YOLOv8/YOLOv7/YOLOv5系列算法改进[NO.14]主干网络C3替换为轻量化网络Ghostnet

本文主要是介绍YOLOv8/YOLOv7/YOLOv5系列算法改进[NO.14]主干网络C3替换为轻量化网络Ghostnet,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

 前 言

作为当前先进的深度学习目标检测算法YOLOv5,已经集合了大量的trick,但是还是有提高和改进的空间,针对具体应用场景下的检测难点,可以不同的改进方法。此后的系列文章,将重点对YOLOv5的如何改进进行详细的介绍,目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。

一、解决问题

       YOLOv5主干特征提取网络采用C3结构,带来较大的参数量,检测速度较慢,应用受限,在某些真实的应用场景如移动或者嵌入式设备,如此大而复杂的模型时难以被应用的。首先是模型过于庞大,面临着内存不足的问题,其次这些场景要求低延迟,或者说响应速度要快,想象一下自动驾驶汽车的行人检测系统如果速度很慢会发生什么可怕的事情。所以,研究小而高效的CNN模型在这些场景至关重要,至少目前是这样,尽管未来硬件也会越来越快。本文尝试将主干特征提取网络替换为更轻量的Ghostnet网络,以实现网络模型的轻量化,平衡速度和精度。

YOLOv5改进之十二:主干网络C3替换为轻量化网络ShuffleNetV2_人工智能算法工程师0301的博客-CSDN博客https://blog.csdn.net/m0_70388905/article/details/125612052YOLOv5改进之十一:主干网络C3替换为轻量化网络MobileNetV3_人工智能算法工程师0301的博客-CSDN博客https://blog.csdn.net/m0_70388905/article/details/125593267

二、基本原理

论文地址:[1911.11907] GhostNet: More Features from Cheap Operations (arxiv.org)https://arxiv.org/abs/1911.11907

Ghost模块即插即用,通过堆叠Ghost模块得出Ghost bottleneck,进而搭建轻量级神经网络——GhostNet。在ImageNet分类任务,GhostNet在相似计算量情况下Top-1正确率达75.7%,高于MobileNetV3的75.2%。

三、YOLOv7方 法

YOLOv7中已经添加了GhostSPPCSPC、GhostConv模块。

修改YOLOv7.yaml文件如下所示:

# parameters
nc: 1  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple# anchors
anchors:- [12,16, 19,36, 40,28]  # P3/8- [36,75, 76,55, 72,146]  # P4/16- [142,110, 192,243, 459,401]  # P5/32# yolov7 backbone
backbone:# [from, number, module, args][[-1, 1, GhostConv, [32, 3, 1]],  # 0[-1, 1, GhostConv, [64, 3, 2]],  # 1-P1/2      [-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [128, 3, 2]],  # 3-P2/4  [-1, 1, GhostConv, [64, 1, 1]],[-2, 1, GhostConv, [64, 1, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [256, 1, 1]],  # 11[-1, 1, MP, []],[-1, 1, GhostConv, [128, 1, 1]],[-3, 1, GhostConv, [128, 1, 1]],[-1, 1, GhostConv, [128, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 16-P3/8  [-1, 1, GhostConv, [128, 1, 1]],[-2, 1, GhostConv, [128, 1, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [512, 1, 1]],  # 24[-1, 1, MP, []],[-1, 1, GhostConv, [256, 1, 1]],[-3, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [256, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 29-P4/16  [-1, 1, GhostConv, [256, 1, 1]],[-2, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [1024, 1, 1]],  # 37[-1, 1, MP, []],[-1, 1, GhostConv, [512, 1, 1]],[-3, 1, GhostConv, [512, 1, 1]],[-1, 1, GhostConv, [512, 3, 2]],[[-1, -3], 1, Concat, [1]],  # 42-P5/32  [-1, 1, GhostConv, [256, 1, 1]],[-2, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[[-1, -3, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [1024, 1, 1]],  # 50]# yolov7 head
head:[[-1, 1, GhostSPPCSPC, [512]], # 51[-1, 1, GhostConv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[37, 1, GhostConv, [256, 1, 1]], # route backbone P4[[-1, -2], 1, Concat, [1]],[-1, 1, GhostConv, [256, 1, 1]],[-2, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [256, 1, 1]], # 63[-1, 1, GhostConv, [128, 1, 1]],[-1, 1, nn.Upsample, [None, 2, 'nearest']],[24, 1, GhostConv, [128, 1, 1]], # route backbone P3[[-1, -2], 1, Concat, [1]],[-1, 1, GhostConv, [128, 1, 1]],[-2, 1, GhostConv, [128, 1, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[-1, 1, GhostConv, [64, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [128, 1, 1]], # 75[-1, 1, MP, []],[-1, 1, GhostConv, [128, 1, 1]],[-3, 1, GhostConv, [128, 1, 1]],[-1, 1, GhostConv, [128, 3, 2]],[[-1, -3, 63], 1, Concat, [1]],[-1, 1, GhostConv, [256, 1, 1]],[-2, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[-1, 1, GhostConv, [128, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [256, 1, 1]], # 88[-1, 1, MP, []],[-1, 1, GhostConv, [256, 1, 1]],[-3, 1, GhostConv, [256, 1, 1]],[-1, 1, GhostConv, [256, 3, 2]],[[-1, -3, 51], 1, Concat, [1]],[-1, 1, GhostConv, [512, 1, 1]],[-2, 1, GhostConv, [512, 1, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[-1, 1, GhostConv, [256, 3, 1]],[[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],[-1, 1, GhostConv, [512, 1, 1]], # 101[75, 1, RepConv, [256, 3, 1]],[88, 1, RepConv, [512, 3, 1]],[101, 1, RepConv, [1024, 3, 1]],[[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)]

四、YOLOv5方 法

第一步:修改common.py,增加ghostC3模块。

class GhostBottleneck(nn.Module):# Ghost Bottleneck https://github.com/huawei-noah/ghostnetdef __init__(self, c1, c2, k=3, s=1):  # ch_in, ch_out, kernel, stridesuper().__init__()c_ = c2 // 2self.conv = nn.Sequential(GhostConv(c1, c_, 1, 1),  # pwDWConv(c_, c_, k, s, act=False) if s == 2 else nn.Identity(),  # dwGhostConv(c_, c2, 1, 1, act=False))  # pw-linearself.shortcut = nn.Sequential(DWConv(c1, c1, k, s, act=False),Conv(c1, c2, 1, 1, act=False)) if s == 2 else nn.Identity()def forward(self, x):return self.conv(x) + self.shortcut(x)
class C3Ghost(C3):# C3 module with GhostBottleneck()def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):super().__init__(c1, c2, n, shortcut, g, e)c_ = int(c2 * e)  # hidden channelsself.m = nn.Sequential(*(GhostBottleneck(c_, c_) for _ in range(n)))

第二步:将yolo.py中注册模块。

if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, SPPF, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,CoordAtt,CrossConv,C3,CTR3,C3TR,C3SPP, C3Ghost,

第三步:进行修改yaml文件

 将C3模块替换成C3Ghost即可。

结 果:本人在多个数据集上做了大量实验,针对不同的数据集效果不同,map值有所下降,但是权值模型大小降低,参数量下降。

预告一下:下一篇内容将继续分享网络轻量化方法的分享——深度可分离卷积。有兴趣的朋友可以关注一下我,有问题可以留言或者私聊我哦

PS:主干网络的替换不仅仅是适用改进YOLOv5,也可以改进其他的YOLO网络以及目标检测网络,比如YOLOv4、v3等。

最后,希望能互粉一下,做个朋友,一起学习交流。

这篇关于YOLOv8/YOLOv7/YOLOv5系列算法改进[NO.14]主干网络C3替换为轻量化网络Ghostnet的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/160137

相关文章

Python如何判断字符串中是否包含特殊字符并替换

《Python如何判断字符串中是否包含特殊字符并替换》这篇文章主要为大家详细介绍了如何使用Python实现判断字符串中是否包含特殊字符并使用空字符串替换掉,文中的示例代码讲解详细,感兴趣的小伙伴可以了... 目录python判断字符串中是否包含特殊字符方法一:使用正则表达式方法二:手动检查特定字符Pytho

Linux网络配置之网桥和虚拟网络的配置指南

《Linux网络配置之网桥和虚拟网络的配置指南》这篇文章主要为大家详细介绍了Linux中配置网桥和虚拟网络的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 一、网桥的配置在linux系统中配置一个新的网桥主要涉及以下几个步骤:1.为yum仓库做准备,安装组件epel-re

C#继承之里氏替换原则分析

《C#继承之里氏替换原则分析》:本文主要介绍C#继承之里氏替换原则,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#里氏替换原则一.概念二.语法表现三.类型检查与转换总结C#里氏替换原则一.概念里氏替换原则是面向对象设计的基本原则之一:核心思想:所有引py

python如何下载网络文件到本地指定文件夹

《python如何下载网络文件到本地指定文件夹》这篇文章主要为大家详细介绍了python如何实现下载网络文件到本地指定文件夹,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下...  在python中下载文件到本地指定文件夹可以通过以下步骤实现,使用requests库处理HTTP请求,并结合o

使用雪花算法产生id导致前端精度缺失问题解决方案

《使用雪花算法产生id导致前端精度缺失问题解决方案》雪花算法由Twitter提出,设计目的是生成唯一的、递增的ID,下面:本文主要介绍使用雪花算法产生id导致前端精度缺失问题的解决方案,文中通过代... 目录一、问题根源二、解决方案1. 全局配置Jackson序列化规则2. 实体类必须使用Long封装类3.

macOS Sequoia 15.5 发布: 改进邮件和屏幕使用时间功能

《macOSSequoia15.5发布:改进邮件和屏幕使用时间功能》经过常规Beta测试后,新的macOSSequoia15.5现已公开发布,但重要的新功能将被保留到WWDC和... MACOS Sequoia 15.5 正式发布!本次更新为 Mac 用户带来了一系列功能强化、错误修复和安全性提升,进一步增

Linux高并发场景下的网络参数调优实战指南

《Linux高并发场景下的网络参数调优实战指南》在高并发网络服务场景中,Linux内核的默认网络参数往往无法满足需求,导致性能瓶颈、连接超时甚至服务崩溃,本文基于真实案例分析,从参数解读、问题诊断到优... 目录一、问题背景:当并发连接遇上性能瓶颈1.1 案例环境1.2 初始参数分析二、深度诊断:连接状态与

Springboot实现推荐系统的协同过滤算法

《Springboot实现推荐系统的协同过滤算法》协同过滤算法是一种在推荐系统中广泛使用的算法,用于预测用户对物品(如商品、电影、音乐等)的偏好,从而实现个性化推荐,下面给大家介绍Springboot... 目录前言基本原理 算法分类 计算方法应用场景 代码实现 前言协同过滤算法(Collaborativ

慢sql提前分析预警和动态sql替换-Mybatis-SQL

《慢sql提前分析预警和动态sql替换-Mybatis-SQL》为防止慢SQL问题而开发的MyBatis组件,该组件能够在开发、测试阶段自动分析SQL语句,并在出现慢SQL问题时通过Ducc配置实现动... 目录背景解决思路开源方案调研设计方案详细设计使用方法1、引入依赖jar包2、配置组件XML3、核心配

Qt实现网络数据解析的方法总结

《Qt实现网络数据解析的方法总结》在Qt中解析网络数据通常涉及接收原始字节流,并将其转换为有意义的应用层数据,这篇文章为大家介绍了详细步骤和示例,感兴趣的小伙伴可以了解下... 目录1. 网络数据接收2. 缓冲区管理(处理粘包/拆包)3. 常见数据格式解析3.1 jsON解析3.2 XML解析3.3 自定义