RT-DETR + MobileNetV4：轻装上阵，性能依旧强劲！

于 2025-04-22 14:46:55 发布
阅读量433 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： RT-DETR改进实战 文章标签： 人工智能 YOLOv8 YOLOv10 YOLO11 YOLO RT-DETR DETR
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/147421100

在这里插入图片描述
论文地址：https://arxiv.org/pdf/2404.10518
代码地址：https://github.com/tensorflow/models/blob/master/official/vision/modeling/backbones/mobilenet.py

文章速览

文章摘要

MobileNetV4引入了一个名为Universal Inverted Bottleneck (UIB) 的新搜索模块，这个模块融合了倒瓶颈 (Inverted Bottleneck, IB)、ConvNext、前馈网络 (Feed Forward Network, FFN) 以及一个新的Extra Depthwise (ExtraDW) 变体。此外，还提出了一个名为Mobile MQA的注意力模块，特别适用于移动加速器，能够提高39%的速度。通过优化的神经架构搜索

了解本专栏 订阅专栏 解锁全文
MobileNetV4——移动生态系统的通用模型
AI浩
04-26 3156
论文链接：https://arxiv.org/pdf/2404.10518我们推出了最新一代的MobileNets，称为MobileNetV4（MNv4），其特点是为移动设备提供普遍高效的架构设计。在核心部分，我们引入了通用倒置瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新型Extra Depthwise（ExtraDW）变体。
【轻量化】YOLOv8 更换骨干网络之 MobileNetv4 | 《号称最强轻量化网络》
YOLOv8项目贡献者
07-01 5565
号称最强轻量化网络 MobileNetv4
YOLOv8改进策略|MobileNetv4替换主干网络
m0_61698839的博客
07-08 9945
yolov8的改进策略分享|采用mobilenetv4对yolov8的主干网络进行替换
YOLOv10改进 | 主干篇 | YOLOv10引入MobileNetV4
tsg6698的博客
06-16 2330
在其核心，我们引入了通用倒瓶颈（UIB）搜索块，这是一种统一且灵活的结构，融合了倒瓶颈（IB）、ConvNext、前馈网络（FFN）和新颖的额外深度（ExtraDW）变体。Mobile MQA是MNv4的另一个关键组件，这是一个为移动加速器量身定制的注意力块，提供了超过39%的推理加速。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~
YOLOv8改进：利用MobileNetV4增强主干网络
走向CTO的路上...
07-14 2327
YOLOv8作为目前最先进的目标检测算法之一，在性能和精度方面都取得了显著进步。然而，其主干网络结构较为复杂，在部署于移动端或嵌入式设备时会遇到性能瓶颈。为了解决这一问题，本文提出了一种利用MobileNetV4增强YOLOv8主干网络的方法，以提升模型的轻量性和精度。利用 MobileNetV4 的 UIB 模块可以有效增强 YOLOv8 的主干网络，降低模型复杂度，提升模型精度，使其能够在移动端或嵌入式设备上部署使用，这对于推动目标检测技术在移动端和嵌入式设备上的应用具有重要意义。return x。
YOLOv8改进，YOLOv8改进主干网络为MobileNetV4(2024独家首发，助力涨点)
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
09-07 1890
MobileNetV4具有面向移动设备的通用高效架构设计。其核心是我们引入的通用倒置瓶颈（Universal Inverted Bottleneck，UIB）搜索块，这是一种统一且灵活的结构，融合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新型的额外深度卷积（ExtraDW）变体。论文地址论文地址本文在YOLOv8中的主干网络替换成MobileNetV4，代码已经整理好了，跟着文章复制粘贴，即可直接运行。
RT-DETR+auto-train-detect+RTDETR-run
12-21
本文章基于客户一键训练与测试需求，我使用u公司的yolov8集成的RTDETR模型改成较为保姆级的``一键``操作的训练/预测方式，也特别适合新手或想偷懒转换数据格式的朋友们。本文一键体现数据格式为图像与xml，调用train...
rt-detr目标检测+python+tensorRT推理代码
06-28
该代码实现rt-detr的部署，使用python，调用tensorRT转换后的模型，实现单张图片或者图片文件夹批量推理，代码输入图片/文件夹路径，模型路径，输出图片保存路径，运行命令python ./infer_tensorrt.py --infer_dir=....
【RT-DETR有效改进】手把手带你调参RT-DETR，1：1复现官方版本实验环境
Snu77的博客
01-29 7041
本文是带大家进行调参，利用ultralytics仓库1：1复现RT-DETR官方实验环境，从而在后期发表论文 的时候省去一些不必要的麻烦，例如被审稿人提出质疑，本文的调参内容均有依据，根据RT-DETR官方Github上发布的版本进行设置本文的调参以ResNet18为例，其余的何其的调参基本一致。RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR。
RT-DETR改进前必看 - Ultralytics调参 1：1还原RT-DETR官方版本实验环境，更方便改进
Limiiiing的博客
11-21 4363
的项目文件中集成了YOLOv3v5v6v8v9v10rt-detr11以及其中不同大小的模型结构，更方便我们学习和使用。的参数配置在路径下，其中中设置了模型在训练Train验证Val/Test预测Predict可视化Visualize导出Export超参数Hyperparameters、以及跟踪Tracker的相关参数。在调参过程中主要涉及训练Train和超参数Hyperparameters。下面主要介绍一下初始超参数Hyperparameters。
YOLOv8改进 | 主干篇 | 2024.5全新的移动端网络MobileNetV4改进YOLOv8（含MobileNetV4全部版本改进）
Snu77的博客
05-08 8775
本文给大家带来的改进机制是MobileNetV4，MobileNetV4是一种高度优化的神经网络架构，专为移动设备设计。它最新的改动总结主要有两点，采用了通用反向瓶颈（UIB）和针对移动加速器优化的Mobile MQA注意力模块（一种全新的注意力机制）。这些创新有助于在不牺牲准确性的情况下，显著提高推理速度和计算效率。MobileNetV4作为一种移动端的网络，其实它的论文中主要是配合蒸馏技术进行改进，大家可以搭配本专栏的蒸馏进行二次创新涨点。
MobileNetV4（2024 ECCV）
最新发布
朴实无华的研究生活
02-14 1150
本文介绍了MobileNetV4（MNv4），一种为移动设备设计的高效统一架构模型。MNv4引入了通用倒置瓶颈（UIB）搜索块，整合了倒置瓶颈（IB）、ConvNext、前馈网络（FFN）以及新颖的额外深度卷积（ExtraDW）变体。同时，MNv4提出了优化的神经架构搜索（NAS）方法，显著提升了搜索效率。这些改进使得MNv4在不同硬件平台如CPU、DSP、GPU和加速器上表现出几乎一致的性能，优于其他测试模型。此外，MNv4通过融合新的蒸馏技术，在保持低延迟的同时实现了高精度。
YOLOv8侦测任务更换主干网络成MobileNetV3
m0_53291740的博客
08-15 994
自己随便找一个程序跑一跑验证一下就行。
【读点论文】MobileNetV4 - Universal Models for the Mobile Ecosystem，用屋顶线探索硬件极限，提升计算效率和精度平衡点，终端友好设计
白水空空
05-07 3698
具体而言，MNv4-Conv-M模型比MobileOne-S4和FastViT-S12都快50%以上，同时在相当的延迟下，也比MobileNet V2将Top-1的准确性提高了1.5%。值得注意的是，我们使用现代训练配方增强了MobileNet系列（V1、V2、V3），从而大幅提高了准确性：MobileNet V1的准确率提高了3.4%，达到74.0%，V2的准确率增加了1.4%，达到73.4%，V3的准确率增加了0.3%，达到75.5%。FC层和DW-Conv2D在低RP下是便宜的，在高RP下是昂贵的。
主干网络篇 | YOLOv8更换主干网络之MobileNetV3
突然好想你
03-23 1705
MobileNetV3是一种轻量级的卷积神经网络架构，用于图像分类和目标检测任务。它是MobileNet系列的第三个版本，旨在在保持高准确性的同时减少模型的计算量和参数数量！~🌈
【混合轻量化】MobileNetV4 - Universal Models for the Mobile Ecosystem
热门推荐
qq_40734883的博客
05-04 1万+
MobileNetV4（MNv4）引入了通用倒置瓶颈（UIB）搜索块，这是一个统一而灵活的结构，融合了**倒置瓶颈（IB）、ConvNext、前馈网络（FFN）**和一种新颖的**额外深度卷积（ExtraDW）**变体。除了UIB，还提出了**Mobile MQA**，这是一个专为移动加速器量身定制的注意力块，提供了显著的39%加速。还介绍了一种经过优化的神经架构搜索（NAS）配方，提高了MNv4搜索的有效性。
YOLOv8改进 更换轻量化模型MobileNetV3
分享一些自己改进代码的实例
01-03 1万+
本文在yolov8的结构中更换了轻量化模型MobileNetV3，可以在移动设备和资源受限的环境下进行实时图像分类和目标检测任务，助力涨点！！！
【论文阅读】MobileNetV4 - Universal Models for the Mobile Ecosystem
Limiiiing的博客
08-08 2770
我们介绍了最新一代的 MobileNets，即 MobileNetV4（MNv4），其特点是针对移动设备的通用高效架构设计。在其核心部分，我们引入了通用反向瓶颈（UIB）搜索块，这是一种统一而灵活的结构，融合了反向瓶颈（IB）、ConvNext、前馈网络（FFN）和一种新颖的 Extra Depthwise（ExtraDW）变体。除了 UIB，我们还提出了移动 MQA，这是一个专为移动加速器定制的注意力模块，可显著提高 39% 的速度。
主干网络篇 | YOLOv5/v7 更换主干网络之 SwinTransformer | Vision Transformer using Shifted Windows
YOLOv8项目贡献者
04-13 6223
YOLOv5/v7 更换主干网络之 SwinTransformer
评论 1
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

打赏作者

迪菲赫尔曼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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