YOLO11涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020

已于 2024-10-20 15:57:55 修改
阅读量610 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： YOLO11魔术师 文章标签： 华为 人工智能 深度学习 YOLO 机器学习 算法
于 2024-10-10 13:56:10 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/m0_63774211/article/details/142819437

💡💡💡创新点：1)引入了一个新的 Ghost 模块，通过使用更少的参数来生成更多的特征;  2)基于 Ghost 模块，建立了一个高效的神经架构，即 GhostNet。

💡💡💡Ghostnet、G_ghost、Ghostnetv2性能比较

layers  parameters GFLOPs
yolo11n 319 2,591,010 6.4
YOLO11n-C3k2_GhostBottleneck 384 2,509,122 5.9
YOLO11n-C3k2_GhostBottleneckV2 394 2,509,122 5.9
YOLO11n-C3k2_g_ghostBottleneck 324 2,520,034 6 
YOLO11 summary: 319 la
了解本专栏 订阅专栏 解锁全文
YOLOv12源码分析+如何训练自己的数据集（NEU-DET缺陷检测为案列）
02-25 1683
本文内容：YOLOv12创新点A2C2f和Area Attention结构分析，以及如何训练自己的私有数据集
YOLO11涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22
10-10 474
捕捉空间信息的能力很弱，这可能会妨碍性能的进一步提高,GhostNetV2 是 GhostNet 的增强版本
YOLO11改进-Backbone-引入ShuffleNet v1替换backbone，实现轻量化
qq_64693987的博客
04-21 843
逐点分组卷积（Pointwise Group Convolution）：为降低 1×1 卷积的计算复杂度，在 1×1 层应用分组卷积，使每个卷积仅在相应输入通道组上操作，减少计算量。通道混洗（Channel Shuffle）：分组卷积虽减少计算量，但会导致信息在通道组间流动受限。通道混洗操作通过重新排列通道，使后续卷积层能从不同组获取输入数据，增强信息交流。具体实现是将卷积层输出通道维度重塑、转置后再展平作为下一层输入，且该操作可微，能用于端到端训练。
YOLO11 旋转目标检测| | TensorRT量化加速
最新发布
u011660055的博客
06-17 213
2.创建校准器 Int8EntropyCalibrator2。1.转换onnx模型，同 之前推理部分介绍。
YOLO11改进 | 注意力机制 | 添加SE注意力机制
kay_545
10-16 3231
yolov11，yolo11改进
YOLOv11改进 | 主干/Backbone篇 | 利用目标检测轻量化网络MobileNetV2替换Backbone（yolov11系列全系轻量化）
Snu77的博客
10-31 2163
本文给大家带来的改进机制是，其是专为移动和嵌入式视觉应用设计的轻量化网络结构。其在MobilNetV1的基础上采用反转残差结构和线性瓶颈层。这种结构通过轻量级的深度卷积和线性卷积过滤特征，同时去除狭窄层中的非线性，以维持表征能力。MobileNetV2在性能上和精度上都要比V1版本强很多，其在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中都展现了一定的有效性。YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备目录一、本文介绍二、MobileNetV2的框架原理。
YOLOv11改进策略【模型轻量化】| 替换轻量化骨干网络：ShuffleNet V1
Limiiiing的博客
10-31 681
本文记录的是基于ShuffleNet V1的YOLOv11轻量化改进方法研究。ShuffleNet利用和操作降低计算成本，克服了现有先进架构在极小网络中因 1×1 卷积计算成本高而效率低的问题。相比一些传统的网络架构，能更好地。本文配置了原论文中和四种模型，以满足不同的需求。
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
Limiiiing的博客
10-20 1849
本文记录的是基于RepVit的YOLOv11轻量化改进方法研究。RepVit的网络结构借鉴ViT的设计理念，通过分离的token mixe和减少推理时的计算和内存成本，同时减少扩展比率并增加宽度，降低延迟，并通过来弥补参数大幅减少的问题，提高了准确性。本文在替换骨干网络中配置了原论文中的和五种模型，以满足不同的需求。
YOLOv11改进策略【模型轻量化】| 替换华为的极简主义骨干网络：VanillaNet
Limiiiing的博客
10-28 1118
本文记录的是基于VanillaNet的YOLOv11轻量化改进方法研究。VanillaNet的极简主义在于无 shortcut 连接，并且在网络的每个阶段仅使用一层卷积，无额外复杂模块，仅通过自身简洁的架构设计和训练策略，实现有效地训练和优化。本文在替换骨干网络中配置了原论文中的、和11种模型，以满足不同的需求。
YOLOv12涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（二）：华为Ghostnetv2，端侧小模型性能新SOTA | NeurIPS22
03-01 159
华为Ghostnetv2，端侧小模型性能新SOTA
YOLOv12涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
03-01 166
华为Ghostnet，超越谷歌MobileNet | CVPR2020
YOLO11涨点优化：轻量化改进 | Ghostnet、G_ghost、Ghostnetv2家族大作战（三）：华为GhostNet再升级，全系列硬件上最优极简AI网络G_ghost | IJCV22
10-10 458
G_ghost---华为诺亚的研究者针对GPU等设备的特点，巧妙引入跨层的廉价操作，减少计算量的同时减少的内存数据搬运，基于此设计了GPU版GhostNet。
YOLOv11改进策略【模型轻量化】| EMO：ICCV 2023，结构简洁的轻量化自注意力模型
Limiiiing的博客
01-17 733
EMO模型旨在为移动应用设计高效的基于注意力的轻量级模型，在多个视觉任务上取得了优异的性能。
YOLO11改进-Backbone-引入ShuffleNet v2替换backbone，实现轻量化
qq_64693987的博客
04-21 1905
ShuffleNet V2 的原理基于对传统计算复杂度指标 FLOPs 局限性的认识，提出应使用直接指标（如速度）并在目标平台进行评估。通过分析 ShuffleNet v1 和 MobileNet v2 的运行时性能，得出四条实用设计准则：相等通道宽度可最小化内存访问成本，过度组卷积会增加成本，网络碎片化降低并行度，元素 - wise 操作不可忽视。ShuffleNet V2 依此进行设计，引入通道分割，优化卷积和连接方式，减少元素 - wise 操作，既提升模型容量，又提高效率，实现速度和精度的良好平衡。
YOLOv11 模型量化综述
old_power的博客
01-23 1658
YOLOv11 是 Ultralytics 推出的最新目标检测模型，具有更高的精度和更少的参数量，适用于多种计算机视觉任务。模型量化是优化 YOLOv11 推理速度和减少资源占用的关键技术之一。以下是关于 YOLOv11 模型量化的详细解读和方法总结：
【YOLO11改进 - 检测头】Detect_LSCD检测头:量化的检测头，进一步提升模型的检测效率和精度
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。
11-08 2550
【YOLO11改进 - 检测头】Detect_LSCD检测头:量化的检测头，进一步提升模型的检测效率和精度
YOLOv11改进 | 主干/Backbone篇 | 利用轻量化目标检测网络MobileNetV3替换Backbone（yolov11全系列轻量化）
Snu77的博客
10-31 2042
本文给大家带来的改进机制是，其主要改进思想集中在结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，以优化移动设备CPU上的性能。它采用了新颖的架构设计，包括反转残差结构和线性瓶颈层，以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling（LR-ASPP），以提升在移动分类、检测和分割任务上的表现。实验表明，MobileNets在资源和准确性的权衡方面表现出色，并在多种应用（如对象检测、细粒度分类、面部属性识别和大规模地理定位）中展现了其有效性。
YOLO11涨点优化：卷积魔改 | 轻量化改进 | 分布移位卷积（DSConv）,提高卷积层的内存效率和速度
10-10 843
计算量比较，原始YOLOv11n为6.4 GFLOPs，改进后的为4.7GFLOPs
YOLO11改进 | 卷积模块 | 轻量化GSConv替换普通的conv
kay_545
10-05 2702
yolo11，GSConv，卷积模块
yolov5ghostnet
10-12
这是两个不同的概念，YOLOv5是一种目标检测算法，GhostNet是一种轻量级的卷积神经网络模型。 YOLOv5是YOLO系列目标检测算法的最新版本，其主要特点是快速、精度高、轻量化和易用性强。YOLOv5采用了一种称为CSP（cross stage partial network）的结构，在保证速度和准确性的同时，大幅度减少了模型参数和计算量。 GhostNet是由华为提出的一种轻量级卷积神经网络模型，其主要特点是模型轻量化、准确性高和泛化能力强。GhostNet采用了一种叫做Ghost模块的结构，可以有效地降低模型参数和计算量，同时不影响模型的准确性。
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

打赏作者

AI小怪兽

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