改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF

绿色为ASFF_Head，浅蓝色Decoupled_Head，深蓝色是第三步加的_initialize_dh_biases方法后的效果。

参数量与计算量对比

模型	参数量 parameters	计算量GFLOPs
yolov5s_Head	7235389	16.5
ASFF_Head	12674847	25.0
Decoupled_Head	8928697	22.0

结构图

本篇介绍的这个Decouple_Head和YOLOX的头结构几乎相同，但这次的添加方式和我蓝皮书介绍的那篇是不同的，而且这个头优化的比较好，所以参数量和计算量都下降了，效果有可能和YOLOX的头有差距，。

改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF_Head相关推荐

改进YOLO系列 | ICLR2022 | OMNI-DIMENSIONAL DYNAMIC CONVOLUTION: 全维动态卷积
单个静态卷积核是现代卷积神经网络(CNNs)的常见训练范式.然而,最近的动态卷积研究表明,学习加权为其输入依赖注意力的n个卷积核的线性组合可以显著提高轻量级CNNs的准确性,同时保持高效的推理.然而, ...
【3D视觉创新应用竞赛作品系列】轻量化、松耦合的手持RGB-D室内环境实时重建系统
作者||陈钧涛编辑||3D视觉开发者社区 ✨如果觉得文章内容不错,别忘了三连支持下哦
改进YOLO系列 | YOLOv5/v7 更换骨干网络之 MobileNeXt
重新思考瓶颈结构以实现高效移动网络设计倒置残差块成为了移动网络架构设计的主流.它通过引入学习倒置残差和使用线性瓶颈的两个设计规则,改变了经典的残差瓶颈.在本文中,我们重新思考了这种设计改变的必要性, ...
CNN结构演变总结（二）轻量化模型
CNN结构演变总结(一)经典模型导言: 上一篇介绍了经典模型中的结构演变,介绍了设计原理,作用,效果等.在本文,将对轻量化模型进行总结分析. 轻量化模型主要围绕减少计算量,减少参数,降低实际运行时间 ...
轻量化网络：SqueezeNext
<SqueezeNext: Hardware-Aware Neural Network Design> 于2018年3月公开在arXiv(美[ˈɑ:rkaɪv]) :https://arx ...
[YOLOv7/YOLOv5系列算法改进NO.21]CNN+Transformer——主干网络替换为又快又强的轻量化主干EfficientFormer
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YOLOv ...
YOLO目标检测算法轻量化改进的过程记录
一.前言本文主要记录了在毕设期间关于将目标检测算法部署至嵌入式设备(jetson nano)上的过程及对YOLO算法轻量化及精度提升的一些修改策略(改的并不多,基本都是重复组合,毕竟我是个菜鸡). ...
CSL-YOLO | 超越Tiny-YOLO V4，全新设计轻量化YOLO模型实现边缘实时检测！！！
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达本文提出了一种新的轻量级卷积方法Cross-Stage Lightweight(CSL)模块,从简单的 ...
YOLO系列模型改进指南
YOLO系列模型改进指南目前包含yolov5,yolov7,yolov8模型的众多改进方案(都是B站视频教学和附带源码),效果因数据集和参数而定,仅供参考. 如果需要改进模型,建议baseline和 ...

改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF_Head

参数量与计算量对比

结构图

改进YOLO系列 | 添加轻量化Decouple_Head 和 ASFF_Head相关推荐

最新文章

热门文章