【YOLO改进】换遍MMDET主干网络之MobileNetv2（基于MMYOLO）

MobileNetv2

MobileNetV2是一种专为移动和嵌入式视觉应用设计的轻量化网络结构。它在MobileNetV1的基础上引入了两个主要的创新点：反转残差结构（Inverted Residuals）和线性瓶颈层（Linear Bottlenecks）。

1. 反转残差结构：与传统的残差块结构不同，MobileNetV2的反转残差结构首先通过1×1的卷积操作增加特征通道数（即“扩张”），然后再通过一个轻量级的深度卷积（Depthwise Convolution）进行特征提取，最后通过1×1的卷积操作减少特征通道数（即“压缩”）。这种设计可以在保持模型轻量级的同时，提高特征的表征能力。
2. 线性瓶颈层：在残差块的最后一个1×1卷积之后，为了避免ReLU激活函数对特征的破坏，MobileNetV2使用了线性激活函数。这样可以更好地保留特征的信息，有助于提高模型的性能。

MobileNetV2作为YOLO主干网络的可行性分析

1. 性能优势：MobileNetV2作为一种轻量级的网络结构，具有较小的模型大小和较快的推理速度，这使得它非常适合作为实时目标检测任务中YOLO的主干网络。同时，由于其优秀的特征表征能力，MobileNetV2可以提取到丰富的图像特征信息，有助于提高目标检测的精度和效率。
2. 兼容性：YOLO算法本身是基于卷积神经网络的，而MobileNetV2也是一种基于卷积神经网络的模型。因此，将MobileNetV2作为YOLO的主干网络具有很好的兼容性。通过合理地设计