YOLOv10改进 | 主干/Backbone篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv10（含MobileNetV4全部版本改进）

最新推荐文章于 2025-04-23 16:06:26 发布
最新推荐文章于 2025-04-23 16:06:26 发布
阅读量1.2k 收藏 14
点赞数 7
分类专栏： YOLOv10有效涨点专栏 文章标签： YOLO 人工智能 深度学习 计算机视觉 python pytorch YOLOv10
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/140425531
版权

 一、本文介绍

本文给大家带来的改进机制是MobileNetV4，其发布时间是2024.5月。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。

欢迎大家订阅我的专栏一起学习YOLO！ 

  专栏回顾：YOLOv10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、原理介绍 

三、核心代码

四、手把手教你添加MobileNetv4 

 4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四

4.5 修改五

4.6 修改六

4.7 修改七

4.8 修改八

注意！！！ 额外的修改！

打印计算量问题解决方案

注意事项！！！ 

五、MobileNetv4 的yaml文件

5.1 MobileNetv4 的yaml文件

5.2 训练文件的代码

了解本专栏 订阅专栏 解锁全文
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 8733
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。
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 2592
yolov8，mobileNetv4，yolov8改进
YOLOv11改进：轻量级移动端网络ShuffleNetV2（附代码+修改教程）
最新发布
weixin_39818775的博客
04-23 832
本文提出的Shuffle-YOLOv11目标检测网络，通过引入ShuffleNetV2的轻量化设计，在保持YOLO系列实时性的同时大幅降低了模型复杂度和计算量。实验证明，该方法在移动端设备上实现了显著的加速效果，为边缘计算场景提供了实用的解决方案。完整的代码实现和详细的修改教程，使开发者能够快速将这一改进应用到实际项目中。未来工作将聚焦于进一步优化模型效率，探索自动化轻量化方法，以及研究跨平台的统一优化策略。
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 1046
YOLOv5轻量化改进 | backbone | 结合MobileNetV4（包含多个结构和使用方式）
YOLOv8改进策略|MobileNetv4替换主干网络
m0_61698839的博客
07-08 9884
yolov8的改进策略分享|采用mobilenetv4对yolov8的主干网络进行替换
YOLOv10改进 | 主干篇 | YOLOv10引入MobileNetV4
tsg6698的博客
06-16 2326
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~
YOLOv5改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv5（含MobileNetV4全部版本改进）
Snu77的博客
05-08 2254
本文给大家带来的改进机制是其发布时间是2024.5月。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是一种移动端的网络。欢迎大家订阅我的专栏一起学习YOLO！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、原理介绍三、核心代码。
YOLOv11改进 | 主干/Backbone篇 | 2024最新目标检测网络MobileNetV4改进YOLOv11（支持根据yolov11版本nsmlx进行自由放缩通道数）
Snu77的博客
10-31 3377
本文给大家带来的改进机制是，其发布时间是2024.5月。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。欢迎大家订阅我的专栏一起学习YOLO！
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV4(轻量化主干网络结构-2024年最新的移动端网络)
qq_45972324的博客
09-09 917
我们推出了最新一代的 MobileNet，称为 MobileNetV4 （MNv4），具有适用于移动设备的通用高效架构设计。我们的核心是引入了通用反向瓶颈 （UIB） 搜索块，这是一种统一且灵活的结构，它融合了反向瓶颈 （IB）、ConvNext、前馈网络 （FFN） 和新颖的 Extra Depthwise （ExtraDW） 变体。除了 UIB，我们还推出了 Mobile MQA，这是一个为移动加速器量身定制的注意力块，可提供 39% 的显著加速。
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 1873
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：利用MobileNetV4增强主干网络
走向CTO的路上...
07-14 2319
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 5536
号称最强轻量化网络 MobileNetv4
改进的yolov5
小嘤熊的博客
11-06 1810
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 2139
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。
yolov5及其算法改进
m0_38113054的博客
12-27 2322
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/更换mobilenetv4
cfk12的博客
08-16 1842
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。
RT-DETR算法改进：超多种主干网络改进，包括CNN和Transformer多种核心网络结构
包括YOLOv5、YOLOv7、YOLOv8等模型改进
11-13 1077
RT-DETR算法改进｜超多种Backbone、CNN和Transformer核心网络结构合集
YOLOv5改进 | 添加CA注意力机制 + 增加预测层 + 更换损失函数之GIoU
热门推荐
突然好想你
11-11 1万+
在小目标场景的检测中，存在远距离目标识别效果差的情形，本节课提出一种基于改进YOLOv5的小目标检测方法。经过试验表明，改进后的模型可以有效检测出远距离小目标，在小目标场景下具有较强的泛化能力。🌈
YOLOv5改进（一）改进的核心内容
qq_45874142的博客
05-08 1万+
本节介绍了改进YOLOv5中的较难部分：添加自己设计的模块的办法，需要设计自己的模块，并推导一些尺度和通道数，然后在yaml文件中配置模型参数，在yolo.py中配置输出通道数，如果自己推导了整个模型每层的尺寸和通道数，配置这些参数就相对容易。
YOLOv8改进 | 主干篇 | 利用RT-DETR特征提取网络PPHGNetV2改进YOLOv8（超级轻量化精度更高）
01-04
### 改进YOLOv8主干网络的方法 为了使YOLOv8更加轻量化并提升检测精度，可以采用来自RT-DETR的PPHGNetV2作为新的特征提取器[^1]。这种方法不仅能够增强模型的表现力，还能减少计算资源的需求。 #### 替换原有主干网络 原有的YOLOv8主干网络被PPHGNetV2所替代。PPHGNetV2是一种基于Transformer架构设计而成的新颖骨干网路，它具有更强的数据表达能力和更低的参数复杂度。通过这种替换操作，可以在不显著增加额外开销的情况下获得更好的性能表现[^2]。 #### 调整超参数设置 当引入新类型的主干之后，可能需要重新调整一些训练过程中的超参数配置，比如学习率、批量大小等。这些改变有助于让整个系统更好地适应新型号带来的变化，并最终体现在更高的mAP得分上[^3]。 #### 训练与验证流程 完成上述修改后，按照常规方式准备数据集并对改进后的YOLOv8进行充分训练。期间应密切关注损失函数的变化趋势以及各类评估指标的结果反馈。经过多轮迭代优化直至收敛稳定为止。最后，在测试集上面检验最终版模型的实际效能是否达到了预期目标——即实现了更高精度的同时也保持了良好的运行效率。 ```python import torch from yolov8 import YOLOv8 from pphgnet_v2 import PPHGNetV2 def replace_backbone(yolo_model_path, new_backbone=PPHGNetV2()): # 加载原始YOLOv8模型权重 yolo = YOLOv8() checkpoint = torch.load(yolo_model_path) yolo.load_state_dict(checkpoint['model']) # 将原主干部分替换成PPHGNetV2 yolo.backbone = new_backbone return yolo # 使用示例代码片段 if __name__ == "__main__": improved_yolov8 = replace_backbone('path_to_original_weights.pth') ```
评论 1
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