YOLOv8改进 | 2023主干篇 | 利用轻量化卷积优化PP-HGNetV2改进主干（全网独家创新）

一、本文介绍

Hello，大家好，上一篇博客我们讲了利用HGNetV2去替换YOLOv8的主干，经过结构的研究我们可以发现在HGNetV2的网络中有大量的卷积存在，所以我们可以用一种更加轻量化的卷积去优化HGNetV2从而达到更加轻量化的效果（亲测优化后的HGNetV2网络比正常HGNetV2精度更高轻量化效果更好，非常适合轻量化的读者），同时HGNetV2的网络结构目前还没有推出论文，所以其理论知识在网络上也是非常的少，我也是根据网络结构图进行了分析，给大家进行讲解网络结构原理（亲测替换之后主干GFLOPs降低到7.4，精度mAP提高0.06）。

轻量化效果：⭐⭐⭐⭐⭐

涨点效果：⭐⭐⭐⭐⭐

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备

训练结果对比图->

这次试验我用的数据集大概有七八百张照片训练了150个epochs，虽然没有完全拟合但是效果有很高的涨点幅度，所以大家可以进行尝试毕竟不同的数据集上效果也可能差很多，同时我在后面给了多种yaml文件大家可以分别进行实验来检验效果。

可以看到这个图片的mAP50和mAP50-95都有一定程度的上涨，相对于上一篇HGNetV2涨点效果更好，同时本文的结构更加轻量化。

一、本文介绍

二、HGNetV2原理讲解

2.1 HGNetV2的网络结构讲解

2.2 轻量化卷积

三、HGNetV2的代码

四、手把手教你添加HGNetV2

4.1 手把手教你添加HGNetV2

4.1.1 修改一

4.1.2 修改二

4. 2 HGNetV2-l的yaml文件(此为对比试验版本)

4.2 HGNetV2-x的yaml文件

五、运行成功记录

六、本文总结

二、HGNetV2原理讲解

论文地址：RT-DETR论文地址

本文代码来源：HGNetV2的代码来源

2.1 HGNetV2的网络结构讲解

PP-HGNet 骨干网络的整体结构如下：

其中，PP-HGNet是由多个HG-Block组成，HG-Block的细节如下：

上面的图表是PP-HGNet神经网络架构的概览，下面我对其中的每一个模块进行分析：

1. Stem层：这是网络的初始预处理层，通常包含卷积层，开始从原始输入数据中提取特征。

2. HG（层次图）块：这些块是网络的核心组件，设计用于以层次化的方式处理数据。每个HG块可能处理数据的不同抽象层次，允许网络从低级和高级特征中学习。

3. LDS（可学习的下采样）层：位于HG块之间的这些层可能执行下采样操作，减少特征图的空间维度，减少计算负载并可能增加后续层的感受野。

4. GAP（全局平均池化）：在最终分类之前，使用GAP层将特征图的空间维度减少到每个特征图一个向量，有助于提高网络对输入数据空间变换的鲁棒性。

5. 最终的卷积和全连接（FC）层：网络以一系列执行最终分类任务的层结束。这通常涉及一个卷积层（有时称为1x1卷积）来组合特征，然后是将这些特征映射到所需输出类别数量的全连接层。

这种架构的主要思想是利用层次化的方法来提取特征，其中复杂的模式可以在不同的规模和抽象层次上学习，提高网络处理复杂图像数据的能力。

这种分层和高效的处理对于图像分类等复杂任务非常有利，在这些任务中，精确预测至关重要的是在不同规模上识别复杂的模式和特征。图表还显示了HG块的扩展视图，包括多个不同滤波器大小的卷积层，以捕获多样化的特征，然后通过一个元素级相加或连接的操作（由+符号表示）在数据传递到下一层之前。

2.2 轻量化卷积

我这里利用的轻量化卷积只是官方仓库里面包含的四种，这个文章其实是给大家打开一个思路，这里的HGNet利用大量的卷积处理，所以我们能够替换其中大量的卷积从而达到优化和涨点的效果。

这几种卷积都是非常经典的了，其中RepConv只支持卷积核为3所以我也进行了一定的处理，原理就不再描述了。

三、HGNetV2的代码

这里的结构我们复制'ultralytics/nn/modules'目录下然后创建一个py文件粘贴进去即可，添加教程看章节四。

import torch
import torch.nn as nn
from .conv import GhostConv, RepConv, DWConv, Conv, LightConv

class Light_HGBlock(nn.Module):
    """
    HG_Block of PPHGNetV2 with 2 convolutions and LightConv.

    https://github.com/PaddlePaddle/PaddleDetection/blob/develop/ppdet/modeling/backbones/hgnet_v2.py
    """

    def __init__(self, c1, cm, c2, k=3, n=6, num=1, shortcut=False, act=True):
        """Initializes a CSP Bottleneck with 1 convolution using specified input and output channels."""
        super().__init__()
        block = Conv
        if num == 1:
            block = GhostConv
        elif num == 2:
            block = RepConv  # RepConv Only supported k = 3
            k = 3
        elif num == 3:
            block = DWConv
        elif num == 4:
            block = LightConv
        self.m = nn.ModuleList(block(c1 if i == 0 else cm, cm, k=k, act=act) for i in range(n))
        self.sc = Conv(c1 + n * cm, c2 // 2, 1, 1, act=act)  # squeeze conv
        self.ec = Conv(c2 // 2, c2, 1, 1, act=act)  # excitation conv
        self.add = shortcut and c1 == c2

    def forward(self, x):
        """Forward pass of a PPHGNetV2 backbone layer."""
        y = [x]
        y.extend(m(y[-1]) for m in self.m)
        y = self.ec(self.sc(torch.cat(y, 1)))
        return y + x if self.add else y

四、手把手教你添加HGNetV2

4.1 手把手教你添加HGNetV2

这里的添加方法比较特殊，和之前的都不一样，但是也很简单修改三处即可使用。

4.1.1 修改一

我们找到如下的文件'ultralytics/nn/tasks.py'，在开头的地方导入我们刚才创建文件的模块。

4.1.2 修改二

按照如下图所示添加即可

这就添加完成了，剩下的我们只需要配置yaml文件即可使用，但是使用方法有一些不同我会在下面讲一下。

4. 2 HGNetV2-l的yaml文件(此为对比试验版本)

这里有一个参数，需要大家修改，在章节2.2我说了我用了好几个卷积可以提供大家选择，所以这里分别可以有四个卷积可以给大家使用，大家可以看下面的代码。

        if num == 1:
            block = GhostConv
        elif num == 2:
            block = RepConv  # RepConv Only supported k = 3
            k = 3
        elif num == 3:
            block = DWConv
        elif num == 4:
            block = LightConv

如果我们想要使用RepConv为例，那么我们修改图中的红框位置的地方我们设置为2此时使用的就是RepConv，默认使用的是3也就是DWConv，实验结果也是这个跑出来的。

yaml文件如下大家复制粘贴即可运行。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, HGStem, [32, 48]]  # 0-P2/4
  - [-1, 6, Light_HGBlock, [48, 128, 3]]  # stage 1

  - [-1, 1, DWConv, [128, 3, 2, 1, 1]]  # 2-P3/8
  - [-1, 6, Light_HGBlock, [96, 512, 3]]   # stage 2

  - [-1, 1, DWConv, [512, 3, 2, 2, False]]  # 4-P3/16
  - [-1, 6, Light_HGBlock, [192, 1024, 5, 3, False]]  # cm, c2, k, light, shortcut
  - [-1, 6, Light_HGBlock, [192, 1024, 5, 3, True]]
  - [-1, 6, Light_HGBlock, [192, 1024, 5, 3, True]]  # stage 3

  - [-1, 1, DWConv, [1024, 3, 2, 1, False]]  # 8-P4/32
  - [-1, 6, Light_HGBlock, [384, 2048, 5, 3, False]]  # stage 4
  - [-1, 1, SPPF, [1024, 5]]  # 10

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 7], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 13

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 3], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 16 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 19 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 22 (P5/32-large)

  - [[16, 19, 22], 1, Detect, [nc]]  # Detect(P3, P4, P5)

4.2 HGNetV2-x的yaml文件

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, HGStem, [32, 64]]  # 0-P2/4
  - [-1, 6, Light_HGBlock, [64, 128, 3]]  # stage 1

  - [-1, 1, DWConv, [128, 3, 2, 1, False]]  # 2-P3/8
  - [-1, 6, Light_HGBlock, [128, 512, 3]]
  - [-1, 6, Light_HGBlock, [128, 512, 3, 3, True]]   # 4-stage 2

  - [-1, 1, DWConv, [512, 3, 2, 1, False]]  # 5-P3/16
  - [-1, 6, Light_HGBlock, [256, 1024, 5, 3, False]]  # cm, c2, k, light, shortcut
  - [-1, 6, Light_HGBlock, [256, 1024, 5, 3, True]]
  - [-1, 6, Light_HGBlock, [256, 1024, 5, 3, True]]
  - [-1, 6, Light_HGBlock, [256, 1024, 5, 3, True]]
  - [-1, 6, Light_HGBlock, [256, 1024, 5, 3, True]]  # 10-stage 3

  - [-1, 1, DWConv, [1024, 3, 2, 1, False]]  # 11-P4/32
  - [-1, 6, Light_HGBlock, [512, 2048, 5, 3, False]]
  - [-1, 6, Light_HGBlock, [512, 2048, 5, 3, True]]  # 13-stage 4
  - [-1, 1, SPPF, [1024, 5]]  # 14

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 15
  - [[-1, 10], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 16

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 19 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 16], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 22 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 14], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 25 (P5/32-large)

  - [[19, 22, 25], 1, Detect, [nc]]  # Detect(P3, P4, P5)

五、运行成功记录

下面的图片是证明成功运行的截图，确保我发的改进机制是可用的。

六、本文总结

到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~