通过拼接实现的密集连接非常强大，证明了DenseNets可以通过复兴来与现代架构竞争。我们系统地改进了次优组件——包括架构调整、块重新设计以及改进的训练策略，旨在拓宽DenseNets并提升内存效率，同时保持拼接的快捷连接。我们的模型采用简单的架构元素，
YOLOv8改进 | 主干篇 | 添加EfficientViT替换Backbone（高效的视觉变换网络，改进策略）
Snu77的博客
12-11 8590
本文给大家带来的改进机制是（高效的视觉变换网络），EfficientViT的核心是一种轻量级的多尺度线性注意力模块，能够在只使用硬件高效操作的情况下实现全局感受野和多尺度学习。本文带来是2023年的最新版本的EfficientViT网络结构，论文题目是'EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction'这个版本的模型结构(这点大家需要注意以下)。
解决yolov8替换骨干网络efficientVit出现的报错TypeError: _predict_once() takes
xi125810的博客
04-19 1053
yolov8，#深度学习。
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
B站 Ai学术叫叫兽的文案地
09-14 6065
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
Rewrite the Stars
AI浩
05-30 1231
摘要 https://arxiv.org/pdf/2403.19967 最近的研究已经引起了人们对网络设计中“星操作”（元素级乘法）尚未开发的潜力的关注。尽管直观的解释很多，但其应用背后的基本原理仍然在很大程度上未被探索。我们的研究试图揭示星操作将输入映射到高维、非线性特征空间的能力——类似于核技巧——而无需加宽网络。我们还引入了StarNet，这是一个简单但功能强大的原型，它在紧凑的网络结构和有限的预算下展示了令人印象深刻的性能和低延迟。就像天空中的星星一样，星操作看似普通，但蕴含着巨大的潜力。我们的工作
YOLOv8改进 | 主干篇 | EfficientNetV2均衡缩放网络改进特征提取层
走向CTO的路上...
06-18 1045
EfficientNetV2是一种基于深度卷积神经网络（CNN）的图像分类模型，它通过复合缩放、深度缩放和分辨率缩放来提升模型性能和效率。EfficientNetV2已被证明能够有效地改进YOLOv8目标检测模型。EfficientNetV2改进特征提取层是一种有效的改进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。该改进通过复合缩放、深度缩放和分辨率缩放来优化模型架构，实现了良好的性能和效率平衡。
YOLOv8改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络
走向CTO的路上...
06-23 1441
YOLOv8改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络简介​编辑Opens in a new window​编辑viso.aiYOLOv8 model architectureTransNeXt：革命性的神经网络架构​编辑Opens in a new window​编辑www.mdpi.comTransNeXt neural network architectureTransNeXt 融入 YOLOv8​编辑Opens in a new window​编辑www.bilibili.
YOLOv8改进 | 融合篇，YOLOv8改进主干网络为MobileNetV4+CBAM注意机制+Powerful-IoU损失函数(2024 最新IOU)，全网首发，实现极限涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-29 2993
本文将在 YOLOv8 主干中引入 MobileNetV4 轻量化骨干，同时，在检测头引入 CBAM机制注意力机制，并采用 Powerful-IoU 损失函数作为模型的损失函数，其中，MobileNetV4 通过引入通用反向瓶颈(UIB)搜索块和 Mobie MQA 注意力模块创新设计，实现了模型的轻量级化；同时，MobileNetV4 采用了优化的 NAS 策略，通过粗粒度和细粒度搜索相结合的方法，显著提高了搜索效率并改善了模型质量。
【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，降低参数量！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 2567
视觉识别的“咆哮20年代”开始于视觉Transformer（ViTs）的引入，ViTs迅速取代了卷积神经网络（ConvNets）成为最先进的图像分类模型。然而，普通的ViT在应用于诸如目标检测和语义分割等一般计算机视觉任务时面临困难。分层Transformer（例如Swin Transformer）重新引入了几种ConvNet先验知识，使得Transformer在实际应用中成为通用的视觉骨干，并在各种视觉任务中表现出色。
YOLOv5改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】
kay_545
06-03 3008
yolov5改进，shufflenetv2
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之 PP-LCNet，轻量级CPU卷积神经网络，降低参数量
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 2376
我们提出了一种基于MKLDNN加速策略的轻量级CPU网络，命名为PP-LCNet，它在多项任务中提高了轻量级模型的性能。本文列出了在延迟几乎不变的情况下能够提高网络准确性的技术。通过这些改进，PP-LCNet在相同推理时间内的分类准确性可以大大超过之前的网络结构。如图1所示，它的性能优于最先进的模型。在计算机视觉的下游任务中，如目标检测、语义分割等，它也表现得非常出色。我们所有的实验都是基于PaddlePaddle1进行的。代码和预训练模型可在PaddleClas2中找到。
YOLOv8最新改进系列：YOLOV8主干改进-华为诺亚提出全新骨干架构VanillaNet，YOLOv8融合深度学习极简主义的力量，大力提升模型鲁棒性！！
B站 Ai学术叫叫兽的文案地
09-15 3105
YOLOv8最新改进系列：YOLOV8主干改进-华为诺亚提出全新骨干架构VanillaNet，YOLOv8融合深度学习极简主义的力量，大力提升模型鲁棒性！！ [详细的改进教程以及源码，戳这！戳这！！戳这！！！B站：AI学术叫叫兽 源码在相簿的链接中，动态中也有链接，感谢支持！祝科研遥遥领先！](https://space.bilibili.com/432570190/video)
YOLOv8改进 | 主干篇 | 利用SENetV2改进网络结构 (全网首发改进)
Snu77的博客
12-25 7334
本文给大家带来的改进机制是SENetV2，其是2023.11月的最新机制(所以大家想要发论文的可以在上面下点功夫)，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但是相对于SENetV1来说V2又在全局的角度进行了考虑)。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。
YOLOv8改进，YOLOv8替换主干网络为EfficientNet
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-05 1445
EfficientNet论文中研究了卷积网络的缩放和，并证明对深度，宽度和分辨率复合缩放的重要性，因此精度和效率更好。为了阐述相关的原理，我们提出了简单有效的复合缩放方法，使得模型缩放具有一定设计准则，同时兼顾了模型的效率。论文地址代码地址本文在YOLOv8中的主干网络替换成EfficientNet，代码已经整理好了，跟着文章复制粘贴，即可直接运行。
YOLOv8改进 | 主干篇 | 华为最新VanillaNet主干替换Backbone实现大幅度长点
Snu77的博客
12-19 6623
本文给大家来的改进机制是华为最新VanillaNet网络，其是今年最新推出的主干网络，VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单，层数较少，避免了像深度架构和自注意力这样的复杂操作(需要注意的是该网络结构的通道数会被放大，GFLOPs的量会很高)。我将其替换整个YOLOv8的Backbone，在一些大目标和小目标检测上均有涨点，效果比上一篇RepViT的效果要好。我的实验数据集是一个包含1000张图片包含大中小的检测目标的数据集上(共有20+类别)，下面我会附上基础版本和修改版
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
07-15 2831
卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会进行扩展以提高准确性。在本文中，我们系统地研究了模型扩展，并发现仔细平衡网络的深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，使用一个简单但非常有效的复合系数均匀扩展深度、宽度和分辨率的所有维度。我们展示了这种方法在扩展MobileNets和ResNet时的有效性。
YOLOv8改进实战 | 更换主干网络Backbone（六）之轻量化模型VanillaNet进阶篇
w94ghz的博客
11-22 1464
【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络
热门推荐
阿旭的博客
02-05 1万+
【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络
YOLOv8主干特征提取网络为卷积神经网络
最新发布
03-01
### YOLOv8 主干特征提取网络结构 YOLOv8作为一种先进的实时目标检测框架，在其主干网络设计方面进行了多项创新，旨在提升特征提取能力和模型效率。具体来说： #### EfficientNetV2均衡缩放网络的应用 为了增强特征表达能力并提高计算资源利用率，YOLOv8引入了EfficientNetV2作为基础骨干网的一部分[^1]。该架构采用了复合尺度法来平衡宽度、深度以及分辨率之间的关系，使得每一层都能获得最优配置。 ```python from efficientnet_pytorch import EfficientNet model = EfficientNet.from_name('efficientnet-b0') ``` #### EfficientViT的集成 除了采用传统卷积操作外，还探索了Transformer机制与CNN相结合的方式——即EfficientViT。这种混合型架构不仅减轻了整体模型大小，而且增强了局部到全局的信息交互效果，对于复杂场景下的物体识别具有显著优势[^2]。 ```python import torch.nn as nn class EfficientViTBlock(nn.Module): def __init__(self, dim, depth, heads, mlp_dim, dropout=0.): super().__init__() self.layers = nn.ModuleList([]) for _ in range(depth): self.layers.append(...) def forward(self, x): ... ``` #### GhostNetV2的融合 针对移动设备端部署的需求，YOLOv8进一步集成了GhostNetV2这一高效轻量化的组件。它通过ghost模块替代标准卷积单元，大幅降低了运算成本而不牺牲太多准确性[^3]。 ```python def ghost_module(x, inp, oup, kernel_size=1, ratio=2, dw_size=3, stride=1, relu=True): init_channels = math.ceil(oup / ratio) new_channels = init_channels*(ratio-1) # primary convolution pw_conv = ConvBNReLU(inp, init_channels, kernel_size, stride=stride, norm_layer=norm_layer, activation_layer=hswish()) # cheap operation dw_conv = DepthwiseConv(init_channels, new_channels, dw_size, 1, norm_layer=norm_layer, activation_layer=None if not relu else hswish()) return torch.cat([pw_conv, dw_conv], dim=1), oup ``` 综上所述，YOLOv8通过对不同先进算法和技术的有效组合，构建了一个强大而灵活的目标检测平台，适用于多种应用场景。
评论 3
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