主干网络篇 | YOLOv8 更换主干网络之 GhostNetV2 | 《GhostNetV2：利用长距离注意力增强廉价操作》

已于 2023-10-18 22:49:27 修改
阅读量6k 收藏 15
点赞数 10
CC 4.0 BY-SA版权
分类专栏： YOLOv8改进实战🚀 文章标签： YOLO 网络 深度学习
于 2023-04-21 01:55:38 首次发布
原创文章为博主个人所有，未经授权不得转载、摘编、传播、倒卖、洗稿或利用其它方式使用上述作品。违反上述声明者，本站将追求其相关法律责任。
本文链接：https://blog.csdn.net/weixin_43694096/article/details/130279275
本文介绍了如何在YOLOv8中使用GhostNetV2作为主干网络，GhostNetV2通过DFC注意力机制增强局部和长距离信息的融合，提升了轻量级网络在检测、分割等任务上的性能。GhostNetV2在保持高效运算的同时，相比GhostNetV1在ImageNet上达到更高的Top-1准确率。替换步骤包括创建新文件、导入代码、更新配置文件及主干网络构建。

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

《GhostNetV2：Enhance Cheap Operation with Long-Range Attention》

在这里插入图片描述

轻量级卷积神经网络（CNN）是专门为在移动设备上具有更快推理速度的应用而设计的。卷积操作只能捕捉窗口区域内的局部信息，这防止了性能的进一步提高。将自注意力引入卷积可以很好地捕捉全局信息，但这将大大拖累实际速度。本文提出了一种硬件友好的注意力机制（称为DFC注意力），并提出了一种适用于移动应用的新GhostNetV2架构。所提出的DFC注意力是基于全连接层构建的，不仅可以在通用硬件上快速执行，而且还可以捕捉长距离像素之间的依赖关系。我们进一步重新审视了先前GhostNet中的表现瓶颈，并建议使用DFC注意力增强由廉价操作产生的扩展特征，以便GhostNetV2块可以同时聚合局部和长距离信息。广泛的实验表明GhostNetV2优于现有架构。例如，它在ImageNet上实现了75.3％的Top-1准确率，FLOPs为167M，显着抑制了具有类似计算成本的GhostNetV1&

了解本专栏 订阅专栏 解锁全文
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 1212
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。
YOLOv8主干网络升级篇：使用GhostNetV2增强模型性能
带你成为别人眼中的大佬！
06-02 1842
通过使用GhostModule（一种特殊的卷积模块）和GhostBottleneckBlock（一种轻量级的残差块），GhostNetV2可以减少网络参数，节约存储空间，并在保持高准确率的同时实现快速推理。最终，我们将GhostNetV2主干网络嵌入到YOLOv8中，并进行训练和测试，在COCO数据集上达到了比DarkNet53更好的性能表现，同时计算成本也得到了明显降低。综上所述，本篇文章介绍了如何在YOLOv8中使用GhostNetV2主干网络，以进一步提升目标检测模型的性能。
YOLOv8主干网络改进实战 | 把Backbone换成轻量级的ShuffleNetv2【原理 + 教程 】
最新发布
weixin_43199439的博客
05-17 51
YOLOv8虽然强，但默认主干还是偏重；如果想部署到边缘设备（树莓派、TX2、嵌入式板子），FPS直接拉胯；做科研项目，能省参数就省，能快一点就快一点，哪怕mAP掉一点点也值！这时候，咱们就可以动手给YOLOv8换一套轻装上阵的骨架！！✅ 为什么要换 YOLOv8 主干网络✅ ShuffleNetv2 的核心原理✅ 完整代码 + YAML 配置改法✅ 真实部署实测对比📮🔧 帮你改 YOLOv8 的PAN结构📉 自动记录每轮FPS + mAP + 参数量的训练脚本。
【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量
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。
07-15 2541
卷积神经网络（ConvNets）通常在固定的资源预算下开发，如果有更多资源可用，则会进行扩展以提高准确性。在本文中，我们系统地研究了模型扩展，并发现仔细平衡网络的深度、宽度和分辨率可以带来更好的性能。基于这一观察，我们提出了一种新的扩展方法，使用一个简单但非常有效的复合系数均匀扩展深度、宽度和分辨率的所有维度。我们展示了这种方法在扩展MobileNets和ResNet时的有效性。
YOLOv8 更换主干网络之 ShuffleNetv2：轻量级目标检测的未来
一直在水些技术小文
09-20 1011
本文将深入研究 ShuffleNetv2 的核心概念，探讨其在 YOLOv8 中的应用，并提供示例代码和实际操作指南，帮助读者更好地理解和应用这一技术。YOLOv8 作为 YOLO 系列的最新版本，引入了 ShuffleNetv2 作为主干网络，以实现更高的性能和更低的计算复杂度。：ShuffleNetv2 与 YOLOv8 的检测头（Detection Head）结合，将提取的特征与预测边界框的信息进行融合，以生成最终的目标检测结果。：收集和准备你的目标检测数据集，确保它包含了你关注的目标类别。
主干网络篇 | YOLOv8 更换骨干网络之 MobileNetV3 | 《搜寻 MobileNetV3》
YOLOv8项目贡献者
04-21 8498
YOLOv8 更换骨干网络之 MobileNetV3 手把手教程
【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码)
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。
02-19 6771
轻量级卷积神经网络（CNNs）专为移动设备上的应用而设计，具有更快的推理速度。卷积操作只能捕获窗口区域内的局部信息，这限制了性能的进一步提升。将自注意力引入到卷积中可以很好地捕获全局信息，但这将大大增加实际速度的负担。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），然后为移动应用呈现了一个新的GhostNetV2架构。所提出的DFC注意力基于全连接层构建，不仅可以在常见硬件上快速执行，还能捕获长距离像素之间的依赖关系。
芒果YOLOv10改进39：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
06-10 123
YOLOv10改进：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
芒果YOLOv12改进60：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
04-11 62
芒果YOLOv12改进60：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
芒果YOLOv8改进52：主干Backbone篇之GhostNetV2：提出原创GhostNetV2 架构升级版：引入长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干，打造高效轻量级检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
10-31 1257
长距离注意力机制增强廉价操作，打造轻量级检测器
【YOLOv8】YOLOv8改进系列（8）----替换主干网络之Swin Transformer
熬夜秃顶中......
03-18 2960
YOLOv8改进系列（8）----替换主干网络之Swin Transformer
YOLOv8 更换主干网络之 VanillaNet
一直在水些技术小文
09-20 1041
YOLOv8 是 YOLO 系列的最新版本，它借鉴了 YOLOv4 和 YOLOv5 的优点，融合了更快的速度和更好的性能。与其它 YOLO 版本相比，YOLOv8 在 GPU 和 CPU 上均表现出色，适用于多种硬件平台。
yolov8改进|替换主干网络为MobileNetV3
weixin_44379985的博客
10-14 592
MobileNetV3 通过硬件感知网络架构搜索 （NAS） 与 NetAdapt 算法相结合，然后通过新颖的架构进步进行改进。本文开始探索自动搜索算法和网络设计如何协同工作，以利用互补方法提高整体技术水平。本文的目标是开发最佳的移动计算机视觉架构，优化移动设备上的 accuracy-latency 权衡。引入了 （1） 互补搜索技术，（2） 适用于移动设置的新有效非线性版本，（3） 新的高效网络设计，（4） 新的高效分割解码器。
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 1809
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。
YOLOv8改进，YOLOv8添加MLCA注意力机制(混合局部信道注意)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-22 1286
MLCA是一种即插即用的可扩展混合局部注意力机制，以在检测效果、速度和模型参数数量之间实现平衡，并使注意力机制同时包含通道信息、空间信息、局部通道信息和全局通道信息。
YOLOv8改进，YOLOv8改进主干网络为GhostNetV2（华为的轻量化架构）
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-30 1070
一种用于移动应用的新 GhostNetV2 架构。提出的 DFC 注意力基于全连接层构建，不仅能在常见硬件上快速执行，还能捕捉远距离像素之间的依赖关系。作者进一步重新审视了之前 GhostNet 中的表达瓶颈，并提出通过 DFC 注意力增强由廉价操作生成的扩展特征，使得 GhostNetV2 块能够同时聚合局部和远距离信息。
【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，降低参数量！
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。
07-15 2347
视觉识别的“咆哮20年代”开始于视觉Transformer（ViTs）的引入，ViTs迅速取代了卷积神经网络（ConvNets）成为最先进的图像分类模型。然而，普通的ViT在应用于诸如目标检测和语义分割等一般计算机视觉任务时面临困难。分层Transformer（例如Swin Transformer）重新引入了几种ConvNet先验知识，使得Transformer在实际应用中成为通用的视觉骨干，并在各种视觉任务中表现出色。
【YOLOv8】YOLOv8改进系列（3）----替换主干网络之ConvNeXt V2
熬夜秃顶中......
02-25 4165
YOLOv8改进系列（3）----替换主干网络之ConvNeXt V2
最新改进YOLOv8系列：YOLOv8改进ShuffleNetV2，有效涨点！
B站 Ai学术叫叫兽的文案地
09-04 8241
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:ShuffleNetV1结构的问题：如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
主干网络篇 | yolov8 更换主干网络之 fasternet | 《ran, don‘t walk: 追求更高
09-28
fasternet是YOLOv8中的主干网络更换方案之一。YOLOv8是目标检测算法YOLO系列的最新版本，它在YOLOv3的基础上进行了一些改进和优化。 传统的YOLOv3主干网络采用的是Darknet53，这是一个由53个卷积层组成的卷积神经网络。虽然Darknet53在一定程度上能够提取出图像的特征信息，但是它的计算量较大，速度较慢。 为了进一步提高YOLOv8的检测速度，研究者们提出了fasternet作为新的主干网络方案。fasternet是一种轻量级的卷积神经网络，它采用了一种称为Focus module的结构。 Focus module有两个主要的特点。首先，它将输入图像分为四个部分，并在每个部分上进行卷积操作，这样可以捕捉到不同尺度的特征。其次，Focus module使用了一个更小的卷积核来代替传统的大卷积核，这样可以减少参数量，加快计算速度。 相比于Darknet53，fasternet在保证检测性能的同时，减小了网络规模，从而提高了检测速度。实验结果表明，使用fasternet作为YOLOv8的主干网络可以获得与之前版本相当的准确率，在速度上有了大幅度的提升。 总之，fasternet是YOLOv8中一种更为轻量级的主干网络，它通过优化网络结构和参数量，提高了目标检测算法的实时性和计算效率。这一改进使得YOLOv8能够在更高的速度下对图像中的目标进行快速、准确地检测，为目标检测技术的发展追求更高的水平。
评论 34
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