YOLOv8改进 | 独家创新篇 | 利用MobileNetV4的UIB模块二次创新C2f（全网独家首发）

已于 2024-05-09 14:49:22 修改
阅读量5.1k 收藏 49
点赞数 18
CC 4.0 BY-SA版权
分类专栏： YOLOv8有效涨点专栏 文章标签： YOLO 深度学习 计算机视觉 人工智能 YOLOv8 目标跟踪 python
于 2024-05-09 01:00:00 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/138541281
本文详细介绍了如何使用MobileNetV4的通用反转瓶颈（UIB）模块对YOLOv8进行二次创新，形成了C2fUIB模型。UIB结合了MobileNetV2、ConvNext和ViT的元素，旨在提高轻量化网络的性能。Mobile MQA注意力机制进一步优化了移动加速器的推理速度。文章提供修改教程和C2fUIB的yaml文件，适用于追求模型轻量化和高性能的读者。

一、本文介绍

本文给大家带来的改进机制是利用MobileNetV4的UIB模块二次创新C2f，其中UIB模块来自2024.5月发布的MobileNetV4网络，其是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB，也就是本文利用的结构）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。我将其用于C2f的二次创新在V8n上参数量为220W（下降约一百万），计算量为6.2GFLOPs，非常适用于想要轻量化网络模型的读者来使用，同时本文结构为本专栏独家创新。

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

三、核心代码

四、添加教程

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

五、C2fUIB的yaml文件和运行记录

5.1 C2fUIB的yaml文件1

5.2 训练代码 

5.3 C2fUIB的训练过程截图 

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： 官方代码地址点击此处即可跳转

<
了解本专栏 订阅专栏 解锁全文
YOLOv8改进 | 主干网络 | 将backbone替换为MobileNetV4【小白必备教程+附完整代码】
kay_545
08-07 2980
yolov8，mobileNetv4，yolov8改进
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 9336
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
MobileNetV4-移动设备生态系统的通用模型学习笔记
athrunsunny的博客
04-18 1万+
这篇论文介绍了最新一代MobileNet卷积神经网络，被称为MobileNetV4(MNv4)，旨在为移动设备提供通用高效的架构设计。
MobileNet家族：从v1到v4的架构演进与发展历程
最新发布
彩旗工作室的博客
03-15 2935
MobileNet 是一个为移动和嵌入式设备设计的轻量化卷积神经网络家族，从 v1（2017）到 v4（2024）不断演进。v1 引入深度可分离卷积，显著提升效率。v2（2018）采用倒置残差和线性瓶颈，进一步优化性能。v3（2019）通过神经架构搜索和 h-swish 激活，提供 Large 和 Small 变体，适配不同场景。v4（2024）引入通用倒置瓶颈和移动优化注意力机制，针对多硬件优化，强调通用性。各版本在效率与准确性间持续改进，广泛应用于实时视觉任务，未来有望进一步支持边缘计算需求。
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
qq_44224801的博客
08-03 1228
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
YOLOv10改进 | 主干篇 | YOLOv10引入MobileNetV4
tsg6698的博客
06-16 2536
在其核心，我们引入了通用倒瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）和新颖的额外深度（ExtraDW）变体。Mobile MQA是MNv4的另一个关键组件，这是一个为移动加速器量身定制的注意力块，提供了超过39%的推理加速。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~
YOLOv11改进 | Conv/卷积篇 | 利用MobileNetV4的UIB模块二次创新C3k2适配yolov11扩展率（全网独家首发，轻量化）
Snu77的博客
11-15 2960
本文给大家带来的最新改进机制是利用的UIB模块二次创新C3k2，其中UIB模块来自2024.5月发布的MobileNetV4网络，其是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点采用了通用反向瓶颈（UIB，也就是本文利用的结构）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。我将其用于C2f的二次创新在V8n上参数量为220W（下降约一百万），计算量为6.2GFLOPs，非常适用于想要轻量化网络模型的读者来使用，同时本文结构为本专栏独家创新。
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。
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
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 | 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 3032
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改进策略|MobileNetv4替换主干网络
m0_61698839的博客
07-08 1万+
yolov8的改进策略分享|采用mobilenetv4对yolov8的主干网络进行替换
YOLOv8改进：利用MobileNetV4增强主干网络
走向CTO的路上...
07-14 2521
YOLOv8作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著进步。然而，其主干网络结构较为复杂，在部署于移动端或嵌入式设备时会遇到性能瓶颈。为了解决这一问题，本文提出了一种利用MobileNetV4增强YOLOv8主干网络的方法，以提升模型的轻量性和精度。利用 MobileNetV4 的 UIB 模块可以有效增强 YOLOv8 的主干网络，降低模型复杂度，提升模型精度，使其能够在移动端或嵌入式设备上部署使用，这对于推动目标检测技术在移动端和嵌入式设备上的应用具有重要意义。return x。
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 6009
号称最强轻量化网络 MobileNetv4
改进的yolov5
小嘤熊的博客
11-06 1964
为证明BottleNeckCSP 的局限性，通过修改信息路径，引入了一种新的称为 N-CSP 的功能块，减少主干中N-CSP块的数量，调整网络参数，提高计算速度。该模块结合局部和全局特征来最大化特征图的表达能力，扩展了骨干网络的感受野，并将最重要的上下文特征分离为大小目标检测。，导致特征信息丢失。因此，该模块提高了网络准确定位目标的学习能力，特别是小对象，同时以最小的计算成本增加保持快速检测速度。，一个在FPN的自顶向下路径中，另一个在PANet的自底向上路径中，用于集成不相邻和多层次特征。
yolov5改进（自用）
m0_67006148的博客
09-26 2423
1）打开models文件夹中的common.py文件2）将下面的CBAMC3代码复制粘贴到common.py文件中。
YOLOv8改进，MobileNetV3轻量化架构改进特征提取网络，助力涨点
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
08-10 3199
MobileNetV3通过结合硬件感知网络架构搜索（NAS）和NetAdapt算法，通过新颖的架构改进进一步提升了性能。本文开始探讨了自动化搜索算法与网络设计如何协同工作，以利用互补方法来提升整体技术水平。通过这一过程，创建了两个新的MobileNet模型：MobileNetV3-Large和MobileNetV3-Small，分别针对高资源和低资源使用场景。这些模型随后被适配并应用于目标检测和语义分割任务。
yolov5及其算法改进
m0_38113054的博客
12-27 2641
YOLOv5 是一个基于 Anchor 的单阶段目标检测，其主要分为以下 5 个阶段：1、输入端：Mosaic 数据增强、自适应Anchor计算、自适应图像缩放；2、Backbone：提取出高中低层的特征，使用了 CSP 结构、SPPF、SiLU 等操作；3、Neck：使用 FPN+PAN 结构，将各层次的特征进行融合，并提取出大中小的特征图；4、Head：进行最终检测部分，在特征图上应用 Anchor Box，并生成带有类别概率、类别得分以及目标框的最终输出向量；
YOLOv8改进，YOLOv8改进主干网络为MobileNetV4(2024独家首发，助力涨点)
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
09-07 2254
MobileNetV4具有面向移动设备的通用高效架构设计。其核心是我们引入的通用倒置瓶颈（Universal Inverted Bottleneck，UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新型的额外深度卷积（ExtraDW）变体。论文地址论文地址本文在YOLOv8中的主干网络替换成MobileNetV4，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/更换mobilenetv4
cfk12的博客
08-16 2238
我真是服了这个网页的专栏精选，啥汤姆的都要米，看一个要米，再看一个也要米。我直接自己改，改完我分享一波。
yolov8利用MobileNetV4 的UIB改进C2f模块
02-06
### 如何使用 MobileNetV4 的 UIB 改进 YOLOv8 的 C2f 模块 #### 实现方法 为了实现这一目标，首先需要理解 MobileNetV4 中的通用反向瓶颈（UIB）结构及其特性。UIB 结构通过减少通道数量并增加非线性操作来提高效率和性能[^3]。 具体来说，在 YOLOv8 的 C2f 模块中引入 UIB 可以按照以下方式： 1. **替换原有卷积层**：将原有的标准卷积层替换成带有深度可分离卷积的 UIB 单元。这不仅减少了参数量还提升了计算速度。 ```python class UIB(nn.Module): def __init__(self, in_channels, out_channels, stride=1): super(UIB, self).__init__() hidden_dim = int(in_channels * expansion_ratio) layers = [ nn.Conv2d(in_channels, hidden_dim, kernel_size=1), nn.BatchNorm2d(hidden_dim), nn.ReLU6(inplace=True), nn.Conv2d(hidden_dim, hidden_dim, groups=hidden_dim, kernel_size=kernel_size, padding=(kernel_size-1)//2, stride=stride), nn.BatchNorm2d(hidden_dim), nn.ReLU6(inplace=True), nn.Conv2d(hidden_dim, out_channels, kernel_size=1), nn.BatchNorm2d(out_channels) ] self.conv = nn.Sequential(*layers) def forward(self, x): return self.conv(x) ``` 2. **集成到 C2f 模块**：修改后的 C2f 应该能够接收输入特征图并通过一系列改进过的 UIB 层处理这些数据。最终输出经过增强表示的学习结果给下一层网络继续工作。 3. **调整超参数配置文件**：根据实际需求微调模型训练过程中的学习率、批量大小等设置，确保最佳效果的同时保持较低资源消耗。 #### 效果对比 采用上述方案后，相比于原始版本，新架构下的 YOLOv8 表现出显著优势： - 参数总量大幅降低至约 220W 左右，相比之前减少了近百万个参数； - 计算复杂度也有所改善，达到大约 6.2 GFLOPs； - 对于移动端应用场景而言更加友好，能够在保证检测精度的前提下极大程度节省硬件成本与功耗开销[^4]。
评论 6
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