YOLOv5改进 | 卷积篇 | SAConv轻量化的可切换空洞卷积（附修改后的C3+Bottleneck）

已于 2024-03-08 20:40:24 修改
阅读量2.6k 收藏 24
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： 深度学习 机器学习 人工智能 计算机视觉 python pytorch YOLO
于 2024-01-06 22:12:17 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/135300889
本文详细介绍了SAConv（Switchable Atrous Convolution）的工作原理和实现方法，这是一种用于物体检测和分割任务的卷积机制。SAConv通过应用不同空洞率的卷积并结合开关函数，增强了网络对不同尺度特征的捕捉能力，降低了计算复杂度。文章提供了添加SAConv到YOLOv5网络的具体步骤，包括修改源代码和配置文件，并给出了训练过程的截图。通过SAConv，可以提升模型在物体检测和分割任务中的性能。

一、本文介绍

本文给大家带来的改进机制是可切换的空洞卷积（Switchable Atrous Convolution, SAC）是一种创新的卷积网络机制，专为增强物体检测和分割任务中的特征提取而设计。SAC的核心思想是在相同的输入特征上应用不同的空洞率进行卷积，并通过特别设计的开关函数来融合这些不同卷积的结果。这种方法使得网络能够更灵活地适应不同尺度的特征，从而更准确地识别和分割图像中的物体。 通过本文你能够了解到：可切换的空洞卷积的基本原理和框架，能够在你自己的网络结构中进行添加(值得一提的是一个SAConv大概可以降低0.3GFLOPs)。

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、SAConv的机制原理介绍

三、SAConv代码复现 

3.1 SAConv

3.2 替换SAConv的C2f和Bottleneck

四、手把手教你添加SAConv 

4.1 SAConv的添加教程

4.2 SAConv的yaml文件和训练截图

5.2.1 SAConv的yaml文件

5.2.2 SAConv的训练过程截图 

五、SAConv可添加的位置

5.1 推荐SAConv可添加的位置 

5.2图示LSKAttention可添加的位置 

六、本文总结

二、SAConv的机制原理介绍

论文地址：官方论文地址

代码地址：官方代码地址

了解本专栏 订阅专栏 解锁全文
Yolov5轻量化:MobileNetV3，轻量级骨架首选
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
05-19 2995
轻量级网络MobileNetV3引入到yolov5，性能和速度都表现优异，受到学术界和工业界的追捧。
轻量级(LightWeight)卷积神经网络
AI天才研究院
07-12 1634
卷积神经网络被广泛应用在图像分类、目标检测等视觉任务中，并取得了巨大的成功。然而，卷积神经网络通常需要较大的运算量和内存占用，在嵌入式设备等资源受限的环境中受到限制，因此需要进行网络压缩。是网络压缩的一种方法，旨在设计计算复杂度更低的网络结构。从的角度考虑，卷积层提取的特征存在冗余，可以设计特殊的卷积操作，减少卷积操作的冗余，从而减少计算量。从的角度，模型推理过程中存在大量乘法运算，而乘法操作(相比于加法)对于目前的硬件设备不友好，可以对乘法运算进行优化，也可以减少计算量。
YOLO改进：添加多尺度特征提取模块Scale-Aware RFE Model
qq_36070656的博客
10-08 4844
RFEM的结构很简单，该结构使用了三个不同空洞率（1、2、3）的空洞卷积提取特征以提取多尺度信息；此外，不同分支共享权重减少参数量；另外，使用残差连接防止梯度爆炸的问题；最后，将四个分支的特征相加得到输出的特征层。
模型结构轻量化设计
最新发布
乐乐的博客
09-29 591
传统 NAS 仅优化精度，FBNet 加入 “硬件延迟模型”（如手机 GPU 计算延迟），搜索过程中同时约束参数量和延迟，生成的模型在 iPhone 上比 MobileNet V2 快 2 倍，精度相当。：ShuffleNet 引入 “通道混洗（Channel Shuffle）”，卷积后将不同组的通道打乱重组，解决分组导致的 “通道隔离” 问题，保证跨组信息流通。用 “步长 = 2 的 3 × 3 卷积” 替代池化，既能实现空间尺寸减半，又能通过卷积学习特征，性能提升 5%-10%。
基于SA-Conv-CTC/Attention端到端语音识别模型的基本原理、实现方法和主要流程
雷恩Layne
07-20 2721
文章目录摘要1. 引言2. 模型描述2.1 混合编码器2.2 位置编码器2.3 SA-Conv-CTC/Attention架构2.4 带有SA-LM的混合解码器3. 实验3.1 数据集介绍3.2 实验细节3.3 评价准则3.4 实验结果4. 结论 摘要 我们知道，传统的语音识别系统分为三大组件，分别是词汇字典、声学模型和语言模型，这使得我们不得不单独训练声学和语音模型[1]。近年来，端到端（E2E）语音识别系统越来越受欢迎，与传统的语音识别系统不同，E2E语音识别系统直接将输入的语音转换成字符或单词，只基于
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
轻量化卷积神经网络（SqueezeNet，MobileNet，ShuffleNet，Xception）
一一
06-10 4288
目录 摘要 SqueezeNet (AlexNet-level accuracy with 50x fewer parameters and < 0.5MB model size) MobileNet ShuffleNet Xception 总结 摘要 在最近阅读的一些论文中常常出现MobileNet，Xception等模块，下面将对几种轻量化卷积神经网络进行介绍，并给出论文...
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
弗兰-随风小欢的博客
01-10 5806
【目标检测实验系列】YOLOv5创新点：模型与Ghost卷积结构结合，降低参数量和GFLOPs的同时，保持精度不下降，模型轻量化必备！（内含源代码，超详细改进代码流程）
轻量化卷积神经网络模型总结by wilson（shffleNet,moblieNet,squeezeNet+Xception）
weixin_30472035的博客
05-25 622
一、简介 　　主要参考博客：纵览轻量化卷积神经网络 https://zhuanlan.zhihu.com/p/32746221 　　1， SqueezeNet: 　　　　SqueezeNet对比AlexNet能够减少50倍的网络参数，但是却拥有相近的性能。SqueezeNet主要强调用1x1的卷积核进行feature map个数的压缩，从而达到大量减少网络参数的目的。在构造...
记录：YOLOv5模型剪枝轻量化
qq_44224801的博客
07-01 3727
模型
【YOLOv5/v7改进系列】引入SAConv——可切换空洞卷积
2401_84870184的博客
07-19 1954
SAConv,DetectoRS 在COCO测试集上取得了非常优秀的检测、实例分割和全景分割性能，例如达到55.7%的边界框平均精度（box AP）和48.5%的掩模平均精度（mask AP），以及50.0%的全景质量分数（PQ）。这有助于增强对物体的识别能力。：虽然DetectoRS提供了卓越的性能，但增加的递归和多尺度处理可能需要更多的计算资源和更长的训练时间，这可能限制了其在资源受限环境中的应用。：由于模型引入了递归和可切换的组件，模型的复杂度有所增加，这可能影响模型的实时性和部署成本。
YOLOv5结合轻量化网络MobileNetv3
热门推荐
weixin_44808161的博客
07-13 1万+
对YOLOv5网络结构进行修改
纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception
小白学视觉
05-29 3161
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达仅作学术分享，不代表本公众号立场，侵权联系删除转载于：机器之心本文就近年提出的四个轻量化模型进行学习和对比，四个模型分别是：SqueezeNet、MobileNet、ShuffleNet、Xception。目录一、引言二、轻量化模型 2.1 SqueezeNet 2.2 MobileNet 2.3 Shuf...
RT-DETR改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积，降低内存占用
Limiiiing的博客
11-16 1637
本文记录的是利用优化的目标检测方法研究。深度可分离卷积可以减少FLOPs，但会导致更高的内存访问，引起延迟并减慢整体计算。部分卷积利用逐点卷积处理通道冗余，减少模型计算量和内存访问量。Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks及其改进的实现代码如下： 四、创新模块 4.1 改进点⭐ 模块改进方法：直接加入（第五节讲解添加步骤）。模块加入如下：模块改进方法：加入（第五节讲解添加步骤）。FasterNet Block内部结构
即插即用!轻量化YOLOv5网络结构设计，BC3减少网络参数
weixin_47060902的博客
11-05 381
YOLOv5网络的轻量化魔改，BC3压缩YOLOv5网络的参数量
纵览轻量化卷积神经网络SqueezeNet，MobileNet，ShuffleNet
dl_007的博客
10-29 920
1. SqueezeNet 具体如下图所示：   Fire module 输入的 feature map 为 H*W*M 的，输出的 feature map 为 H*M*(e1+e3)，可以看到 feature map 的分辨率是不变的，变的仅是维数，也就是通道数，这一点和 VGG 的思想一致。 SqueezeNet提出了3点网络结构设计策略： 策略 1.将3x3卷积核替换为1x1卷...
轻量化卷积神经网络
Change ZH的博客
09-25 7117
轻量化卷积神经网络
基于Ghost卷积的YOLOv5轻量化改进方法
本资料所提及的“YOLOv5轻量化改进”项目，核心思想是将Ghost卷积结构引入YOLOv5框架中，通过构建C3Ghost模块替代原有的C3模块，实现模型压缩与加速，同时尽可能保持检测性能不下降。 Ghost卷积（Ghost Convolution...
评论 3
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