YOLOv5改进 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）

最新推荐文章于 2025-03-03 16:26:13 发布
最新推荐文章于 2025-03-03 16:26:13 发布
阅读量1.1k 收藏 5
点赞数 9
分类专栏： YOLOv5改进有效专栏 文章标签： YOLO 深度学习 人工智能 目标检测 pytorch python 计算机视觉
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/135576568
版权
本文介绍了如何进行YOLOv5的二次创新，提出了一种名为iEMA的机制，它是iRMB倒置残差结构与EMA的结合，用于增强目标检测性能。作者详细讲解了如何添加iRMB_EMA，包括核心代码、yaml文件修改和训练过程，并提供了不同配置的yaml版本供读者实验。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 一、本文介绍

本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，这也是我的专栏和其它专栏不一样的点，我会站在如何发表论文的角度去替大家考虑，而不是单纯的发改进机制，后续我也会发更多的二次创新模块给大家，本文也会教大家如何二次创新，本文创新的iEMA机制经过我的实验效果非常好完胜单独用EMA或者iRMB。

欢迎大家订阅我的专栏一起学习YOLO！

专栏目录：YOLOv5改进有效涨点目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制

专栏回顾：YOLOv5改进专栏——持续复现各种顶会内容——内含100+创新

了解本专栏 订阅专栏 解锁全文
YOLOv8的二次创新：结合iRMB与EMA形成iEMA机制提升检测精度与稳定性【YOLOv8】
步入烟尘的博客
12-05 964
YOLOv8继承了YOLO系列的轻量化和高效检测特性，同时通过改进的架构设计使得其在实时场景下具有更高的检测精度。然而，随着检测需求的增加，尤其是在动态目标检测和长时间序列检测中，YOLOv8的鲁棒性依然可以提升。通过iEMA机制的引入，我们将在这些方面进行进一步优化。iRMB模块是我们对传统Residual Block的进一步改进。通过多层特征提取，iRMB能够捕捉更多层次的特征信息，并通过引入轻量化的残差结构，提升计算效率。
YOLOv8改进 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
01-11 5618
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，这也是我的专栏和其它专栏不一样的点，我会站在如何发表论文的角度去替大家考虑，而不是单纯的发改进机制，
YOLOv8的二次创新 | 结合iRMB与EMA打造全新的iEMA机制，提升动态检测性能【附保姆级代码】
一键难忘的博客
10-10 2670
YOLOv8继承了YOLO系列的轻量化和高效检测特性，同时通过改进的架构设计使得其在实时场景下具有更高的检测精度。然而，随着检测需求的增加，尤其是在动态目标检测和长时间序列检测中，YOLOv8的鲁棒性依然可以提升。通过iEMA机制的引入，我们将在这些方面进行进一步优化。iRMB模块是我们对传统Residual Block的进一步改进。通过多层特征提取，iRMB能够捕捉更多层次的特征信息，并通过引入轻量化的残差结构，提升计算效率。
YOLOv9改进策略 | 二次创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新）
Snu77的博客
05-16 992
本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv11改进 | 独家创新篇 | 结合iRMB和EMA形成全新的iEMA机制（全网独家创新，教你如何二次创新）
Snu77的博客
11-09 2603
本文给大家带来的最新改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，为什么这么说，从去年的三月份开始对于图像领域的论文发表其实是变难的了，在那之前大家可能搭搭积木的情况下就可以简单的发表一篇论文，但是从去年开始单纯的搭积木其实发表论文变得越来越难，所以这个时候就需要二次创新，以此来迷惑审稿人，彰显大家的工作量，所以二次创新是非常重要的一点，因为二次创新出来的模块其实基本上就可以算作一个全新的模块了，本文内容经过YOLOv8专栏很多读者反应效果很好。欢迎大家订阅我的专栏一起学习YOLO！
EMO：对高效神经模型移动块的重新思考
m0_63642362的博客
05-12 1389
本文重新思考CNN和Transformer的结构并抽象出了一个元结构——Meta-Mobile Block，并据此提出了一种新的高效移动块iRMB，达到了更好的性能与开销的权衡。
FGSM实例：利用fgsm攻击RMB识别模型
m0_65238732的博客
07-16 1216
简述如何构建RMB识别模型，详细介绍如何使用FGSM对该模型进行攻击即最终效果展示
YOLOv8-Seg改进：简单高效的模块-现代反向残差移动模块 (iRMB) | | ICCV2023 EMO
会AI的学姐
12-04 707
设计了一种面向移动端应用的简单而高效的现代反向残差移动模块(InvertedResidualMobileBlock,iRMB)，引入YOLOV8
腾讯优图/浙大/北大提出：重新思考高效神经模型的移动模块
阿木寺的博客
01-07 794
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>CV微信技术交流群转载自：CVHubTitle: Rethinking Mobile Block for Efficient Neural ModelsAuthor:Jiangning Zhang et al. (腾讯优图、浙大、北大、武大)Paper: https://arxiv.org/pdf/2301.01...
Yolov8轻量化：EMO，结合 CNN 和 Transformer 的现代倒残差移动模块设计，性能优于EdgeViT、Mobile-former等网络 |ICCV2023
05-31 1552
本文提出了倒残差移动模块(iRMB)，并提出EMO：一种轻量级网络，很好地权衡了模型精度和效率，性能优于EdgeViT、Mobile-former等网络。并最终引入到yolov5 backbone
学习记录——Efficient MOdel轻量化主干模型（iRMB、EMO）、CATnet
Chaoy6565的博客
08-31 1308
结合 CNN 和 Transformer 的倒残差移动模块设计ICCV-2023实例化了一个面向移动端应用的iRMB基础模块（Inverted Residual Mobile Block，倒残差移动模块），其，并进一步设计了仅由iRMB构成的EMO, Efficient MOdel轻量化主干模型。结合CNN/Transformer结构的优点来构建类似IRB的轻量级基础模块。
（内含即插即用代码）涨点神器！反向残差注意力模块 iRMB，《ICCV 2023 最新论文》
weixin_57111012的博客
11-15 2418
反向残差注意力模块 iRMB的即插即用代码
Rethinking Mobile Block for Efficient Attention-based Models【即插即用】
bettle_king的博客
03-28 730
本文的重点是在权衡参数、FLOPs和性能的同时，为密集预测开发现代、高效、轻量级的模型。倒立残差块(IRB)是轻量级cnn的基础结构，但在基于注意力的研究中还没有相应的基础结构。本文从高效IRB和Transformer的有效组件的统一角度重新思考轻量级基础架构，将基于cnn的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。根据简单而有效的设计准则，我们推导出了一种现代的反向残差移动块(iRMB)，并构建了一个只有iRMB的类resnet高效模型(EMO)用于下游任务。
pytorch入门学习 （七）------ RMB分类模型实现之数据读取
weixin_44776845的博客
03-04 1781
RMB分类模型实现 数据集不一定必须是RMB数据集，其他数据集同理，注意读取路径的设置 数据读取 数据收集 ------ Img， label 数据划分 ------ train, valid, test 数据读取 ------ DataLoader ------Sampler 生成索引，即样本的序号 DataSet 根据索引读取图片和标签 数据预处理 ----- transforms D...
即插即用篇 | YOLOv8 引入反向残差注意力模块 iRMB | 《ICCV 2023 最新论文》
YOLOv8项目贡献者
11-07 5161
YOLOv8 引入反向残差注意力模块 iRMB
【YOLOv8改进-注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力
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。
03-12 7564
【YOLOv8改进-注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力虽然倒置残差块（IRB） 我们将基于CNN的IRB扩展到基于注意力的模型，并提出了一种单残差元移动块（MMB）用于轻量级模型设计。
即插即用模块反向残留移动块（iRMB）详解（论文+代码）
weixin_47151388的博客
04-26 6535
本文的重点是在权衡参数、FLOPs和性能的同时，为密集预测开发现代、高效、轻量级的模型。倒立残差块(IRB)是轻量级cnn的基础结构，但在基于注意力的研究中还没有相应的基础结构。本文从高效IRB和Transformer的有效组件的统一角度重新思考轻量级基础架构，将基于cnn的IRB扩展到基于注意力的模型，并抽象出一个用于轻量级模型设计的单残留元移动块(MMB)。根据简单而有效的设计准则，我们推导出了一种现代的反向残差移动块(Inverted Residual Mobile Block,iRMB)
YOLOv8模型改进 第十九讲 添加倒置残差移动块iRMB（Inverted Residual Mobile Block，） 去除图像噪声
qq_64693987的博客
11-08 2790
模块结构该模块由三个主要的卷积层和一个注意力机制（Attention Mechanism）组成。模块的输入是一个特征图（Feature Map），输出也是一个特征图。卷积层第一层：1x1 卷积（1x1 Conv）这是模块的第一层，对输入的特征图进行 1x1 卷积操作。该层的输出分为三路，分别用于后续的操作。第二层：3x3 深度可分离卷积（3x3 DW - Conv）这是模块的第二层，对第一层 1x1 卷积的输出进行 3x3 深度可分离卷积操作。
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
m0_64858060的博客
03-03 1104
YOLOv11改进 | 添加注意力机制 | iRMB与EMA结合（二次创新）
YOLOv8改进iRMB
最新发布
03-13
### 使用YOLOv8改进iRMB模型的方法 #### iRMB模块概述 iRMB（Improved Residual Mobile Block）是一种专为轻量级模型设计的通用Meta Mobile Block，通过重新思考和整合现有的高效组件而提出。该模块不仅具有出色的性能，在参数数量、计算效率和准确性方面也达到了良好的平衡[^2]。 #### iRMB在YOLOv8中的应用 为了将iRMB应用于YOLOv8，主要涉及以下几个方面的调整： - **网络架构修改**：替换原有的卷积层或其他瓶颈结构，采用iRMB作为新的基本构建单元。这一步骤旨在利用iRMB的优势来提升整体检测效果的同时减少资源消耗。 - **配置文件更新**：根据实际需求编写或修改`.yaml`配置文件，定义新加入的iRMB的具体参数设置，如输入通道数、输出通道数等信息[^1]。 ```python # 示例代码片段展示如何定义一个简单的iRMB类 class IRMB(nn.Module): def __init__(self, in_channels, out_channels, expansion=6): super(IRMB, self).__init__() hidden_dim = int(round(in_channels * expansion)) self.conv = nn.Sequential( # depthwise conv nn.Conv2d(hidden_dim, hidden_dim, kernel_size=3, stride=1, padding=1, groups=hidden_dim), nn.BatchNorm2d(hidden_dim), nn.ReLU(inplace=True), # pointwise-linear nn.Conv2d(hidden_dim, out_channels, kernel_size=1, bias=False), nn.BatchNorm2d(out_channels) ) def forward(self, x): residual = x out = self.conv(x) return out + residual if out.shape == residual.shape else out ``` - **训练过程优化**：考虑到iRMB带来的变化可能会影响原有预设的学习率策略等因素，因此建议适当调整超参数，并监控训练过程中各项指标的变化情况以确保最佳收敛状态。 #### 实验验证与评估 完成上述改动之后，可以通过对比实验的方式检验所做改进的效果。具体来说就是在相同条件下分别测试原版YOLOv8以及加入了iRMB后的版本的表现差异；同时也可以参照其他公开数据集上的表现来进行横向比较，从而证明此次升级的价值所在[^4]。
评论 9
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