YOLOv3+small_mobilenetv3(change backbone)

最新推荐文章于 2025-06-13 14:38:13 发布
最新推荐文章于 2025-06-13 14:38:13 发布
阅读量3.9k 收藏 10
点赞数 1
CC 4.0 BY-SA版权
分类专栏： experiment
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/shitDjango/article/details/90695397
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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

200万优质内容无限畅学
【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 3556
【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。
06-13 947
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...
YOLOv3-Tiny深度学习目标检测实战项目
最新发布
weixin_33256096的博客
06-13 822
YOLOv3-Tiny 是YOLO（You Only Look Once）系列中的一个轻量级目标检测模型，它在保持实时性的同时，适度地牺牲了一定的准确性，以适应嵌入式设备和移动平台。它通过简化标准YOLOv3的网络结构，降低了计算复杂度和模型大小，从而实现了更快的推理速度。网络剪枝是一种模型压缩技术，它通过去除神经网络中冗余或不重要的部分来简化网络结构，以此来减小模型的大小、提高运算效率，同时尽可能地保持模型的性能。
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。
【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干
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。
06-13 556
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。
YOLOv10改进 | 主干篇 | YOLOv10引入华为VanillaNet替换Backbone
tsg6698的博客
06-19 896
VanillaNet 的这一富有远见的旅程具有重新定义景观并挑战基础模型现状的巨大潜力，为优雅而有效的模型设计开辟了一条新道路。此外，为了增强网络的非线性特性，VanillaNet还提出了一种有效的基于序列的激活函数，该函数结合了多个可学习的仿射变换。到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv10改进有效涨点专栏，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~3.3 在tasks.py里引用。
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 1813
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
06-05 976
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 4108
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 3865
【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
09-28 562
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