YOLOv3+small_mobilenetv3(change backbone)

最新推荐文章于 2025-09-09 10:07:07 发布
原创 最新推荐文章于 2025-09-09 10:07:07 发布 · 3.9k 阅读 · 10 ·
CC 4.0 BY-SA版权
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。

本文介绍了将small_mobilenet3作为YOLOv3模型的backbone进行优化，详细阐述了small_mobilenet3_yolo_body的构建过程，讨论了train_model_size的选择，并提及在不同设置下detection_fps的变化，以及在wider_eval.m评估中的性能表现。尽管模型压缩了2500%，速度提升了10倍，但模型性能下降了25%左右。
1 backbone：small_mobilenet3

在这里插入图片描述

2 small_mobilenet3_yolo_body(inputs, num_anchors, num_classes):

在这里插入图片描述

3 train_model_size
  • save_weight_only=False
    在这里插入图片描述
  • save_weight_only=True
    在这里插入图片描述
4 detection_fps
  • fps_cpu:4-7（1920×1080单路视频 + intel core i7-7th）
最低0.47元/天 解锁文章
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
静谧、淡雅
04-19 3787
【YOLOv8改进[Backbone]】使用MobileNetV3助力YOLOv8网络结构轻量化并助力涨点
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数
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。
06-13 1055
基础模型的核心理念是“更多即不同”，这一理念在计算机视觉和自然语言处理领域取得了惊人的成功。然而，Transformer 模型的优化挑战和内在复杂性要求我们向简约的范式转变。在这项研究中，我们介绍了 VanillaNet，这是一种追求设计优雅的神经网络架构。通过避免高深度、捷径以及自注意等复杂操作，VanillaNet 展现出简洁明了却功能强大的特点。每一层都经过精心设计，结构紧凑且直观，训练后去除非线性激活函数以恢复原始架构。VanillaNet 克服了内在复杂性的挑战，非常适合资源受限的环境。
yolov3+mobilenet+darknet
03-11
github中的带mobilenet的darknet框架都是基于yolov2,不能使用yolov3模型，这是根据yolov3改的
YOLOv3使用笔记——修改backbone网络
Gotta-C的博客
10-19 2万+
       对于部分场景简单，目标较大的图像可能并不需要darknet53这种深度的backbone网络也能检测出来，出于这样的目的，试验将darknet53替换为darknet19、resnet等，既减少了模型计算量，又加快了推理时间。 backbone网络对比：https://pjreddie.com/darknet/imagenet/ 有各个网络的cfg以及在imagenet上的预训练...
轻量级目标检测模型SSD MobileNetV3 Small实战部署指南
weixin_35756624的博客
09-09 792
MobileNet系列的发展体现了轻量化卷积网络设计思想的不断演进。从最初的MobileNetV1到MobileNetV2，再到最终的MobileNetV3，每一次迭代都带来了性能与效率的显著提升。以下是 Hard-Swish 的 TensorFlow 实现方式：# 可注册为自定义激活函数目标检测领域中，COCO（Common Objects in Context）数据集因其丰富性、多样性和标准化的标注格式，已成为衡量模型性能的重要基准。
轻量级网络——MobileNetV3
Clichong
05-16 2万+
文章目录1.MobilenetV3的介绍2.MobilenetV3的结构1）尾部结构改变2）头部channel数量改变3）h-swish激活函数4）加入了注意力机制（SE模块）3.MobilenetV3的性能统计4.MobilenetV3的pytorch实现 1.MobilenetV3的介绍 回顾MobilenetV1与MobilenetV2结构 MobilenetV1： 引入了深度可分离卷积作为传统卷积层的有效替代，大大减少计算量。深度可分离卷积通过将空间滤波与特征生成机制分离，有效地分解了传统卷积。
mobilenetv3-yolov3 训练模型
05-11
https://github.com/tanluren/mobilenetv3-yolov3 上的预训练模型，20分类，要class相同才能用
计算机视觉之MobileNetV3
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
05-19 2万+
MobileNetV3 是由 google 团队在 2019 年提出的轻量化网络模型，传统的卷积神经网络，内容需求大，运算量大，无法再移动设备以及嵌入式设备上运行，为了解决这一问题，MobileNet网络应运而生。MobileNetV3在移动端图像分类、目标检测、语义分割等任务上均取得了优秀的表现。MobileNetV3采用了很多新的技术，包括针对通道注意力的Squeeze-and-Excitation模块、NAS搜索方法等，这些方法都有利于进一步提升网络的性能。
【魔改YOLOv5-6.x（下）】YOLOv5s+Ghostconv+BiFPN+CA
weixin_43799388的博客
03-20 3万+
文章目录前言模型组合Ghost+BiFPNGhost+CAGhost+BiFPN+CA实验记录结果分析 前言 【魔改YOLOv5-6.x（上）】：结合轻量化网络Shufflenetv2、Mobilenetv3和Ghostnet 【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权双向特征金字塔BiFPN 本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析 训练设置： $ pyt
YOLOv8 利用MobileNetV3替换Backbone
最新发布
09-26
We are replacing the backbone of YOLOv8 with MobileNetV3. Steps: 1. We need to define a MobileNetV3 model (either small or large) as the backbone. 2. Integrate this backbone with the YOLOv8 head. ...
mobilenet系列之又一新成员---mobilenet-v3
热门推荐
小菜鸟的AI之路
06-15 5万+
摘要： mobilenet-v3，是google在mobilenet-v2之后的又一力作，主要利用了网络结构搜索算法（NAS）来改进网络结构。并且本文提出了movilenetv3-large, mobilenet-v3 small。 在语义分割，本文提出了一个新的方法：LR-ASPP. mobilenet-v3 large在imagenet分类任务上，较mobilenet-v2，精度提高了大约3....
mobilenetv3-yolov3 预训练模型 4 class
05-11
https://github.com/tanluren/mobilenetv3-yolov3 的训练模型，large版的，4class
mobileNetv3.zip
10-22
包含MobileNet v3 large和small两个版本，其中除了原始版本的使用H-swish和SE模块的prototxt外，还有用relu和SE模块实现的版本，以及使用relu并去掉SE模块的最精简的版本，三个版本测试效果差别不大，最精简的版本，模型最小（5.89M），我自己得250类车辆分类数据集上可以达到0.996的测试准确率。
探索边缘计算的未来：MobileNetV3Small及其在高效图像处理中的创新应用
Von_016's Blog
02-04 1886
在深入了解MobileNetV3Small的具体情况之前，了解MobileNetV3家族的更广泛背景至关重要。MobileNetV3在2019年国际计算机视觉会议（ICCV）上的一篇开创性论文中被介绍，代表了MobileNet系列的重大进步。这些架构专为移动和边缘设备设计，重点是在计算效率和模型性能之间找到平衡。MobileNetV3有两个主要变体：Large和Small。这些变体针对不同的用例和计算约束进行了定制。
mobilenetV3
kingrain213的专栏
06-05 1013
1）类似于v1和v2版本，采用pw-dw-pw模式，类似于resnet的残差模块shortcut模式 2）采用relu6/hardswish/hardsigmoid激活函数 3）采用_squeeze_excitation_layer(类似于SENet，attention机制，avgpool--fc(relu6)--fc(hard-sigmoid)，得到权重参数，乘到input上) 4)通过m...
神经网络学习小记录39——MobileNetV3（small）模型的复现详解
Bubbliiiing的学习小课堂
01-22 2万+
神经网络学习小记录39——MobileNetV3（small）模型的复现详解学习前言什么是MobileNetV3large与small的区别MobileNetV3（small）的网络结构1、MobileNetV3（small）的整体结构2、MobileNetV3特有的bneck结构网络实现代码 学习前言 不知道咋地，就是突然想把small也一起写了。 什么是MobileNetV3 最新的Mobi...
计算机视觉基础｜轻量化网络设计：MobileNetV3
紫雾凌寒
02-24 4517
MobileNet 系列作为轻量化网络的代表，自推出以来就受到了广泛关注。MobileNetV3 作为该系列的最新版本，在保持模型轻量化的同时，进一步提升了性能和效率。它结合了硬件感知的网络架构搜索（NAS）和 NetAdapt 算法，针对移动设备 CPU 进行了优化，引入了新颖的架构设计和高效的分割解码器，在图像分类、目标检测、语义分割等任务中展现出了卓越的性能。本文将深入探讨 MobileNetV3 的网络结构、创新点以及在实际应用中的表现。
【笔记整理】轻量级神经网络 MobileNetV3
qq_33934427的博客
05-29 4042
【笔记整理】轻量级神经网络 MobileNetV3
基于mobilenet-v3 small模型的手语字母图像分类【AI-Studio】
To be a better man
09-28 606
课题名称：基于mobilenet-v3small模型的手语字母图像识别 课题类型：设计类 课题来源：生活灵感 目的要求：现实生活中，有很多实际场景下，手语通常被听力和口语有障碍的人来使用，所以有必要收集手势包含日常互动中所使用的动作和手势。由于专用手势数据集收集较为困难，没有正规获得渠道，可以借助已有开源手语字母图像数据集，对手语字母图像进行监督学习，完成对手语字母图片的识别，可以很好的应用在翻译手语字母，方便进行二次开发，如手语表达的字母被翻译成单词，帮助听力与口语有障碍的人想表达的信息便捷被他人.
yolov5+mobilenetv3根据这个模块改进
03-15
<think>嗯，用户想知道如何用MobileNetV3改进YOLOv5的模型。首先，我需要回忆一下YOLOv5的结构，特别是它的backbone部分。YOLOv5的backbone通常是CSPDarknet，而MobileNetV3作为轻量级网络，替换后应该能减少计算量，适合移动端应用。 接下来，用户可能需要的步骤包括替换backbone、调整Neck部分的通道数，还有修改配置文件。我记得YOLOv5的模型结构是通过YAML文件定义的，所以需要创建一个新的YAML，把MobileNetV3的结构写进去，替换原来的CSPDarknet。同时，Neck部分比如FPN和PANet的输入输出通道可能需要调整，以匹配MobileNetV3的输出特征图通道数。 然后，数据预处理部分可能需要调整图像尺寸，因为MobileNetV3通常使用224x224的输入，但YOLOv5默认是640x640。不过，YOLOv5其实支持多种尺寸，可能只需要在训练时指定即可，或者根据任务需求调整。 还要考虑预训练权重的问题。使用MobileNetV3的预训练权重可以加速收敛，但需要确保加载正确，可能需要对权重进行适当的转换，特别是如果原来的分类层和检测任务的输出不匹配的话。 另外，用户可能关心如何验证替换后的模型是否有效。这时候需要提到消融实验，比如对比替换前后的参数量、计算量（FLOPs）和准确率指标（mAP）。同时，训练策略可能需要调整，比如学习率、数据增强等，因为轻量级模型可能需要不同的超参数。 然后，用户可能不知道如何具体修改代码，所以需要给出代码示例，比如在YOLOv5的common.py中添加MobileNetV3的模块，然后在YAML配置文件中替换backbone。还要注意激活函数，MobileNetV3使用了h-swish，这部分可能需要自定义实现。 可能的问题还有，替换后模型检测性能下降怎么办？这时候需要建议进行模型微调，比如调整Neck结构、增加数据增强，或者尝试不同的MobileNetV3版本（Large或Small）。此外，通道数的匹配是关键，如果Neck部分的通道不匹配，会导致特征融合问题，影响检测效果。 用户提供的引用里提到了MobileNetV3的结构改进，比如引入SE模块和h-swish激活函数，这些需要在代码中正确实现。同时，参考论文中的结构细节，确保实现的准确性。比如MobileNetV3中的bneck结构，结合了深度可分离卷积和SE模块，这些都需要在代码中正确复现。 最后，用户可能需要相关的应用场景，比如移动端或嵌入式设备的实时目标检测，这时候替换后的模型更适合这些场景，因为计算量更小，速度更快。同时，可以建议用户进行性能测试，比较推理速度和准确率的平衡。</think>### 分步指南：使用YOLOv5与MobileNetV3进行模型改进 #### **1. 替换Backbone为MobileNetV3** YOLOv5默认使用CSPDarknet作为主干网络，而MobileNetV3通过轻量化设计显著降低计算量。替换步骤如下： - **步骤1**：在YOLOv5的`models`目录中新建一个YAML配置文件（如`yolov5_mobilenetv3.yaml`），定义MobileNetV3的网络结构。需注意： - 将原`backbone`部分替换为MobileNetV3的模块（如`bottleneck`、`h-swish`激活函数等） - 调整通道数匹配Neck部分（如FPN/PANet的输入输出） - **代码示例**： ```python # 在common.py中添加MobileNetV3模块 class MobileNetV3_Bottleneck(nn.Module): def __init__(self, c1, c2, kernel_size=3, stride=1, expansion=4, se_ratio=0.25): super().__init__() # 深度可分离卷积 + SE模块 ... ``` #### **2. 调整Neck通道数** MobileNetV3的输出特征图通道数与原CSPDarknet不同，需同步修改Neck部分： - **关键参数**：若MobileNetV3最后阶段输出通道为$C$，则需确保FPN层的输入通道调整为$C$，例如将原`[512, 256, 128]`改为`[160, 56, 24]`（对应MobileNetV3-Small） - **配置文件修改示例**： ```yaml # yolov5_mobilenetv3.yaml head: [[-1, 1, Conv, [160, 1, 1]], # 输入通道匹配 [-1, 1, nn.Upsample, [None, 2, &#39;nearest&#39;]], [[-1, 6], 1, Concat, [1]]] # 跨层连接调整 ``` #### **3. 加载预训练权重** 使用ImageNet预训练的MobileNetV3权重加速收敛： - **步骤**： 1. 下载MobileNetV3的PyTorch预训练模型 2. 通过脚本转换权重格式（需对齐层名称） 3. 在训练命令中添加`--weights mobilenetv3.pt` - **注意事项**：需跳过分类层的权重加载（因检测任务需保留原检测头） #### **4. 消融实验验证** 通过对比实验验证改进效果： | 模型 | 参数量(M) | FLOPs(G) | mAP@0.5 | 推理速度(ms) | |------|-----------|----------|---------|--------------| | YOLOv5s | 7.2 | 16.5 | 37.4 | 6.8 | | +MobileNetV3 | 3.1▼56% | 7.8▼53% | 35.2▼5.9% | 3.2▲53% | #### **5. 训练策略优化** 针对轻量化模型特点调整超参数： - **学习率**：初始值从0.01调整为0.02（更激进） - **数据增强**：增加MixUp和CutMix（防止轻量模型过拟合） - **损失函数**：可尝试替换为EIoU提升小目标检测 #### **6. 部署验证** 使用CoreML或TensorRT进行移动端部署测试： ```python # 导出为ONNX格式 python export.py --weights yolov5_mobilenetv3.pt --include onnx ```
评论 12
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
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