YOLOv8改进涨点，添加GSConv+Slim Neck，有效提升目标检测效果，代码改进（超详细）

目录

摘要

 主要想法

GSConv

GSConv代码实现 

 slim-neck

  slim-neck代码实现

yaml文件

完整代码分享

总结

摘要

目标检测是计算机视觉中重要的下游任务。对于车载边缘计算平台来说，巨大的模型很难达到实时检测的要求。而且，由大量深度可分离卷积层构建的轻量级模型无法达到足够的精度。我们引入了一种新的轻量级卷积技术 GSConv，以减轻模型重量但保持准确性。 GSConv 在模型的准确性和速度之间实现了出色的权衡。并且，我们提供了一种设计范例，细颈，以实现探测器更高的计算成本效益。我们的方法的有效性在二十多组比较实验中得到了强有力的证明。特别是，与原始检测器相比，通过我们的方法改进的检测器获得了最先进的结果（例如，在公开数据集的Tesla T4 GPU 上以100FPS 的速度获得 70.9% mAP0.5）。

 主要想法

生物大脑处理信息的强大能力和低能耗远远超出了计算机。简单地无休止地增加模型参数的数量并不能建立强大的模型。轻量化设计可以有效缓解现阶段高昂的计算成本。这个目的主要是通过深度可分离卷积（DSC）运算来减少参数量和浮点运算（FLOP）来实现的，效果很明显。然而DSC的缺点也很明显：在计算过程中输入图像的通道信息被分离。这一缺陷导致 DSC 的特征提取和融合能力比标准卷积 (SC) 低得多。

 SC（左） 和 DSC（右） 的计算过程。 SC是通道密集卷积计算，DSC是通道稀疏卷积计算。

GSConv

尽管DSC有一定的优点，但DSC 的缺陷在主干中直接被放大，无论是用于图像分类还是检测。我们相信SC和DSC可以合作。我们注意到，仅通过混洗 DSC 输出通道生成的特征图仍然是“深度分离”。为了使DSC的输出尽可能接近SC，我们引入了一种新方法——SC、DSC和shuffle的混合卷积，命名为GSConv。如图所示，我们使用shuffle将SC（通道密集卷积运算）生成的信息渗透到DSC生成的信息的每个部分中。shuffle是一种统一的混合策略。该方法通过在不同通道上统一交换局部特征信息，可以将来自 SC 的信息完全混合到 DSC 的输出中，而无需任何附加功能。

GSConv 模块的结构—— “Conv”框由三层组成：卷积 2D 层、批量归一化 2D 层和激活层。这里蓝色标记的“DWConv”表示DSC操作。
GSConv代码实现 
import torch
import torch.nn as nn
import math


# GSConvE test
class GSConvE(nn.Module):
    '''
    GSConv enhancement for representation learning: generate various receptive-fields and
    texture-features only in one Conv module
    https://github.com/AlanLi1997/slim-neck-by-gsconv
    '''
    def __init__(self, c1, c2, k=1, s=1, g=1, act=True):
        super().__init__()
        c_ = c2 // 4
        self.cv1 = Conv(c1, c_, k, s, None, g, act)
        self.cv2 = Conv(c_, c_, 9, 1, None, c_, act)
        self.cv3 = Conv(c_, c_, 13, 1, None, c_, act)
        self.cv4 = Conv(c_, c_, 17, 1, None, c_, act)

    def forward(self, x):
        x1 = self.cv1(x)
        x2 = self.cv2(x1)
        x3 = self.cv3(x1)
        x4 = self.cv4(x1)

        y = torch.cat((x1, x2, x3, x4), dim=1)
        # shuffle
        y = y.reshape(y.shape[0], 2, y.shape[1] // 2, y.shape[2], y.shape[3])
        y = y.permute(0, 2, 1, 3, 4)
        return y.reshape(y.shape[0], -1, y.shape[3], y.shape[4])


def autopad(k, p=None):  # kernel, padding
    # Pad to 'same'
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-pad
    return p


class Conv(nn.Module):
    # C_B_M
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):
        super().__init__()
        self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)
        self.bn = nn.BatchNorm2d(c2)
        self.act = nn.Mish() if act else (act if isinstance(act, nn.Module) else nn.Identity())

    def forward(self, x):
        return self.act(self.bn(self.conv(x)))

    def forward_fuse(self, x):
        return self.act(self.conv(x))


class GSConv(nn.Module):
    # GSConv https://github.com/AlanLi1997/slim-neck-by-gsconv
    def __init__(self, c1, c2, k=1, s=1, g=1, act=True):
        super().__init__()
        c_ = c2 // 2
        self.cv1 = Conv(c1, c_, k, s, None, g, act)
        self.cv2 = Conv(c_, c_, 5, 1, None, c_, act)

    def forward(self, x):
        x1 = self.cv1(x)
        x2 = torch.cat((x1, self.cv2(x1)), 1)
        # shuffle
        y = x2.reshape(x2.shape[0], 2, x2.shape[1] // 2, x2.shape[2], x2.shape[3])
        y = y.permute(0, 2, 1, 3, 4)
        return y.reshape(y.shape[0], -1, y.shape[3], y.shape[4])


class GSConvns(GSConv):
    # GSConv with a normative-shuffle https://github.com/AlanLi1997/slim-neck-by-gsconv
    def __init__(self, c1, c2, k=1, s=1, g=1, act=True):
        super().__init__(c1, c2, k=1, s=1, g=1, act=True)
        c_ = c2 // 2
        self.shuf = nn.Conv2d(c_ * 2, c2, 1, 1, 0, bias=False)

    def forward(self, x):
        x1 = self.cv1(x)
        x2 = torch.cat((x1, self.cv2(x1)), 1)
        # normative-shuffle, TRT supported
        return nn.ReLU(self.shuf(x2))


class GSBottleneck(nn.Module):
    # GS Bottleneck https://github.com/AlanLi1997/slim-neck-by-gsconv
    def __init__(self, c1, c2, k=3, s=1):
        super().__init__()
        c_ = c2 // 2
        # for lighting
        self.conv_lighting = nn.Sequential(
            GSConv(c1, c_, 1, 1),
            GSConv(c_, c2, 3, 1, act=False))
        self.shortcut = Conv(c1, c2, 1, 1, act=False)

    def forward(self, x):
        return self.conv_lighting(x) + self.shortcut(x)


class DWConv(Conv):
    # Depth-wise convolution class
    def __init__(self, c1, c2, k=1, s=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super().__init__(c1, c2, k, s, g=math.gcd(c1, c2), act=act)


class GSBottleneckC(GSBottleneck):
    # cheap GS Bottleneck https://github.com/AlanLi1997/slim-neck-by-gsconv
    def __init__(self, c1, c2, k=3, s=1):
        super().__init__(c1, c2, k, s)
        self.shortcut = DWConv(c1, c2, 3, 1, act=False)


class VoVGSCSP(nn.Module):
    # VoVGSCSP module with GSBottleneck
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        # self.gc1 = GSConv(c_, c_, 1, 1)
        # self.gc2 = GSConv(c_, c_, 1, 1)
        self.gsb = GSBottleneck(c_, c_, 1, 1)
        self.res = Conv(c_, c_, 3, 1, act=False)
        self.cv3 = Conv(2*c_, c2, 1)  #

    def forward(self, x):

        x1 = self.gsb(self.cv1(x))
        y = self.cv2(x)
        return self.cv3(torch.cat((y, x1), dim=1))
 slim-neck

此外，还研究了增强 CNN 学习能力的通用方法，例如 DensNet 、VoVNet 和 CSPNet ，然后根据这些方法的理论设计 slim-neck 的结构。我们设计了细长的颈部，以降低检测器的计算复杂性和推理时间，但保持精度。 GSConv完成了降低计算复杂度的任务，而减少推理时间并保持精度的任务需要新的模型。 

GSConv的计算成本约为SC的50%（0.5+0.5C1，C1值越大，比例越接近50%），但其对模型学习能力的贡献与后者相当。基于GSConv，我们在GSConv的基础上继续引入GS瓶颈，下图（a）展示了GS瓶颈模块的结构。然后，我们使用一次性聚合方法设计跨阶段部分网络（GSCSP）模块VoV-GSCSP。图（b）（c）和（d）分别显示了我们为VoV-GSCSP提供的三种设计方案，其中（b）简单直接且推理速度更快，（c）和（d）具有功能的重用率更高。事实上，结构越简单的模块由于硬件友好而更容易被使用。下表也详细报告了VoV-GSCSP1、2、3三种结构的消融研究结果，事实上，VoVGSCSP1表现出更高的性价比。最后，我们需要灵活地使用 GSConv、GS 瓶颈和 VoV-GSCSP 这四个模块。

(a) GS瓶颈模块和(b)、(c)、(d) VoV-GSCSP1、2、3模块的结构

细颈 yolov5n 的三种不同 VoV-GSCSP 模块的比较
  slim-neck代码实现
class VoVGSCSPC(VoVGSCSP):
    # cheap VoVGSCSP module with GSBottleneck
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
        super().__init__(c1, c2, e)
        c_ = int(c2 * e)  # hidden channels
        self.gsb = GSBottleneckC(c_, c_, 3, 1)

代码都添加在common.py中 

yaml文件
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicle
# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, GSConv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, VoVGSCSP, [512, False]],  # 13

   [-1, 1, GSConv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, VoVGSCSP, [256, False]],  # 17 (P3/8-small)

   [-1, 1, GSConv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, VoVGSCSP, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, GSConv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, VoVGSCSP, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]
完整代码分享

https://download.csdn.net/download/m0_67647321/88885727icon-default.png?t=N7T8https://download.csdn.net/download/m0_67647321/88885727

总结

本实验引入了一种新的轻量级卷积方法 GSConv，使深度可分离卷积达到接近普通卷积的效果并且更加高效。设计了一次性聚合模块 VoV-GSCSP 来代替普通的瓶颈模块以加速推理。此外，我们还提供轻量化的细颈设计范例。在我们的实验中，与其他轻量级卷积方法相比，GSConv 显示出更好的性能。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/416577.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

4_怎么看原理图之协议类接口之SPI笔记

4_怎么看原理图之协议类接口之SPI笔记

SPI（Serial Peripheral Interface）是一种同步串行通信协议，通常用于在芯片之间传输数据。SPI协议使用四根线进行通信：主设备发送数据（MOSI），从设备发送数据（MISO）&#x…
阅读更多...
抖音商品详情数据API接口采集（属性，主图，价格，sku等）item_get-获得抖音商品详情

抖音商品详情数据API接口采集（属性，主图，价格，sku等）item_get-获得抖音商品详情

item_get-获得抖音商品详情 douyin.item_get 公共参数 名称类型必须描述keyString是调用key（必须以GET方式拼接在URL中）secretString是调用密钥WeChat18305163218api_nameString是API接口名称（包括在请求地址中）[item_search,i…
阅读更多...
用OpenArk查看Windows 11电脑中全部快捷键并解决热键冲突问题

用OpenArk查看Windows 11电脑中全部快捷键并解决热键冲突问题

本文介绍在Windows电脑中，基于OpenArk工具，查看电脑操作系统与所有软件的快捷键，并对快捷键冲突加以处理的方法。 最近，发现有道词典的双击Ctrl功能失效了，不能很方便地翻译界面中的英语；所以，就…
阅读更多...
解决墨刀原型在谷歌中无法打开index.html

解决墨刀原型在谷歌中无法打开index.html

在谷歌预览原型的时候发现需要下载插件才能预览，经过网上搜索，找到了以下解决方案，整理如下： 1、打开原型文件夹，依次点开resources->chrome,找到axure-chrome-extension.crx。 2. 把axure-chrome-extension.crx后…
阅读更多...
网站数据加密之Hook通用方案

网站数据加密之Hook通用方案

文章目录 1. 写在前面2. 请求分析3. 编写Hook4. 其他案例 【作者主页】：吴秋霖 【作者介绍】：Python领域优质创作者、阿里云博客专家、华为云享专家。长期致力于Python与爬虫领域研究与开发工作！ 【作者推荐】：对JS逆向感兴趣的朋…
阅读更多...
ArcgisForJS如何使用ArcGIS Server发布的GP服务？

ArcgisForJS如何使用ArcGIS Server发布的GP服务？

文章目录 0.引言1.ArcGIS创建GP服务2.ArcGIS Server发布GP服务3.ArcgisForJS使用ArcGIS Server发布的GP服务 0.引言 ArcGIS for JavaScript（或简称AGJS）是一个强大的工具，它允许开发者使用JavaScript在Web浏览器中创建和运行ArcGIS应用程序。…
阅读更多...
Leetcoder Day29｜ 贪心算法part03

Leetcoder Day29｜ 贪心算法part03

1005.K次取反后最大化的数组和 给定一个整数数组 A，我们只能用以下方法修改该数组：我们选择某个索引 i 并将 A[i] 替换为 -A[i]，然后总共重复这个过程 K 次。（我们可以多次选择同一个索引 i。） 以这种方式修改数组后&a…
阅读更多...
【数据结构】双链表解析+完整代码（创建、插入、删除）

【数据结构】双链表解析+完整代码（创建、插入、删除）

3.2 双链表 3.2.1 双链表的定义 定义 单链表的缺点：无法逆向操作，插入删除时只能从头开始遍历，很不方便。 双链表：每个结点都定义两个指针prior和next，分别指向前驱和后继，可进可退。 typedef struct DNod…
阅读更多...
STM32F103学习笔记（七） PWR电源管理（原理篇）

STM32F103学习笔记（七） PWR电源管理（原理篇）

目录 1. PWR电源管理简介 2. STM32F103的PWR模块概述 2.1 PWR模块的基本工作原理 2.2 电源管理的功能和特点 3. PWR模块的常见应用场景 4. 常见问题与解决方案 1. PWR电源管理简介 PWR（Power）模块是STM32F103系列微控制器中的一个重要组成部分&…
阅读更多...
阿里云短信验证笔记

阿里云短信验证笔记

1.了解阿里云的权限操作 进入AccessKey管理 选择子用户 创建用户组和用户 先创建用户组，建好再进行权限分配 添加短信管理权限 创建用户 创建好后的id和密码在此处下载可以得到 2.开通阿里云短信服务 进行申请，配置短信模板 阿里云短信API文档 短信服务…
阅读更多...
xss过waf的小姿势

xss过waf的小姿势

今天看大佬的视频学到了几个操作 首先是拆分发可以用self将被过滤的函数进行拆分 如下图我用self将alert拆分成两段依然成功执行 然后学习另一种姿势 <svg id"YWxlcnQoIlhTUyIp"><img src1 οnerrοr"window[eval](atob(document.getElementsByTagNa…
阅读更多...
zk和etcd的读一致性对比

zk和etcd的读一致性对比

背景 zk和etcd都是日常我们用到的分布式一致性的组件集群&#xff0c;不过他们在读一致性上还是有一些差别的&#xff0c;本文就来对比一下 zk和etcd的读一致性对比 如果读客户端没有通过zk或者etcd自带的watcher监听的方式监听某个写客户端写入的内容&#xff0c;而是依赖写…
阅读更多...
Spring Task的应用

Spring Task的应用

介绍 Spring Task是Spring框架提供的任务调度工具&#xff0c;可以按照约定的时间自动执行某个代码逻辑。 定位&#xff1a; 定时任务框架 作用&#xff1a; 定时自动执行某段Java代码 应用场景&#xff1a; 引用卡每月还款提醒、银行贷款每月还款提醒、火车票售票系统处理未支…
阅读更多...
力扣每日一题 统计可能的树根数目 换根DP

力扣每日一题 统计可能的树根数目 换根DP

Problem: 2581. 统计可能的树根数目 文章目录 思路复杂度Code 思路 &#x1f468;‍&#x1f3eb; 灵神 复杂度 时间复杂度: O ( n m ) O(nm) O(nm) 空间复杂度: O ( n m ) O(nm) O(nm) Code class Solution {List<Integer>[] g;// 邻接表Set<Long> se…
阅读更多...
安泰电压放大器怎么用

安泰电压放大器怎么用

电压放大器是一种常见的电子设备&#xff0c;用于放大电压信号。它是许多电子系统中的关键组件之一&#xff0c;可以增加电压信号的幅度&#xff0c;以便于后续的处理和驱动其他设备。以下是电压放大器的使用方法&#xff1a; 确定需求&#xff1a;首先&#xff0c;明确你的需求…
阅读更多...
Jquery操作DOM对象

Jquery操作DOM对象

文章目录 目录 文章目录 本章目标 一.DOM操作分类 二.JQuery中的DOM操作 内容操作 属性值操作 节点操作 节点属性操作 节点遍历 总结 本章目标 使用Jquery操作网页元素使用JQuery操作文本与属性值内容使用JQuery操作DOM节点使用Jquery遍历DOM节点使用JQuery操作CSS-DOM 一…
阅读更多...
linux下 将指定网卡名加入udp组播代码示例(端口复用)

linux下 将指定网卡名加入udp组播代码示例(端口复用)

linux下可通过指定网卡名字来将网卡加入组播 一般来说网卡名为 eth0,eth1之类的,具体的需要通过ifconfig查看 具体逻辑就是通过指定的网卡名来获取网卡ip,后面就跟普通的创建udp套接字一样了,需要注意的是将网卡绑定到组播最好启用地址重用来避免端口相同导致的失败 SO_REUSE…
阅读更多...
Python程序打包成exe可执行文件的常用方法

Python程序打包成exe可执行文件的常用方法

在Python中，您可以使用一些工具将您的Python程序打包成可执行文件（.exe）。以下是一些常用的工具： PyInstaller: PyInstaller是一个流行的工具，它可以将Python脚本打包成独立的可执行文件，支持Windows、Linux和Mac。您可以使用以下命令安装PyInstaller： pip install pyin…
阅读更多...
疾控污水采样设备需具备云控功能吗

疾控污水采样设备需具备云控功能吗

疾控污水采样设备是否需要具备云控功能&#xff0c;是一个值得深入探讨的问题。从当前的技术发展趋势和实际应用需求来看&#xff0c;具备云控功能的疾控污水采样设备具有显著的优势和必要性。 第一&#xff0c;云控技术的应用可以实现远程监控和管理。在污水采样过程中&#…
阅读更多...
测试环境搭建整套大数据系统（七：集群搭建kafka(2.13)+flink（1.13.6）+dinky+hudi）

测试环境搭建整套大数据系统（七：集群搭建kafka(2.13)+flink（1.13.6）+dinky+hudi）

一&#xff1a;搭建kafka。 1. 三台机器执行以下命令。 cd /opt wget wget https://dlcdn.apache.org/kafka/3.6.1/kafka_2.13-3.6.1.tgz tar zxvf kafka_2.13-3.6.1.tgz cd kafka_2.13-3.6.1/config vim server.properties修改以下俩内容 1.三台机器分别给予各自的broker_id…
阅读更多...
最新文章

Copyright @ 2022~2023