主干网络篇 | YOLOv5/v7 更换骨干网络之 MobileNetV3 | 基于神经网络搜索的轻量级网络

迪菲赫尔曼

已于 2024-02-07 13:11:59 修改

阅读量1.6w

点赞数 23

CC 4.0 BY-SA版权

分类专栏： YOLOv5/v7改进实战文章标签：深度学习人工智能

于 2023-01-02 17:19:45 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/128522041

YOLOv5/v7改进实战专栏收录该内容

51 篇文章 ¥99.90 ¥299.90

订阅专栏

本文介绍了如何在YOLOv5和YOLOv7中集成MobileNetV3作为主干网络，包括MobileNetV3的结构特点、性能提升，以及在目标检测和语义分割任务中的应用。提供了详细的源代码添加步骤和模型配置文件。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

论文地址：https://arxiv.org/abs/1905.02244
代码地址：https://github.com/xiaolai-sqlai/mobilenetv3

我们展示了基于互补搜索技术和新颖架构设计相结合的下一代 MobileNets。MobileNetV3通过结合硬件感知网络架构搜索（NAS）和 NetAdapt算法对移动设计如何协同工作，利用互补的方法来提高移动端CPU推理整体水平。通过这个过程，创建了两个新的发布的 MobileNet模型：MobileNetV3-Large 和 MobileNetV3-Small，分别针对高资源和低资源用例。然后将这些模型应用于目标检测和语义分割。针对语义分割（或任何密集像素预测）任务，提出了一种新的高效分割解码器 Lite reduce Atrous Spatial Pyramid Pooling（LR-ASPP）。实现了移动端分类，检测和分割的最新SOTA成果。与 MobileNetV2 相比，MobileNetV3-Large 在 ImageNet 分类上的准确率提高了 3.2%，同时延迟降低了 20%。与 MobileNetV2 相比，MobileNetV3-Small 的准确率高 6.6%，同时延迟相当。 MobileNetV3-Large 检测速度比 MobileNetV2 快 25%，在COCO检测上的精度大致相等。MobileNetV3-Large LR-ASPP 的速度比 MobileNetV2 R-ASPP 快 30%，在 Cityscapes segmentation分割数据集上，MobileNetV3-Large LR-ASPP 比 MobileNet V2 R-ASPP 快 34%。

文章目录

了解本专栏