yolov26改进 | 主干/Backbone篇 | RepViT从视觉变换器(ViT)的视角重新审视CNN的目标检测网络(适配yolov26全系列)

开始正文前,先向大家推荐我的YOLO专栏系列。本人持续更新 YOLOv8、YOLO11、YOLO26 等热门模型,内容覆盖图像分类、目标检测、实例分割、多目标跟踪、姿态估计与关键点检测,重点讲解 小目标检测、注意力机制、特征融合、损失函数改进、自定义数据集训练、消融实验及论文代码复现。同时分享如何使用 OpenAI Codex辅助撰写论文、配置实验环境、调试项目、改进模型和分析实验结果。 专栏目前正在进行限时优惠,每周更新 5–7篇最新论文机制、YOLO改进方法和实战教程。订阅后可获得包含本人全部改进方案的代码与配置文件,并加入专属技术交流群。我也会定期在群内分享 YOLO论文选题、创新点设计、实验方案、论文写作与投稿发表经验,欢迎大家订阅交流!


一、本文介绍

本文给大家带来的改进机制是轻量级主干网络——RepViT。其核心思想是将轻量级视觉Transformer中的高效设计原则引入传统卷积神经网络,在保留CNN结构简单、硬件友好和推理速度快等优势的同时,进一步增强网络的特征提取能力。因此,RepViT非常适合作为YOLO模型的主干网络,用于兼顾检测精度与计算效率。本文将使用RepViT替换YOLOv26的整个Backbone,并选择其中最轻量的网络版本进行实验。在一个包含约1000张图像、20多个类别的数据集上进行训练和测试,该数据集同时包含大、中、小三种尺度的检测目标。根据实际实验结果,改进后的模型在不同尺度目标上均取得了一定程度的精度提升,整体检测性能相比基础版本具有较为明显的改善。下面我会展示YOLOv26基础模型与RepViT改进模型的训练曲线和实验结果对比图,方便大家直观了解该主干网络的实际效果。随后还会结合完整代码和配置文件,手把手讲解RepViT的模块注册、网络配置以及Backbone替换方法。

(本文内容可根据yolov26的N、S、M、L、X进行二次缩放,轻量化更上一层)。  

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、本文介绍

二、RepViT基本原理

三、RepViT的核心代码 

四、手把手教你添加RepViT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、RepViT的yaml文件

5.1 RepViT的yaml文件

5.2 训练文件的代码

六、成功运行记录 

七、本文总结


二、RepViT基本原理

​

官方论文地址: 官方论文地址点击即可跳转

官方代码地址: 

Yolov8小目标检测(24): 最新开源移动端网络架构 RepViT | RepViTBlock | 清华 ICCV 2023 RepViTBlock| 亲测在红外弱小目标检测涨点明显,map@0.5 从0.755提升至0.791 阅读详情

相关推荐

repvit 分类 分割一切 测评

repvit 测试

jacke121的专栏 1365

Yolov8引入 清华 ICCV 2023 最新开源移动端网络架构 RepViT | RepViTBlock即插即用,助力检测

原创改进:轻量级RepViTBlock即插即用,助力检测

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 4235

YOLOv26改进 | 网络结构代码逐行解析(四) | 手把手带你理解YOLOv26检测头输出到损失函数计算(新手入门必读系列)

本文详细解析了YOLOv26检测头的核心结构与实现原理。重点分析了双检测头机制(one-to-many和one-to-one)、端到端无NMS推理等创新点。通过代码解读展示了检测头的网络结构、输出格式和损失函数计算过程,特别指出YOLOv26中DFL模块的实际移除。文章还对比了传统NMS与YOLOv26的Top-K筛选机制差异,揭示了其端到端推理的关键技术。全文包含1.1万字深度分析,涵盖检测头结构、参数定义和实现细节,为理解YOLOv26的改进提供了全面指导。

Snu77的博客 1206

YOLOv26详解 | 一文带你从代码角度深入理解ultralytics最新作品yolov26的创新 | 训练、推理、验证、导出 (附网络结构图PPT可用,全网最全)

YOLOv26带来多项创新:1)采用双检测头机制(One-to-Many和One-to-One)实现端到端无NMS推理;2)移除DFL简化边界框回归;3)引入ProgLoss+STAL优化小目标检测;4)使用MuSGD优化器提升训练稳定性。网络结构方面,SPPF模块增加shortcut连接,并在C3k2中引入PSABlock注意力机制。该版本更注重实际部署,简化了推理流程,提升硬件兼容性。教程涵盖模型训练、验证、推理及导出全流程,支持多种格式转换如ONNX、TensorRT等,适合工业应用场景。

Snu77的博客 4086

RepViT: 从ViT视角重新审视移动CNN

针对轻量级模型的研究一直是计算机视觉任务的重点,目标是实现卓越的模型性能,同时降低计算成本。这对于资源有限的移动设备尤为重要,使得视觉模型可以在边缘进行部署。在过去的十年中,研究人员主要关注轻量级卷积神经网络(CNNs)的设计,并取得了重大进展。提出了许多有效的设计原则,包括可分离卷积[20],倒残差瓶颈[43],通道洗牌[34,63],和结构重参数化[11],从而产生了代表性的模型,如MobileNets [19,20,43],ShuffleNets [34,63],和RepVGG [11]。

AI浩 1641

游戏开发中的AI与RAG技术应用实践

检索增强生成(RAG)技术是当前AI领域的重要突破,它通过结合信息检索与文本生成能力,显著提升了大型语言模型在专业领域的实用性。其核心原理是建立动态知识库,在生成响应前先检索相关专业资料作为上下文。这种技术特别适合解决游戏开发中的复杂问题,如虚幻引擎API查询、角色背景生成等技术场景。在实际工程应用中,RAG系统需要精心设计分层检索策略、缓存机制和硬件加速方案。通过将RAG深度集成到游戏引擎工作流中,开发者可以快速解决技术难题,新成员也能更快掌握引擎特性,大幅提升团队协作效率。

weixin_29323977的博客 534

从入门到精通:dirmap 高级 Web 目录扫描实战指南

本文提供了一份从环境搭建到高级配置的dirmap Web目录扫描实战指南。详细解析了工具安装、核心配置文件dirmap.conf的深度调优,包括递归扫描、四种扫描模式(字典、爆破、爬虫、Fuzz)的实战应用,并演示了分阶段资产发现的完整工作流程,帮助安全人员高效发现隐藏目录与敏感文件。

rnn9storyteller的博客 482

PyTorch复现EEG-TCNet踩坑记:从BCI IV2a数据到TCN块缺失的完整解决方案

本文详细解析了使用PyTorch复现EEG-TCNet模型的全过程,重点解决了BCI IV2a数据集预处理和TCN模块缺失的技术难题。通过标准化数据流程、跨受试者验证策略以及三种因果卷积实现方案,为运动想象分类任务提供完整解决方案,帮助研究者高效实现模型复现与优化。

weixin_30699955的博客 319

Docker+vLLM内网离线部署Qwen3 流程

本文介绍了在CentOS 7系统下进行VLLM容器化部署Qwen3-32B大模型的内网离线方案。首先需准备Nvidia显卡驱动、CUDA 12.4和Docker环境。通过联网机器拉取vllm/vllm-openai镜像并导入内网服务器,同时从魔塔社区下载模型文件。部署时使用docker run命令启动容器,配置了GPU资源、内存共享、端口映射等参数,特别指定了模型路径、并行计算、内存利用率等关键参数。该方案实现了大模型在内网环境的安全高效部署,适用于需要离线运行的AI推理场景。

qq_42881308的博客 1043

NotImplementedError: Cannot copy out of meta tensor; no data! Please use torch.nn.Module.to_empty()

Please use torch.nn.Module.to_empty() instead of torch.nn.Module.to()输出(llama) (base) [root@localhost home]# nvidia-smi Unable to determine the device handle for GPU0000:09:00.0: Unknown Error。这是典型的“孤儿进程”,但它还是。(僵尸进程),占用 GPU 资源。如果进程仍然不消失,并且。,这意味着它的父进程是。

m0_61636632的博客 2098

STM32H723串口接收全为0 & CAN错误中断问题

STM32H723串口接收全为0 和 叠加的导致CAN错误问题

weixin_38743772的博客 3920

minist手写数字的识别代码复现(pytorch 版本)

电脑系统:Windows 10语言环境:Python 3.8.18编译器:jupyter notebook深度学习环境:torch == 1.13.1+cu116显卡及显存: Tesla V100-PCIE-32GB卷积神经网络(Convolutional Neural Network,CNN或ConvNet)是一种 具有局部连接、权重共享等特性的深层前馈神经网络. 目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的 前馈神经网络。

2202_75521293的博客 2621

Altium Designer(AD24)导入DDB库文件(Protel 99SE)方法

Altium Designer和Protel均为Altium公司开发的软件。本文介绍Altium Designer 24软件导入DDB库文件(Protel 99SE)方法。

fydar的博客 1990

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

上一篇: yolov26改进 | 主干/Backbone篇 | 华为最新目标检测网络VanillaNet(适配yolov26的N、S、M、L、X)
下一篇: yolov26改进 | 主干/Backbone篇 | CSWinTransformer交叉形窗口目标检测网络(适配yolov26全系列版本)
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