YOLOv9改进策略 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱）

最新推荐文章于 2025-11-15 22:14:58 发布
最新推荐文章于 2025-11-15 22:14:58 发布
阅读量2.6k 收藏 43
点赞数 21
CC 4.0 BY-SA版权
分类专栏： YOLOv9有效涨点专栏 文章标签： 深度学习 神经网络 YOLO 计算机视觉 人工智能 YOLOv9 yolov9
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/138091651
本文介绍了CVPR2024的最新技术DynamicConv，它增加了网络参数而几乎不增加FLOPs。动态卷积通过根据输入样本动态选择卷积核来提高模型的参数效率和适应性，特别适合资源有限的环境。文中提供了详细的原理介绍、核心代码和手把手的添加教程，包括修改步骤和成功的运行截图。

一、本文介绍

本文给大家带来的改进机制是CVPR2024的最新改进机制DynamicConv其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，本文内容包含详细教程 + 代码 + 原理介绍。

  欢迎大家订阅我的专栏一起学习YOLO！ 

专栏地址：YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏 

目录

一、本文介绍

二、原理介绍

三、核心代码

四、手把手教你添加DynamicConv机制

4.1 细节修改教程

4.1.1 修改一

​4.1.2 修改二

4.1.3 修改三 

4.1.4 修改四

4.2 DynamicConv的yaml文件(仔细看这个否则会报错)

4.2.1 DynamicConv的yaml文件一

4.3 DynamicConv运行成功截图

五、本文总结 

二、原理介绍

 

官方论文地址： 官方论文地址点击此处即可跳转

官方代码地址： 

了解本专栏 订阅专栏 解锁全文
DynamicConv2+YOLOv8：CVPR2024最新动态卷积，低FLOPs下的精度跃升，从原理到实战的科研级指南
m0_64661770的博客
11-15 28
从理解DynamicConv2“动态选择卷积专家”的核心思想，到亲手将其嵌入YOLOv8并验证在不同场景的表现，再到基于此探索属于自己的科研与工程方向——这个过程能让你深刻理解目标检测中“计算效率与精度平衡”的核心挑战。实验通常会证明：嵌入DynamicConv2后，YOLOv8的FLOPs降低20%-30%，而mAP仅下降0.5-1个百分点，甚至在多类目标检测场景下mAP有所提升，充分体现了其“低FLOPs下保精度”的优势。YOLOv8本身是轻量检测的标杆，但在“极致轻量+高精度”的需求下仍有优化空间。
YOLOv10改进 | Conv改进篇 | YOLOv10引入DynamicConv替换普通Conv卷积下采样和C2f_GhostModule_DynamicConv替换C2f(来自CVPR2024）
Ai缝合怪、助力小伙伴高效发论文
09-06 4803
大规模视觉预训练显著提高了大型视觉模型的性能。然而，我们观察到低 FLOPs 陷阱，即现有的低 FLOPs 模型无法从大规模预训练中受益。在本文中，我们介绍了一种称为 ParameterNet 的新设计原理，旨在增加大规模视觉预训练模型中的参数数量，同时最大限度地减少 FLOPs 的增加。我们利用DynamicConv动态卷积将其他参数合并到网络中，FLOP 仅略有增加。ParameterNet 方法允许低 FLOPs 网络利用大规模视觉预训练。
DynamicConv赋能YOLOv8：CVPR2024最新动态卷积的目标检测科研实战指南
最新发布
m0_71589036的博客
11-15 24
的出现，就是为了打破这一困局：它通过“参数动态生成+轻量化卷积”的设计，在保持低FLOPs的同时，让卷积核能根据输入特征动态调整感受野，像“自适应滤镜”一样精准捕捉目标细节，尤其在小目标、复杂背景检测中表现突出。对比DynamicConv、传统卷积、轻量卷积（如MobileNet卷积），总结“动态卷积”在低FLOPs场景下的设计原则（如生成网络的参数量约束、动态核的形状约束），为轻量目标检测提供理论参考。：可视化不同输入下DynamicConv生成的卷积核权重，分析卷积核的“动态适配性”。
YOLOv8改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（包含C2f创新改进，解决低FLOPs陷阱）
Snu77的博客
04-18 6584
动态卷积（Dynamic Convolution）是《DynamicConv.pdf》中提出的一种关键技术，旨在增加网络的参数量而几乎不增加额外的浮点运算（FLOPs）。1. 动态卷积的定义：动态卷积通过对每个输入样本动态选择或组合不同的卷积核（称为"experts"），来处理输入数据。这种方法可以视为是对传统卷积操作的扩展，它允许网络根据输入的不同自适应地调整其参数。
YOLOv8独家改进：卷积变体系列篇 |动态卷积 DynamicConv, CVPR2024 ParameterNet 低计算量小模型也能从视觉大规模预训练中获益
会AI的学姐
04-28 1015
显著提高了大型视觉模型的性能，即现有的低FLOPs模型不能从大规模的预训练中获益
yolov8魔改之Ghost引入
Littro Innovations
06-04 1423
Ghost层是在CVPR 2020上由华为诺亚方舟实验室提出的7。它是一种新型的端侧神经网络架构，称为GhostNet。Ghost层的核心思想是通过廉价操作生成更多的特征图，从而在保持精度的同时减少计算量和参数量。在YOLO（You Only Look Once）目标检测模型中引入Ghost层是可行的，并且可以带来一些潜在的性能提升。这些改进使得Ghost层及其衍生架构在轻量化网络设计和推理加速方面具有显著的技术提升。以下是引入Ghost的网络层结构。
Yolov8轻量化：RepGhost，通过重参数化实现硬件高效的Ghost模块
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；
07-31 1817
一种轻量级CNN模块，并提出RepGhostNet轻量级网络，性能优于GhostNet、MobileNetV3等，在移动设备上具有更少的参数和可比的延迟。
Dynamic-conv
weixin_50476352的博客
09-25 792
引入动态卷积，即根据多个卷积核对每个输入的关注程度，动态地对它们进行聚合。与静态算法(每层只有一个卷积核)相比，该算法显著提高了网络的表示能力，但增加了大量的计算开销，对高效的网络神经网络更加友好。并且可以很容易地集成到现有的CNN架构中路 论文名称：Dynamic Convolution: Attention over Convolution Kernels 作者：Yinpeng Chen ，Xiyang Dai， Mengchen Liu， Dongdong Chen， Lu Yuan， Zichen
YOLOv10改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱）
Snu77的博客
07-11 1247
本文给大家带来的改进机制是CVPR2024的最新改进机制DynamicConv其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V8n和利用了DynamicConv的训练精度对比图，本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv11改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（解决低FLOPs陷阱，含二次创新C3k2机制）
Snu77的博客
10-13 4362
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V11n和利用了DynamicConv的训练精度对比图本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv5改进 | Conv篇 | CVPR2024最新DynamicConv替换下采样（包含C3创新改进，解决低FLOPs陷阱）
Snu77的博客
04-22 1538
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则，它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，本文内容包含详细教程 + 代码 + 原理介绍。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv8改进FPN系列：引入创新的GhostSlimFPN范式网络结构，进一步提升计算机视觉性能
LgvrApplescript的博客
09-21 781
在GhostSlimFPN中，Slim模块被应用在Ghost模块的主路径和辅助路径中，以进一步减少网络的计算量和参数量。综上所述，GhostSlimFPN是一种改进的网络结构，通过引入Ghost模块和Slim模块，可以在保持较低计算复杂度的同时提高计算机视觉任务的性能。这种分离的设计可以大幅度减少网络的计算量和参数量，同时保持较好的特征表达能力。在本文中，我们将介绍一种基于YOLOv8和FPN的改进方法，即GhostSlimFPN，它通过引入新颖的网络结构，进一步提升了计算机视觉任务的性能。
YOLOv10改进系列 ---- Conv篇 ---- CVPR2024最新DynamicConv替换下采样
m0_58941767的博客
02-19 1436
本文给大家带来的改进机制是CVPR2024的最新改进机制其是CVPR2024的最新改进机制，这个论文中介绍了一个名为ParameterNet的新型设计原则它旨在在大规模视觉预训练模型中增加参数数量，同时尽量不增加浮点运算（FLOPs），所以本文的DynamicConv被提出来了，使得网络在保持低FLOPs的同时增加参数量，从而允许这些网络从大规模视觉预训练中获益，下面的图片为V10n和利用了DynamicConv的训练精度对比图，本文内容包含详细教程 + 代码 + 原理介绍。
YOLOv8改进 | 卷积模块 | GSConv替换普通的conv【轻量又涨点】
kay_545
06-28 4653
yolov8，yolov8改进，GSConv卷积
YOLOv8最新改进2023 CVPR 结合BiFormer
qq_53545309的博客
09-28 756
作为视觉转换器的核心构建块，衰减是捕获长距离依赖性的强大工具。然而，这种能力是有代价的：它会产生巨大的计算负担和沉重的内存占用，因为所有空间位置的成对标记交互都是计算的。一系列作品试图通过将手工制作和与内容无关的稀疏性引入 attention 来缓解这个问题，例如将 attention 操作限制在局部窗口、轴向条纹或扩张的窗口内。与这些方法相反，我们提出了一种通过双层路由的新型 dy namic 稀疏注意力，以实现具有内容感知的更灵活的计算分配。
YOLOv8改进策略【Head】| 结合CVPR-2024 中的DynamicConv 动态卷积 改进检测头, 优化模型（独家改进）
Limiiiing的博客
02-22 515
在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。
主干网络篇 | YOLOv8更换主干网络之ConvNext | 全新的纯卷积模型
小哥谈
04-14 955
2022年，Facebook AI Research和UC Berkeley一起发表了一篇文章A ConvNet for the 2020s，在文章中提出了ConvNeXt纯卷积神经网络，它对标的是2021年非常火的Swin Transformer，通过一系列实验比对，在相同的FLOPs下，ConvNeXt相比Swin Transformer拥有更快的推理速度以及更高的准确率，在ImageNet 22K上ConvNeXt-XL达到了87.8%的准确率。🌈
RT-DETR改进策略【卷积层】| CVPR-2024 利用DynamicConv 动态卷积 结合ResNetLayer进行二次创新,提高精度
Limiiiing的博客
11-26 628
在大规模视觉预训练中，通常模型的性能受到数据、参数和FLOP三个关键因素的影响。一般来说，模型的参数数量越多，FLOP也越高，但在移动设备等对计算资源有限制的场景下，需要低FLOP的模型同时又希望模型能从大规模预训练中受益。传统的方法很难在增加参数的同时保持低FLOP，因此需要一种新的设计来解决这个问题，模块应运而生。
YOLOv8改进 | Conv篇 | 利用 Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）
Snu77的博客
04-18 4941
本文给大家带来的改进机制是Haar 小波的下采样HWD替换传统下采样（改变YOLO传统的Conv下采样）在小波变换中，Haar小波作为一种基本的小波函数，用于将图像数据分解为多个层次的近似和细节信息，这是一种多分辨率的分析方法。我将其用在YOLOv8上其明显降低参数和GFLOPs在V8n上使用该机制后参数量为270W计算量GFLOPs为7.5欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。欢迎大家订阅我的专栏一起学习YOLO！目录一、本文介绍二、原理介绍。
D:\deep_learning\yolov8\1\YOLOv8改进 _ Conv篇 _ CVPR2024最新DynamicConv替换下采样（包含C2f创新改进，解决低FLOPs陷阱）_[cvpr2024 repvit] yolov8-优快云博客.mhtml
09-03
### YOLOv8用CVPR2024 DynamicConv替换下采样 在目标检测中，下采样操作起着关键作用，它能够降低特征图的尺寸，减少计算量。CVPR2024的DynamicConv（动态卷积）为下采样操作带来了新的思路。DynamicConv可以根据输入特征动态调整卷积核，相比传统的静态卷积，它能更好地适应不同的输入模式，提高模型的表达能力。 在YOLOv8中使用DynamicConv替换下采样层，需要对模型的网络结构进行修改。以下是一个简单的伪代码示例，展示如何在代码层面实现这一替换： ```python import torch import torch.nn as nn # 假设这是DynamicConv的实现 class DynamicConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0): super(DynamicConv, self).__init__() # 这里省略DynamicConv的具体实现 pass def forward(self, x): # 前向传播 pass # 原始YOLOv8下采样层可能是普通卷积 # 替换为DynamicConv original_downsample = nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=2, padding=1) dynamic_downsample = DynamicConv(in_channels=64, out_channels=128, kernel_size=3, stride=2, padding=1) ``` ### C2f创新改进解决低FLOPs陷阱 C2f模块是YOLOv8中的重要组件。为了解决低FLOPs（浮点运算）陷阱，C2f模块可以进行创新改进。例如结合CVPR2023的SCConv，SCConv利用空间重建单元（SRU）和通道重建单元（CRU），分别抑制空间冗余和减少通道冗余，在提高性能的同时减少参数数量和FLOP [^1][^3]。 以下是一个将SCConv集成到C2f模块的简单代码示例： ```python import torch import torch.nn as nn # 假设这是SCConv的实现 class SCConv(nn.Module): def __init__(self, in_channels, out_channels): super(SCConv, self).__init__() # 这里省略SCConv的具体实现 pass def forward(self, x): # 前向传播 pass # 原始C2f模块 class OriginalC2f(nn.Module): def __init__(self, in_channels, out_channels): super(OriginalC2f, self).__init__() # 原始C2f的实现 pass def forward(self, x): # 前向传播 pass # 创新改进后的C2f模块，集成SCConv class ImprovedC2f(nn.Module): def __init__(self, in_channels, out_channels): super(ImprovedC2f, self).__init__() self.scconv = SCConv(in_channels, out_channels) # 其他C2f的结构 pass def forward(self, x): x = self.scconv(x) # 其他操作 return x ``` ### 结合CVPR2024 repvit相关内容 CVPR2024的repvit可能提出了一些新的网络架构或模块设计思想。可以将repvit的相关技术与YOLOv8结合，比如借鉴repvit的模块结构，对YOLOv8的骨干网络进行改进，以提高模型的性能和效率。 具体实现时，需要深入研究repvit的论文，理解其核心技术，并将其融入到YOLOv8的代码中。 ### 相关资料获取 要获取更详细的技术资料，可以通过以下途径： 1. **学术数据库**：访问IEEE Xplore、ACM Digital Library等学术数据库，搜索CVPR2024关于DynamicConv、repvit的论文。 2. **开源代码库**：在GitHub等开源代码平台上搜索相关的开源实现，参考代码和文档。 3. **学术论坛**：参与目标检测相关的学术论坛，与其他研究者交流经验和技术。
评论 1
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