YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2（附代码+修改教程）

已于 2024-10-24 00:19:29 修改
阅读量2.3k 收藏 21
点赞数 32
分类专栏： YOLOv11有效涨点专栏 文章标签： YOLO 深度学习 人工智能 计算机视觉 python 目标检测 YOLOv11 1024程序员节
于 2024-10-24 00:18:52 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/142906567
版权

 一、本文内容

本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv11n上修改该主干降低了GFLOPs,参数量也有大幅度下降，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

   专栏回顾：YOLOv11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、本文内容

二、ShuffleNetV2框架原理​编辑

三、ShuffleNetV2核心代码

四、手把手教你添加ShuffleNetV2网络结构

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

4.9 修改九

五、ShuffleNetV2的yaml文件

六、成功运行记录 

了解本专栏 订阅专栏 解锁全文
YOLOv8 更换主干网络之 ShuffleNetv2：轻量级目标检测的未来
一直在水些技术小文
09-20 1009
本文将深入研究 ShuffleNetv2 的核心概念，探讨其在 YOLOv8 中的应用，并提供示例代码和实际操作指南，帮助读者更好地理解和应用这一技术。YOLOv8 作为 YOLO 系列的最新版本，引入了 ShuffleNetv2 作为主干网络，以实现更高的性能和更低的计算复杂度。：ShuffleNetv2 与 YOLOv8 的检测头（Detection Head）结合，将提取的特征与预测边界框的信息进行融合，以生成最终的目标检测结果。：收集和准备你的目标检测数据集，确保它包含了你关注的目标类别。
YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV2（附代码+修改教程）
Snu77的博客
12-20 6427
本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv8n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv11改进-双Backbone架构：利用双backbone提高yolo11目标检测的精度
qq_64693987的博客
04-24 2791
YOLOv11 的 Backbone 基于 CSPNet 的改进版本，通过引入 C3K2 模块、C2PSA等进一步优化了特征流的传递效率，同时减少冗余计算，提高了模型的参数利用率。目前主流的设计路径主要包括三类：CNN 与 CNN 的轻量级组合、CNN 与 Transformer 的语义增强组合，以及 CNN 与 Mamba 的状态建模组合。同时使用CNN+CNN双backbone的网络结构中，可以对CNN结构进行改进，如再其中一个分支中添加频域、注意力机制等操作，增强模型的边缘、语义特征等。
YOLOv8改进（一）-- 轻量化模型ShuffleNetV2
qq_44231797的博客
06-02 4888
YOLOv8；ShuffleNetV2
最新改进YOLOv8系列：YOLOv8改进ShuffleNetV2，有效涨点！
B站 Ai学术叫叫兽的文案地
09-04 8216
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:ShuffleNetV1结构的问题：如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之 PP-LCNet，轻量级CPU卷积神经网络，降低参数量
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。
07-15 2172
我们提出了一种基于MKLDNN加速策略的轻量级CPU网络，命名为PP-LCNet，它在多项任务中提高了轻量级模型的性能。本文列出了在延迟几乎不变的情况下能够提高网络准确性的技术。通过这些改进，PP-LCNet在相同推理时间内的分类准确性可以大大超过之前的网络结构。如图1所示，它的性能优于最先进的模型。在计算机视觉的下游任务中，如目标检测、语义分割等，它也表现得非常出色。我们所有的实验都是基于PaddlePaddle1进行的。代码和预训练模型可在PaddleClas2中找到。
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 2514
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。
YOLOv11改进 | 融合改进篇 | 轻量级移动端网络ShuffleNetV2融合CCFM参数量仅百万（附代码+修改教程）
Snu77的博客
11-16 2074
本文给大家带来的最新改进内容是ShuffleNetV2融合CCFM，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv11n上修改该主干降低了GFLOPs,参数量也有大幅度下降，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
YOLOv11改进：轻量级移动端网络ShuffleNetV2（附代码+修改教程）
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。
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
热门推荐
Snu77的博客
11-05 5万+
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主干网络改进实战 | 把Backbone换成轻量级的ShuffleNetv2【原理 + 教程 】
最新发布
weixin_43199439的博客
05-17 41
YOLOv8虽然强，但默认主干还是偏重；如果想部署到边缘设备（树莓派、TX2、嵌入式板子），FPS直接拉胯；做科研项目，能省参数就省，能快一点就快一点，哪怕mAP掉一点点也值！这时候，咱们就可以动手给YOLOv8换一套轻装上阵的骨架！！✅ 为什么要换 YOLOv8 主干网络✅ ShuffleNetv2 的核心原理✅ 完整代码 + YAML 配置改法✅ 真实部署实测对比📮🔧 帮你改 YOLOv8 的PAN结构📉 自动记录每轮FPS + mAP + 参数量的训练脚本。
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
B站 Ai学术叫叫兽的文案地
08-05 2301
YOLOv8分割-全网最新创新点改进系列：YOLOv8-分割改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
YOLOv8优化策略：轻量化改进 | LeYOLO，新的可扩展和高效CNN目标检测体系结构
会AI的学姐
07-09 990
基于FLOP的高效目标检测计算的神经网络架构的设计，便于嵌入式和面向移动的人工智能对象检测应用。
YOLOv8网络轻量化改进原创思路及代码，结合CVPR最新Idea
crasher123的博客
08-06 3904
近年来，轻量化目标检测一直是计算机视觉领域的研究热点。在CVPR 2023会议上，许多研究者提出了一些有效的方法来改进YOLOv8目标检测的精度和效率。结合这些最新成果，我们可以从以下几个方面来进行改进。首先，我们可以考虑使用更紧凑的网络结构来减少模型的参数数量和计算量；其次，我们可以引入一些注意力机制来提升模型对重要区域的关注程度；最后，我们可以通过增强数据增强策略和使用更先进的训练技巧来提升模型的准确性。下面将详细介绍这些改进思路以及对应的网络修改代码。
【YOLOv5/v7改进系列】替换骨干网络为ShuffleNetv2
2401_84870184的博客
05-14 1369
替换YOLOv5s/n、v7-tiny骨干网络为ShuffleNetv2.《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》提出了一种新的卷积神经网络（CNN）架构设计方法，并给出了一系列实用的设计指南，旨在提高模型在实际应用中的效率。
YOLOV8 轻量化改进：使用EfficientNetV2替换Backbone
gitblog_09754的博客
10-16 2307
YOLOV8 轻量化改进：使用EfficientNetV2替换Backbone 【下载地址】YOLOV8轻量化改进使用EfficientNetV2替换Backbone 本仓库提供了一个资源文件，详细介绍了如何在YOLOV8模型中进行轻量化改进，通过使用高效网络EfficientNetV2替换原有的Backbone，从而提...
【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码)
m0_63430863的博客
06-22 1512
轻量级卷积神经网络（CNNs）专为移动设备上的应用而设计，具有更快的推理速度。卷积操作只能捕获窗口区域内的局部信息，这限制了性能的进一步提升。将自注意力引入到卷积中可以很好地捕获全局信息，但这将大大增加实际速度的负担。在本文中，我们提出了一种硬件友好的注意力机制（称为DFC注意力），然后为移动应用呈现了一个新的GhostNetV2架构。所提出的DFC注意力基于全连接层构建，不仅可以在常见硬件上快速执行，还能捕获长距离像素之间的依赖关系。
YOLOV8轻量化改进：EfficientNetV2替换Backbone，性能飞跃！
gitblog_09723的博客
10-31 1214
YOLOV8轻量化改进：EfficientNetV2替换Backbone，性能飞跃！ 【下载地址】YOLOV8轻量化改进使用EfficientNetV2替换Backbone 本仓库提供了一个资源文件，详细介绍了如何在YOLOV8模型中进行轻量化改进，通过使用高效网络EfficientNetV2替换原有的Backbone，...
主干网络篇 | YOLOv8 更换主干网络之 ShuffleNetv2 | 《ShuffleNet v2：高效卷积神经网络架构设计的实用指南》
YOLOv8项目贡献者
04-20 6518
YOLOv8 更换主干网络 ShuffleNetv2 手把手教程
yolov11改进教程
12-31
### YOLOv11改进教程概述 #### 修改主干网络结构的方法 对于YOLOv11中的主干网络（Backbone），特别是轻量级移动端网络如ShuffleNetV2，其复杂度较高。由于某些网络结构无法完全通过`yaml`文件配置而保留全部细节[^1]，因此推荐的方式是直接操作Python代码来构建和调整这些复杂的层。 为了实现这一点，在源码中定位到定义模型架构的位置，并在此处引入预训练好的Shufflenet V2作为新的backbone替代原有组件。这涉及到对原始yolo.py或其他相关脚本内指定创建卷积基类实例的部分进行编辑： ```python from torchvision.models import shufflenet_v2_x0_5, Shufflenet_V2_X0_5_Weights def create_model(num_classes=80): backbone = shufflenet_v2_x0_5(weights=Shufflenet_V2_X0_5_Weights.IMAGENET1K_V1).features ... ``` 此方法允许更精细地控制每一层的具体参数设置而不必担心丢失任何重要的微调选项或特性。 #### 针对特定版本的修改指南 当处理像ShuffleNetV1这样的早期变体时，则需更加关注具体的函数签名以及它们如何被集成进更大的框架之中。通常情况下，开发者会在大约700行左右的地方找到需要改动的关键位置[^2]。此时应参照官方文档或是已有的成功案例来进行相应调整，确保新增加的功能模块能够无缝对接现有体系并正常工作。
评论
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