YOLOv8v10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV3(轻量化主干网络结构--在移动分类、检测和分割任务上的表现很好，快拿去跑实验吧)

已于 2025-08-10 20:25:57 修改
阅读量587 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLOv8v10有效涨点创新改进+永久更新中 文章标签： YOLO 深度学习 计算机视觉 人工智能 目标检测
于 2024-09-09 16:04:38 首次发布
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.csdn.net/qq_45972324/article/details/142059422

YOLOv8v10专栏限时订阅链接：YOLOv8v10创新改进高效涨点+永久更新中（至少500+改进）+高效跑实验发论文

目录

一、MobileNetV3网络介绍

MobileNetV3网络介绍如下

MobileNetV3的创新点如下

MobileNetV3网络结构图

二、MobileNetV3的核心代码

 三、手把手教你添加MobileNetV3网络结构和修改task.py文件

1.首先在yolov10/ultralytics/nn/newsAddmodules创建一个.py文件

2.在yolov10/ultralytics/nn/newsAddmodules/__init__.py中引用

3.修改task.py文件 ：在task.py中找到这个参数方法 def parse_model(d, ch, verbose=True):

关键步骤一：

关键步骤二：

关键步骤三：

关键步骤四：

关键步骤五：

四、创建涨点yaml配置文件

修改一 : yolov10n_MobileNetV3.yaml

更换主干Backbone之MobileNetV3正常运行：

五、本文总结

一、MobileNetV3网络介绍

 

摘要：我们提出了基于互补搜索技术以及新颖架构设计组合的下一代 MobileNets。MobileNetV3 通过硬件感知网络架构搜索 （NAS） 与 NetAdapt 算法相结合，针对手机 CPU 进行调优，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。通过此过程，我们创建了两

了解本专栏 订阅专栏 解锁全文
mobilenetV3
kingrain213的专栏
06-05 982
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...
YOLOv8v10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV4(轻量化主干网络结构-2024年最新的移动端网络)
Ai缝合怪、助力小伙伴高效发论文
09-09 1008
我们推出了最新一代的 MobileNet，称为 MobileNetV4 （MNv4），具有适用于移动设备的通用高效架构设计。我们的核心是引入了通用反向瓶颈 （UIB） 搜索块，这是一种统一且灵活的结构，它融合了反向瓶颈 （IB）、ConvNext、前馈网络 （FFN） 和新颖的 Extra Depthwise （ExtraDW） 变体。除了 UIB，我们还推出了 Mobile MQA，这是一个为移动加速器量身定制的注意力块，可提供 39% 的显著加速。
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....
【使用自己的数据集】MobileNet V3 模型准备与模型训练
2501_92015334的博客
06-30 959
MobileNetV3是一个轻量级图像分类模型，其架构包含起始卷积层、中间MobileBlock模块和最终分类层。模型采用通道分离卷积和SE注意力机制实现高效计算，支持Large和Small两种配置。实验使用板球/足球/棒球数据集，通过固定输入尺寸(400×400)、冻结预训练参数和微调全连接层进行训练。结果显示该模型在保持精度的同时具有较高的推理速度，适用于移动端部署。推理阶段通过加载训练好的模型对输入图片进行分类预测。
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。
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
B站 Ai学术叫叫兽的文案地
09-14 5904
YOLOv8最新改进系列：主干网络改进-YOLOv8+EfficientNetV2，引入渐进式学习策略、自适应正则强度调整机制，提升模型检测效果！
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。
YOLOv8v10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
Ai缝合怪、助力小伙伴高效发论文
09-09 714
在本文中，我们介绍了一种新的移动架构 MobileNetV2，它提高了移动模型在多个任务和基准测试以及各种不同模型大小的最先进的性能。我们还描述了在我们称为 SSDLite 的新框架中将这些移动模型应用于对象检测的有效方法。此外，我们还演示了如何通过简化的 DeepLabv3 构建移动语义分割模型，我们称之为 Mobile DeepLabv3。基于倒置残差结构，其中快捷方式连接位于薄瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性的来源。
YOLOv10改进 | 主干替换篇 | YOLOv10 更换主干Backbone之MobileNetV1(轻量化主干网络结构)
Ai缝合怪、助力小伙伴高效发论文
09-09 383
摘要：我们提出了一类用于移动和嵌入式视觉应用的高效模型，称为 MobileNets。MobileNets 基于一种简化的架构，该架构使用深度可分离卷积来构建轻量级深度神经网络。我们介绍了两个简单的全局超参数，它们可以在延迟和准确性之间进行有效权衡。这些超参数允许模型构建者根据问题的约束为其应用程序选择大小合适的模型。我们提出了关于资源和准确性权衡的广泛实验，并显示出与 ImageNet 分类的其他流行模型相比的强大性能。
YOLOv11涨点改进 | 主干改进篇 | YOLOv11更换主干Backbone之MobileNetV1(轻量化主干网络结构)
最新发布
Ai缝合怪、助力小伙伴高效发论文
08-15 33
本文提出了一种基于MobileNetV1优化YOLOv11模型主干网络的方法。MobileNetV1采用深度可分离卷积架构，显著降低了计算量和参数量，同时保持良好的性能表现。文章详细介绍了MobileNetV1的网络结构、核心代码实现，并提供了将MobileNetV1集成到YOLOv11中的具体步骤，包括模块添加、配置文件修改等关键操作。该方法通过引入宽度乘数和分辨率乘数两个超参数，实现了模型精度与计算效率的灵活平衡，适用于移动端和嵌入式设备的视觉应用场景。实验表明，该优化方案能够有效提升YOLOv11性能
计算机视觉基础｜轻量化网络设计：MobileNetV3
紫雾凌寒
02-24 4180
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。
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。
【笔记整理】轻量级神经网络 MobileNetV3
qq_33934427的博客
05-29 3885
【笔记整理】轻量级神经网络 MobileNetV3
MobileNet V3(2019)
weixin_62848630的博客
04-11 3167
创新点 1.引入SE结构 MobileNetV3 的另一个新颖想法是在核心架构中加入一种名为「Squeeze-and-Excitation」的神经网络（简称 SE-Net，也是 ImageNet 2017 图像分类冠军）。具体而言，就是通过学习来自动获取到每个特征通道的重要程度，然后依照这一结果去提升有用的特征并抑制对当前任务用处不大的特征。 MobileNet V2的bottlenet结构 MobileNet V3的block结构，即在V2的bottlenet结构中加入了SE结构，并且放在了d
YOLOv8改进 | 主干篇 | 添加FasterNeT跑起来的主干网络（提高FPS和检测效率）
Snu77的博客
01-02 6860
本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提供多种版本，大家可以在源代码中进行修改版本的使用。本文通过介绍其主要框架原理，然后教大家如何添加该网络结构到网络模型中。
MobileNetV3：轻量级深度学习网络的新突破
ciweic的博客
12-19 1854
MobileNetV3作为轻量级深度学习网络的最新进展，凭借其高效的计算能力和灵活的应用场景，正在推动深度学习技术在移动设备和嵌入式系统中的广泛应用。通过结合硬激活函数、Squeeze-and-Excitation模块、深度可分离卷积等创新设计，MobileNetV3在性能和效率之间找到了良好的平衡。随着技术的不断进步，MobileNetV3的应用前景将更加广阔，成为未来深度学习领域的重要组成部分。
Searching for MobileNetV3
seniusen的博客
12-16 420
1. 摘要 基于网络架构搜索和 NetAdapt 算法，作者提出了新一代的 MobileNets，并通过一些先进的结构对其进行了改进。 作者发布了两个模型 MobileNetV3-Large 和 MobileNetV3-Small 分别应用于资源较多和较少的场景，这些模型也可以被调整并应用到目标检测和语义分割等其它领域。 2. 高效的网络构建块 MobileNetV1 引入了深度可分离卷积...
MobileNetV3 模型
weixin_56005867的博客
04-20 3351
mobilenetv3网络特点及主干 (1)使用mobilenetv3模型的优势： 1 .添加了Squeeze-and-Excitation 结构在，通过训练的过程中自行分配权重在 feature map上，从而达到更好的效果。 2 .其次，Nonlinearities在非线性激活这块采用了h-wish在层数较深的那基层中， 也就是基于ReLU6的修改版。 3.与v2相比，相对减少在最后，在7×7avgpool之前的channel数，在不太大影响 accuracy的同时，精简了支出。 4 ...
yolo替换Ghostnetv3主干网络
03-26
GhostNetV3 是一种轻量化网络，通过长距离注意力机制增强特征表达能力，需确保其输出特征图的分辨率和通道数与原 YOLO 主干对齐。 --- #### **步骤 2：主干网络替换实现** 1. **代码修改核心点** - **替换模块*...
评论
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