YOLOv8 移动端升级：借助 GhostNetv2 主干网络，实现高效特征提取

于 2025-05-31 21:56:24 发布
阅读量996 收藏 26
点赞数 22
CC 4.0 BY-SA版权
分类专栏： YOLO创新涨点系列 文章标签： YOLO 网络 深度学习 人工智能 yolov8
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/shrgegrb/article/details/148356439

文章目录

引言

目标检测是计算机视觉领域的重要任务，YOLO系列算法因其出色的速度和精度平衡而广受欢迎。YOLOv8作为最新版本，在精度和速度上都有显著提升。然而，在移动端和嵌入式设备上部署时，模型的计算复杂度和参数量仍然是关键挑战。本文将探讨如何利用华为提出的GhostNetv2改进YOLOv8的主干网络，在保持检测精度的同时显著降低计算成本。

GhostNetv2概述

GhostNet回顾

GhostNet是华为在2020年提出的轻量级CNN架构，其核心思想是通过"Ghost模块"生成更多特征图而无需大量计算。传统卷积生成N个特征图需要N×k×k×Cin的参数量，而Ghost模块先通过常规卷积生成m个内在特征图，然后通过廉价线性变换生成s个"Ghost"特征图，最终得到n=m×s个输出特征图。

GhostNetv2创新

GhostNetv2在2023年提出，主要改进包括：

  1. 硬件友好的注意力机制（DFC注意力）
  2. 增强的特征丰富化策略
  3. 改进的跨层连接方式
    这些改进使GhostNetv2在保持轻量级特性的同时，显著提升了特征表达能力。

YOLOv8主干网络改进

原YOLOv8主干分析

YOLOv8默认使用CSPDarknet53作为主干，其特

了解本专栏 订阅专栏 解锁全文
YOLOv8 升级之路：GhostNetV2 主干网络解析与实操
一直在水些技术小文
09-20 1945
我们将介绍 GhostNetV2 的核心概念，然后通过示例和代码，带你深入了解如何在 YOLOv8 中使用 GhostNetV2，并进行实际操作。GhostNetV2 是 GhostNet 的进一步发展，GhostNet 是一种轻量级的神经网络架构，旨在在保持高精度的同时降低模型的复杂性。这将显著提高模型的性能，同时保持模型的轻量级特性。在开始之前，你需要确保你的环境中已经安装了相关的深度学习框架（如 PyTorch 或 TensorFlow）以及 YOLOv8 和 GhostNetV2 的库。
“GhostNetV2系列：新型长距离注意力机制与廉价操作构建高效轻量级检测器“
带你成为别人眼中的大佬！
05-27 439
其使用廉价操作和引入长距离注意力机制来增强骨干网络的能力，并减少了模型的大小和计算量，使得GhostNetV2成为一个具有实际应用价值的轻量级检测器。本文将介绍GhostNetV2系列的轻量化骨干网络，在保证高精度的同时降低模型大小和计算量。GhostNetV2引入了新型长距离注意力机制，增强了轻量级骨干网络的能力，并且采用廉价操作来弥补轻量化过程中的精度损失。其中，目标检测是计算机视觉中一大重要课题，因此采用高效轻量级骨干网络对目标检测模型进行加速和压缩是很有必要的。
改进YOLO——更换骨干网络GhostNetV2
2302_80099075的博客
10-03 1936
基于大佬迪菲赫尔曼的专栏文章进行实操时，感觉文章写的并不是很清楚，部分步骤写的不太详细，对于新手小白不太友好。这里写下详细版的步骤。
集成GhostNetv2优化YOLOv8-移动设备上的计算量与延迟减少【YOLOv8】
程序员Gloria的博客
12-19 1295
YOLOv8作为YOLO系列的最新版本，具备较强的目标检测能力，但其计算量仍较高，在移动端设备上可能面临性能瓶颈。为此，我们可以采用一种高效的特征提取架构，降低模型的参数量和计算量。GhostNetv2是华为提出的一种轻量级网络架构，针对移动端设计。该模型通过“Ghost模块”来减少传统卷积操作中的计算冗余，保持相似的特征表示效果。这些模块在减少卷积操作的同时，利用少量操作生成更多特征，显著提升了模型的计算效率。首先实现Ghost模块，用于生成额外的特征图。
【读点论文呢】GhostNetV2: Enhance Cheap Operation with Long-Range Attention将自注意力机制融入到ghost模块中
白水空空
02-04 2595
轻量级卷积神经网络（CNN）是专门为推理速度更快的移动设备上的应用而设计的。卷积运算只能捕获窗口区域中的局部信息，这阻碍了性能的进一步提高。在卷积中引入自我关注可以很好地捕获全局信息，但这将在很大程度上阻碍实际速度。在本文中，我们提出了一种硬件友好的注意力机制（称为DFC注意力），然后提出了一个新的用于移动应用的GhostNetV2架构。所提出的DFC注意力是基于完全连接的层构建的，它不仅可以在普通硬件上快速执行，而且可以捕获长距离像素之间的依赖性。
通俗易懂理解GhostNetV2轻量级神经网络模型
IT菜鸟
02-24 6543
通俗易懂理解GhostNetV2网络模型
YOLOv8改进 | 主干篇 | 华为移动端模型Ghostnetv2改进特征提取网络
走向CTO的路上...
06-19 841
本文介绍了如何利用华为移动端模型Ghostnetv2改进YOLOv8模型的特征提取网络，以提高模型的推理速度和精度。Ghostnetv2是一种轻量级高效的卷积神经网络架构，可以有效地减少模型的参数量和计算量，同时保持较高的性能。本文提出了一种利用Ghostnetv2模型改进YOLOv8模型特征提取网络的方法。该方法可以有效地降低模型的参数量和计算量，同时保持较高的模型精度，适用于移动端实时目标检测任务。
YOLOv8 中替换主干网络之 GhostNetV2：完整解析与实现
走向CTO的路上...
06-04 1635
GhostNetV2 采用深度可分离卷积、Ghost 模块等技术来减少参数量，使其更易于部署在资源受限的设备上。GhostNetV2 的结构设计使其计算效率高，能够快速处理图像数据。GhostNetV2 在 ImageNet 等多个数据集上取得了良好的精度表现。由于 GhostNetV2 的上述优点，使其成为 YOLOv8 中替换主干网络的理想选择。YOLOv8 与 GhostNetV2 的结合将目标检测模型的效率、精度和通用性提升到一个新的水平，使其更适用于移动端、嵌入式设备和实时应用场景。
YOLOv8性能提升：引入华为GhostNetv1特征提取网络
最新发布
shrgegrb的博客
05-28 1069
本文提出一种轻量化改进方案，将GhostNetV1作为YOLOv8的主干网络，以提升移动端部署效率。通过Ghost模块的两步特征生成机制（初级卷积+廉价操作），显著降低了30%的计算量（FLOPs）和参数量，精度损失控制在1%以内。实验表明，改进后的模型在骁龙865芯片上推理速度提升25%。核心创新包括：1）用GhostBottleneck替换CSP模块；2）保留FPN+PAN结构确保多尺度检测能力；3）提供完整的PyTorch实现方案。该工作为资源受限场景的目标检测提供了实用解决方案，未来可结合注意力机制
轻量级网络CNN系列（二）：GhostNetV2
梦坠凡尘
06-29 3146
而在 DFC 中，每个 patch 的注意力值的计算直接与它水平或垂直位置的 patch 有关，而这些水平或垂直位置的 patch 的计算又与它们水平或垂直位置的 patch 有关。DW卷积的一个卷积核负责一个通道，例如对一个3×5×5的图片，输出通道数要与输入通道数相同，则普通卷积操作需要3×3×3×3的卷积核，但DW卷积操作只需要3×3×3的卷积核。PW卷积相反，是一个1×1×C的卷积核，对每个通道的相同位置进行加权和，C为输入特征图的通道数，若输出通道数为5，则卷积核shape为C×1×1×5。
GhostNet v2（NeurIPS 2022 Spotlight）原理与代码解析
热门推荐
00000cj的博客
02-12 1万+
首先回顾下GhostNet，对于输入 \(X\in \mathbb{R}^{H\times W\times C}\)，Ghost module将一个标准的卷积替换成两步。首先用一个1x1卷积生成intrinsic feature。
GhostNetV2学习笔记
charles_zhang_的博客
11-21 7011
轻量级卷积神经网络(CNNs)是专为在移动设备上具有较快推理速度的应用而设计的。卷积运算只能捕获窗口区域的局部信息，这阻碍了性能的进一步提高。在卷积中引入自我注意可以很好地捕获全局信息，但会极大地影响卷积的实际速度。在本文中，我们提出了一种硬件友好的注意机制(称为DFC注意)，然后提出了一种新的移动应用的GhostNetV2架构。所提出的DFC注意结构基于全连接层，既能在普通硬件上快速执行，又能捕获远距离像素间的依赖关系。
YOLOv8 中替换主干网络之 ConvNext：完整解析与实现
走向CTO的路上...
05-26 1394
ConvNext 采用 Transformer 的注意力机制，可以捕获更长距离的依赖关系，提升模型的性能。ConvNext 采用 Depthwise Convolution 和 Linear Attention 等技术，可以减少模型的参数量，使其更易于部署在资源受限的设备上。ConvNext 可以应用于图像分类、目标检测、语义分割等多种任务。由于 ConvNext 的上述优点，使其成为 YOLOv8 中替换主干网络的理想选择。
GhostNetV2（2022）（全文翻译）
m0_60534571的博客
03-18 2433
轻量级卷积神经网络 (CNN) 专为推理速度更快的移动设备上的应用而设计。卷积运算只能捕获窗口区域的局部信息，这阻碍了性能的进一步提高。将self-attention引入卷积可以很好地捕捉全局信息，但会在很大程度上阻碍实际速度。在本文中，我们提出了一种硬件友好的注意力机制（称为 DFC 注意力），然后提出了一种用于移动应用程序的新 GhostNetV2 架构。所提出的DFC 注意力是基于全连接层构建的，它不仅可以在普通硬件上快速执行，还可以捕获远程像素之间的依赖关系。
GhostNetV2：运用长距离注意力提升低成本计算的改进——骨干网络替换之路
IlgCrystal的博客
09-17 739
GhostNetV2是基于GhostNet模型的一种改进版本。GhostNet最初由Hui et al.于2020年提出，以其高效轻量的特点在目标检测任务中取得了较好的性能。GhostNetV2在此基础上进一步增强了低成本运算的能力，通过引入长距离注意力机制，提升了模型的感受野并降低了计算复杂度。GhostNetV2的核心思想是在骨干网络中引入Ghost Module和Long-Range Attention（LRA）模块。
轻量级模型解读——GhostNet系列
lishanlu136的博客
09-10 6620
轻量级模型GhostNet系列模型解读
YOLOv5轻量化骨干设计，通过结合GHostNetv2结构实现计算量降低
qq_44224801的博客
05-21 3015
GhostNetv2是一种针对移动设备和边缘设备的优化神经网络，其设计继承了GhostNetv1的高效节省计算资源的特性，并在其基础上引入了一种新的注意力模块——DFC注意力模块，以增强模型对长距离空间信息的处理能力。DFC注意力模块是一种基于解耦全连接层的注意力机制，设计满足以下三个条件：对空间长距离信息的建模能力强；部署高效，对硬件友好且计算高效；概念简单，便于保证注意力模块的泛化能力。对于端侧设备这类计算资源受限的环境，以上设计目标帮助模型在提升性能的同时，不牺牲实时性和部署效率。
GhostNetV2系列：融合YOLOv5和NIPS2022华为诺亚的GhostNetV，实现强化廉价操作的长距离注意力机制，构建高效轻量级检测器
UksApps的博客
09-20 717
综上所述，GhostNetV2系列是一种结合了YOLOv5和GhostNetV的检测器架构，引入了长距离注意力机制和廉价操作增强，旨在构建高效轻量级的目标检测器。通过实现上述提到的GhostNetV2网络和GhostModule模块，我们可以在计算机视觉任务中应用这一创新的检测器架构，以提升检测性能并减少计算资源的消耗。GhostNetV2系列的核心思想是结合YOLOv5和NIPS2022华为诺亚的GhostNetV，引入长距离注意力机制以增强廉价操作，并构建高效轻量级的检测器。
YOLOv5/v8改进主干GhostNetV2系列：创新结合最新NIPS2022华为诺亚的GhostNetV2 架构：引入长距离注意力机制提升低成本操作，构建高
IlgCrystal的博客
09-19 902
我们选择了GhostNetV2作为主干网络的基础，这是因为GhostNetV2采用了廉价的操作来减少网络的计算量，并具备较强的特征表示能力。为了进一步增强GhostNetV2的性能，我们引入了一种新的机制，即长距离注意力机制。本文针对这两个方法进行改进，结合了GhostNetV2的长距离注意力机制，构建了更强大、端侧轻量型的骨干网络，从而打造了一个高效轻量级的目标检测器。通过引入GhostNetV2的长距离注意力机制，我们构建了一个更强大的端侧轻量级骨干网络，从而打造了高效轻量级的目标检测器。
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
 
红包 添加红包
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
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