YOLOv11改进 | 主干/Backbone篇 | 利用目标检测轻量化网络MobileNetV2替换Backbone（yolov11系列全系轻量化）

原创 最新推荐文章于 2026-06-09 16:21:32 发布 2.8k 阅读 AI写同款
Snu77
Snu77 博客等级 码龄5年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 2.8k累计阅读 2.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
11万+粉丝934篇原创
关注
AI摘要

本文介绍专为移动和嵌入式视觉应用设计的轻量化网络结构MobileNetV2，它在MobileNetV1基础上采用反转残差结构和线性瓶颈层，提出SSDLite框架。文中给出核心代码，手把手教添加网络结构的方法，还介绍了yaml文件及训练代码，最后展示成功运行记录。

一、本文介绍

本文给大家带来的改进机制是MobileNetV2，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。其在MobilNetV1的基础上采用反转残差结构和线性瓶颈层。这种结构通过轻量级的深度卷积和线性卷积过滤特征，同时去除狭窄层中的非线性，以维持表征能力。MobileNetV2在性能上和精度上都要比V1版本强很多，其在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中都展现了一定的有效性，（yolov11系列全系轻量化）。

   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、本文介绍

二、MobileNetV2的框架原理

2.1 MobileNetV2的基本原理

2.1.1 反转残差结构 

2.1.2 线性瓶颈层

2.1.3 SSDLite框架 

三、MobileNetV2的核心代码

四、手把手教你添加MobileNetV2网络结构

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

修改八

五、MobileNetV2的yaml文件

六、成功运行记录 

七、本文总结

二、MobileNetV2的框架原理

​官方论文地址：官方论文地址

官方代码地址：官方代码地址

了解本专栏 订阅专栏 解锁全文
标签
#YOLO #人工智能 #深度学习 #计算机视觉 #目标检测
#python #YOLOv11
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理 本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。 阅读详情

相关推荐

YOLOv11通俗易懂！| YOLOv11网络结构解读 、yolov11.yaml配置文件详细解读与说明、模型训练参数详细解析 | 入门必看系列！

YOLOv11是由Ultralytics公司开发的新一代目标检测算法，它在之前YOLO版本的基础上进行了显著的架构和训练方法改进。整合了改进的模型结构设计增强的特征提取技术和优化的训练方法。真正让YOLO11脱颖而出的是它令人印象深刻的速度准确性和效率的结合，使其成为Ultralytics迄今为止创造的最强大的型号之一。通过改进设计，YOLO11提供了更好的特征提取，这是从图像中识别重要模式和细节的过程，即使在具有挑战性的场景中，也可以更准确地捕捉复杂的方面。

Ai缝合怪、助力小伙伴高效发论文 5万+

番外篇 | 关于YOLO11算法的改进点总结

关于YOLO11算法的改进点总结。🌈

小哥谈 2309

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

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。

Snu77的博客 18万+

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

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。

Snu77的博客 8万+

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

Limiiiing的博客 6万+

YOLOv5改进系列(三) 更换backbone主干MobileNetV3，ShuffleNetV2，EfficientNetv2，GhostNet，SwinTransformer

文章目录MobileNetV3一、MobileNetV3原理**1.1 MobileNetV3简介**1.2 **MobileNetV3相关技术**二、YOLOv5结合MobileNetV3_small2.1 添加顺序2.2 具体添加步骤**第①步：在common.py中添加**MobileNetV3**模块****第②步：在yolo.py文件里的parse_model函数加入类名****第③步：创建自定义的yaml文件**第④步：验证是否加入成功**第⑤步：修改train.py中 ‘--cfg’默认参数*

专注于人工智能学习，总结 3620

YOLOv5改进系列(三) 本文(7万字) | 更换主干backbone | MobileNetV3 | ShuffleNetV2 | EfficientNetv2 | GhostNet | 等 |

《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程MobileNetV3，是谷歌在2019年3月21日提出的轻量化网络架构，在前两个版本的基础上，加入神经网络架构搜索（NAS）和h-swish激活函数，并引入SE通道注意力机制，性能和速度都表现优异，受到学术界和工业界的追捧。引用大佬的描述：MobileNet V3 = MobileNet v2 + SE结构 + hard

专注于人工智能学习，总结 4766

YOLOv改进 | YOLOv11更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)

本文提出将YOLOv11的主干网络替换为轻量化的MobileNetV2，以提升模型在移动端设备的部署效率。MobileNetV2通过倒残差结构和线性瓶颈层，显著减少了计算量和参数量（降至1M~3M），同时保持多尺度特征提取能力。实验表明，改进后的模型在移动设备上可实现20-30 FPS的实时检测，适用于手机APP、无人机和工业监控等场景。核心代码展示了倒残差块的实现，通过深度可分离卷积和通道扩展/压缩实现高效特征提取。

走向CTO的路上... 1458

YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学

Limiiiing的博客 1万+

YOLOv11改进 | 主干/Backbone篇 | 利用轻量化目标检测网络MobileNetV3替换Backbone（yolov11全系列轻量化）

本文给大家带来的改进机制是，其主要改进思想集中在结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，以优化移动设备CPU上的性能。它采用了新颖的架构设计，包括反转残差结构和线性瓶颈层，以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP），以提升在移动分类、检测和分割任务上的表现。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性。

Snu77的博客 2771

YOLOv改进 | YOLOv11更换主干Backbone之MobileNetV1(轻量化主干网络结构)

本文提出将YOLOv11的主干网络替换为轻量化的MobileNetV1，以解决传统CSPDarknet网络在移动端部署时存在的计算复杂度高、参数量大等问题。MobileNetV1通过深度可分离卷积技术，将标准卷积分解为深度卷积和逐点卷积，显著降低了模型计算量和参数量。改进后的YOLOv11在保持多尺度检测能力的同时，模型体积缩小至1/5-1/8，推理速度提升3-5倍，特别适合移动端APP、嵌入式设备和实时视频分析等资源受限场景。文章详细阐述了技术原理，并提供了MobileNetV1主干网络的PyTorch实

走向CTO的路上... 756

YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。

Limiiiing的博客 1万+

手把手教你用示波器实测CAN总线波形：快速区分高速、低速及常见故障

本文详细介绍了如何使用示波器实测CAN总线波形，快速区分高速CAN总线和低速CAN总线，并诊断常见故障。通过实战案例和波形分析，帮助工程师掌握CAN总线信号特征，提升故障排查效率，适用于汽车电子和工业控制领域。

weixin_33217202的博客 409

从零部署奥比中光Gemini335L：Python SDK编译与手眼标定环境实战

本文提供了一份从零部署奥比中光Gemini 335L深度相机的完整实战指南。详细介绍了驱动安装、Python SDK编译、CMake配置及虚拟环境搭建等关键步骤，并重点解析了如何通过编译生成Python模块，最终实现深度图与点云数据获取，为后续的机械臂手眼标定工作奠定坚实基础。

weixin_29031161的博客 397

sentaurus学习笔记（HFET_pGate_GaN仿真）（五）

`(sdedr:define-constant-profile`和`(sdedr:define-constant-profile-region`命令用于定义并应用一个恒定的活性硼掺杂浓度剖面`"ndop_GaN_gate_const"`到氮化镓栅极层上，其值为`NpGaN_gate`。- `"Oxide"`指定了这一层的材料名称（在这里代表氧化层），而`"nucleation"`是这一层在仿真中的标识名称。- `"GaN"`指定了这一层的材料名称，而`"GaN_gate"`是这一层在仿真中的标识名称。

qq_52640792的博客 939

Gephi新手必看：如何用Excel整理CSV数据快速生成网络图（附模板）

本文为Gephi新手提供了一份从Excel数据整理到生成专业网络图的完整指南。详细讲解了如何构建规范的节点表和边表CSV文件，并导入Gephi进行可视化分析。通过实战案例，帮助读者快速掌握利用Excel整理数据、规避常见错误，并运用布局算法与视觉编码，将复杂关系数据转化为直观的网络洞察。

weixin_28487433的博客 388

抖音最新风控体系研究

小编从技术角度对抖音的风控史和落地目标，跟大家聊一聊抖音，包括海外版抖音TikTok的现状与生态。 1、非常非常早的时期，抖音刚出来的时候，没有任何封禁，这个阶段，导入一个开发库，加上一个请求头，咵咵咵的数据随便拿。 2、2018-2019年，抖音加入了设备id和xg机制，在绝大多数的接口中，携带了设备id参数，同时在请求头中加入了xg，如今的apk市场，能追溯到的最早xg是0200打头的，而小编见过的最早的xg是0000打头的。这个时期的接口，这些参数都还只是预设，没有实际的用处，设备随便写，

qq517348412的博客 1万+

Aurora 8B/10B IP核介绍 —— Xilinx 技术文档Pg046

一、概述该IP核与用户接口之间支持AXI4-Stream协议，且基于ZYNQ SOC、A7、K7、V7以及UltraScale、UltraScale+系列FPGA的高速收发器（the high-speed serial transceivers）进行实现。多达 16 个连续绑定4 个连续绑定的 GTP 收发器framingstreaming以及全双工或单工加扰消扰CRC校验热插拔Aurora 8B/10B核心（图1-1）是一种可扩展的、轻量级的、用于高速串行通信的链路层协议；

qq_32147275的博客 1637

通过情感分类实例 详细介绍如果借助Huggingface平台 完成Transformers模型运行（包括配置环境-tokenizer-Model-输出头-预测）

attention_mask和padding是配套使用的，当人为去修改padding的时候，也要把attention_mask里面的参数进行修改。下载Huggingface包，Huggingface可以说是一个社区，集成了很多nlp的模型、数据集、预训练权重文件等等，并且免费，只需要pip install下载即可。那么用什么做分类就选择什么输出头，就import什么东西。代码中使用了自动分词器选择，它是由checkpoint指定的预训练模型关联的，不用我们自己选择tokenizer，它自动帮我们选择好了。

LZL2020LZL的博客 1134

90. 将 SAP ABAP 内表内容本地导出成 Excel 文件

这里文件扩展名为 csv，全称是 Comma-Separated Values，意思是这种类型的文件内容，由逗号分隔。除了 ASC 之外，另一个可用的选项是 BIN，适用于 PDF，EXE 等二进制文件的导出。支持海量的输入和输出参数，我们这个简单的本地导出场景里，大部分参数都用不上。这个分隔符的添加逻辑，编写在上图红色高亮矩形框内，使用的语法是。本教程有学习者向我提问，询问如何将 ABAP 某某函数的某某输出参数的值，导出成本地 Excel 文件。把这个内表的内容，下载到本地，以本地文件的方式保存。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 1740

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
上一篇： YOLOv11改进 | 主干/Backbone篇 | 利用目标检测移动端网络MobileNetV1替换Backbone（支持v11n、v11s、v11m）
下一篇： YOLOv11改进 | 主干/Backbone篇 | 利用轻量化目标检测网络MobileNetV3替换Backbone（yolov11全系列轻量化）
点赞 9
评论 0
书签 书签 17
Snu77
Snu77 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄5年 11万+粉丝 934原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
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