yolov26改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetv1(附代码+修改教程)

 开始讲解之前推荐一下我的专栏,本专栏的内容支持(分类、检测、分割、追踪、关键点检测),专栏目前为限时折扣,欢迎大家订阅本专栏,本专栏每周更新5-7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,本人定期在群内分享发表论文方法和经验。


一、本文内容

本文给大家带来的改进内容是将 ShuffleNetV1 轻量化主干网络融合到 YOLOv26 中,主要面向 移动端部署、嵌入式设备、低算力平台和实时检测场景 进行优化。ShuffleNetV1 本身是一种专门为移动设备设计的高效 CNN 架构,它的核心优势在于通过 逐点分组卷积 降低通道间计算开销,再利用 通道混洗 Channel Shuffle 解决分组卷积带来的信息交流不足问题,从而在减少计算量的同时尽量保持特征表达能力。将其替换到 YOLOv26 主干后,可以让模型在特征提取阶段更加轻量,减少大量不必要的卷积计算,更适合部署到 边缘设备、无人机、工控设备、移动检测终端 等对速度和算力要求比较高的场景。简单来说,这个改进相当于给 YOLOv26 换了一个更加省算力的“轻量骨架”,在保证检测能力的同时,让模型跑得更快、计算压力更小。需要注意的是,ShuffleNetV1 在降低 GFLOPs 方面效果比较明显,但由于结构替换和通道设计的原因,参数量可能会有一定上涨,这也正好可以作为论文中分析轻量化结构取舍的一个点。整体来看,该改进的卖点在于 结构经典、原理清楚、轻量化方向明确、适合工程部署,非常适合用于 YOLOv26n 等小模型改进、实时目标检测、移动端检测和低功耗场景检测。本文将从 ShuffleNetV1 的主要框架原理 出发,讲解其 逐点分组卷积和通道混洗机制,并进一步演示如何将该网络结构添加到 YOLOv26 模型中,方便大家在自己的数据集上进行实验对比,用来丰富论文改进点和体现模型轻量化优化效果。

专栏链接:YOLOv26有效涨点专栏包含:Conv、注意力机制、主干/Backbone、损失函数、优化器、后处理等改进机制


目录

 一、本文内容

二、ShuffleNetV1框架原理​编辑

三、ShuffleNetV1核心代码

四、手把手教你添加ShuffleNetV1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、ShuffleNetV1的yaml文件

六、成功运行记录 

七、本文总结


二、ShuffleNetV1框架原理

官方论文地址: 官方论文地址

RV1126部署YOLO实战:NPU兼容性、量化与ISP-NPU链路调优 YOLO作为主流目标检测模型,在边缘端部署需适配专用AI加速硬件。RV1126集成了NPU、双核ISP和CV加速单元,但其硬件执行路径与通用GPU/TPU存在本质差异:NPU仅支持有限算子集、要求固定shape输入、依赖特定数据格式(如NHWC/UINT8)及严格内存拓扑。部署失败常源于算子不兼容、量化校准失准或ISP到NPU的色彩空间/时序链路断裂。本文围绕RV1126平台,系统解析YOLOv5/v8模型从PyTorch到RKNN的转换原理、INT8量化闭环流程、硬件直连DMA优化及工业级稳定性保障机制, 阅读详情

相关推荐

yolov26改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2(附代码+修改教程)

本文介绍了将ShuffleNetV2轻量化主干网络融入YOLOv26的方法,适用于移动端和边缘设备的实时目标检测场景。ShuffleNetV2通过通道分割、混洗等设计优化了计算效率和硬件适配性,相比V1版本更注重实际推理速度而非单纯降低FLOPs。文章详细讲解了网络结构原理、核心代码实现,并提供了分步修改教程和YAML配置文件,最终展示了成功运行的训练记录。该改进能显著减少模型复杂度,保持检测精度的同时提升部署便利性,特别适合低算力平台应用。文末还推荐了包含多种改进机制的YOLOv26专栏供读者参考。

Snu77的博客 336

yolov26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)

本文介绍ShuffleNetV2与跨尺度特征融合模块CCFM融合改进的YOLOv26。ShuffleNetV2以硬件效率为导向,通过通道分割、轻量卷积和Channel Shuffle减少冗余计算与内存访问,在降低参数量和GFLOPs的同时保持高效特征提取;CCFM进一步加强不同尺度特征交互,弥补轻量主干语义表达不足的问题。本人在轻量模型上测试后,参数量和计算量明显下降,检测精度有一定提升,适合移动端、边缘设备及实时检测任务。文中提供完整代码、配置文件、模块注册及Codex修改思路,方便复现、对比和二次创新。

Snu77的博客 204

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+

YOLO系列算法改进 | 主干改进篇 | 替换ShuffleNetV2主干特征提取网络 | 助力YOLO26等模型实现极致轻量化!

YOLO系列算法改进 | 主干改进篇 | 替换ShuffleNetV2主干特征提取网络 | 助力YOLO26等模型实现极致轻量化! (以YOLO26最新目标检测模型为基础,利用ShuffleNetV2网络替换Backbone)

2502_91881744的博客 307

置顶必读(2) |《YOLOv8实战:从入门到深度优化》总目录导航 & 学习路线指南(持续更新中)

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 28万+

Yolo-FastestV2 移动端可达300FPS,参数量仅250k

对比Yolo-Fastest: 最强轻量级目标检测yolo fastest_jacke121的专栏-优快云博客 精度对比: Network COCO mAP(0.5) Resolution Run Time(4xCore) Run Time(1xCore) FLOPs(G) Params(M) Yolo-FastestV2 24.10 % 352X352 3.29 ms 5.37 ms 0.212 0.25M Yol..

jacke121的专栏 2165

手把手带你 YOLO 添加注意力机制

YOLOv5/v7 添加注意力机制教程

Coding... 21万+

STM32+CubeMX实战:5步搞定LWIP HTTP服务器搭建(附常见编译错误解决)

本文详细介绍了基于STM32和CubeMX平台,快速搭建LWIP HTTP服务器的5步实战指南。内容涵盖从项目初始化、LWIP深度配置到解决经典的`HTTPD_FSDATA_FILE`编译错误,并分享了使用VSCode进行高效开发的工作流,旨在帮助嵌入式开发者快速实现网络功能并规避常见陷阱。

weixin_29192365的博客 578

Visual Studio 2022 社区版安装指南:从下载到配置的完整流程

本文详细介绍了Visual Studio 2022社区版的完整安装与配置流程,包括系统要求检查、官方下载步骤、工作负载选择、安装位置配置等关键环节。作为微软推出的免费集成开发环境,VS2022社区版支持多种编程语言,适合个人开发者和小型团队使用。文章还提供了常见问题解决和性能优化技巧,帮助用户高效完成开发环境搭建。

weixin_28829339的博客 892

PC微信(3.9.2.23)逆向实战:定位并Hook消息接收函数

本文详细介绍了PC微信(3.9.2.23)逆向分析中定位并Hook消息接收函数的完整实战流程。通过Cheat Engine动态定位未读消息数内存地址,结合OllyDbg分析代码上下文,最终找到稳定的Hook点,并分享了实战中的关键注意事项与踩坑经验。

lll78的博客 473

小白投资理财 - 解读威廉分形指标 Williams Fractals

威廉分形指标用于识别价格趋势中的关键点,帮助判断支撑位和阻力位。

wumingxiaoyao的博客 4343

BMS菊花链芯片怎么选?一张表对比ADI、TI、NXP五大厂家的隔离通信方案

本文深入对比了ADI、TI、NXP等五大厂商的BMS菊花链芯片隔离通信方案,涵盖技术演进、核心参数和场景化选型策略。通过实测数据和开发经验分享,帮助工程师在新能源汽车和储能系统中选择最优方案,提升通信可靠性和成本效益。

weixin_33724046的博客 433

Autosar NvM配置-手动配置Nvblock及使用-基于ETAS软件

NVM作为存储协议栈中最顶层的模块,是必须要掌握的。目前项目基本使用MCU带的Dflash模块,使用Fee模拟eeprom。在项目前期阶段,应该充分讨论需要存储的内容,包括应用数据,诊断数据等,用以评估Dflash空间是否够用。本文基于ETAS软件介绍NVBlock配置生成NVM参数及使用。使用NVBlock配置生成,基本不用手写代码,还是比较方便的。对于Nv block的划分,建议将同时写的一类数据放到一个block中,因为block除了data以外,Fee还会增加一些header数据,占用不少内存。

赞的博客 1888

基于逆向工程的中国裁判文书网爬虫技术深度解析

本文详细介绍了中国裁判文书网爬虫的开发过程,涵盖了从基础爬取到高级功能的完整解决方案。逆向工程分析:理解网站的反爬机制和加密逻辑浏览器自动化:使用Playwright模拟真实用户行为参数加密:通过JavaScript执行环境生成加密参数智能调度:控制请求频率,避免被检测错误处理:完善的异常处理和重试机制。

2201_76125261的博客 2146

1 电科院FTU检测标准学习笔记-外观检查

作者简介:本人从事电力系统多年,岗位包含研发,测试,工程等,具有丰富的经验在配电自动化验收测试以及电科院测试中,本人全程参与,积累了不少现场的经验。

sixtome 1852

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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!

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。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: yolov26改进 | 融合改进篇 | 利用尺度统一检测头DynamicHead融合P2增加小目标检测层(让小目标无所遁形)
下一篇: yolov26改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2(附代码+修改教程)
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
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
 
 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