【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

前言

论文发表时间：2023.03.07

github地址：https://github.com/JierunChen/FasterNet
paper地址：https://export.arxiv.org/pdf/2303.03667v1.pdf

在这里插入图片描述

文章提出了一种新颖的局部卷积（PConv），它通过削减冗余计算和内存访问，更高效地提取空间特征,而且在作者测试的数据集上实现了精度与速度的双重提升。本文详细介绍了如何在yolov8中使用FasterNet替换其主干网络，并且使用修改后的yolov8进行目标检测训练与推理。本文提供了所有源码免费供小伙伴们学习参考，需要的可以通过文末方式自行下载。

本文改进使用的ultralytics版本为：ultralytics == 8.0.227

目录

  • 前言
  • 1.FasterNet简介
    • 1.1 网络结构
    • 1.2 性能对比
  • 2.YOLOv8替换主干步骤
    • YOLOv8网络结构前后对比
    • 定义FasterNet相关类
    • 修改指定文件
  • 3.加载配置文件并训练
  • 4.模型推理
  • 【源码免费获取】
  • 结束语

1.FasterNet简介

在这里插入图片描述

摘要：为了设计快速的神经网络，许多研究工作一直专注于减少浮点运算（FLOPs）的数量。然而，我们观察到，FLOPs的这种减少，并不一定导致相似水平的延迟降低。这主要是由于低效的每秒浮点运算数（FLOPS）造成的。为了实现更快的网络，我们重审了流行的运算符，并演示了这种低FLOPS主要是由于运算符的频繁内存访问，特别是深度卷积。因此，我们提出了一种新颖的局部卷积（PConv），它通过削减冗余计算和内存访问，更高效地提取空间特征。在我们的PConv上，我们进一步提出了FasterNet，一个新的神经网络家族，它在广泛的设备上实现了比其他网络更高的运行速度，同时在各种视觉任务上的精度不打折扣。例如，在ImageNet-1k上，我们的小型FasterNet-T0在GPU、CPU和ARM处理器上分别比MobileViT-XXS快3.1倍、3.1倍和2.5倍，同时精度提高了2.9%。我们的大型FasterNet-L取得了令人印象深刻的83.5%的top-1精度，与新兴的Swin-B不相上下，同时在GPU上的推理吞吐量提高了49%，以及在CPU上节省了42%的计算时间。

论文主要亮点如下：

• 强调了为了实现更快的神经网络，提升每秒浮点运算数（FLOPS）的重要性，而不仅仅是减少FLOPs。
• 引入了一个简单但快速且有效的运算符，称为PConv，它具有很高的潜力来替代现有的首选选项，即深度卷积（DWConv）。
• 介绍了FasterNet，它在GPU、CPU和ARM处理器等各种设备上都能流畅且普遍地快速运行。
• 在各种任务上进行了广泛的实验，并验证了我们的PConv和FasterNet的高速度和有效性。

1.1 网络结构

在这里插入图片描述
在这里插入图片描述

1.2 性能对比

在这里插入图片描述
在这里插入图片描述

2.YOLOv8替换主干步骤

YOLOv8网络结构前后对比

在这里插入图片描述

定义FasterNet相关类

在ultralytics/nn/modules/block.py中添加如下代码块，为FasterNet源码：
在这里插入图片描述
并在ultralytics/nn/modules/block.py中最上方添加如下代码：
在这里插入图片描述

修改指定文件

在ultralytics/nn/modules/__init__.py文件中的添加如下代码:
在这里插入图片描述

在 ultralytics/nn/tasks.py 上方导入相应类名,并在parse_model解析函数中添加如下代码：
在这里插入图片描述

        elif m in [BasicStage]:args.pop(1)

在这里插入图片描述

在 ultralytics/nn/tasks.py 中搜索self.model.modules()，定位到如下代码，并且在下方添加如下方框中的代码内容：
在这里插入图片描述

在ultralytics/cfg/models/v8文件夹下新建yolov8-FasterNet.yaml文件，内容如下：

# 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 GFLOPss: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPsm: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPsl: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [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, PatchEmbed_FasterNet, [40, 4, 4]]  # 0-P1/4- [-1, 1, BasicStage, [40, 1]]  # 1- [-1, 1, PatchMerging_FasterNet, [80, 2, 2]]  # 2-P2/8- [-1, 2, BasicStage, [80, 1]]  # 3-P3/16- [-1, 1, PatchMerging_FasterNet, [160, 2, 2]]  # 4- [-1, 8, BasicStage, [160, 1]]  # 5-P4/32- [-1, 1, PatchMerging_FasterNet, [320, 2, 2]] # 6- [-1, 2, BasicStage, [320, 1]] # 7- [-1, 1, SPPF, [320, 5]]  # 8# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 5], 1, Concat, [1]]  # cat backbone P4- [-1, 1, C2f, [512]]  # 11- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 3], 1, Concat, [1]]  # cat backbone P3- [-1, 1, C2f, [256]]  # 14 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 11], 1, Concat, [1]]  # cat head P4- [-1, 1, C2f, [512]]  # 17 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 8], 1, Concat, [1]]  # cat head P5- [-1, 1, C2f, [1024]]  # 20 (P5/32-large)- [[14, 17, 20], 1, Detect, [nc]]  # Detect(P3, P4, P5)

3.加载配置文件并训练

加载yolov8-BiLevelRoutingAttention.yaml配置文件，并运行train.py训练代码:

#coding:utf-8
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('ultralytics/cfg/models/v8/yolov8-FasterNet.yaml')model.load('yolov8n.pt') # loading pretrain weightsmodel.train(data='datasets/TomatoData/data.yaml', epochs=30, batch=4)

注意观察，打印出的网络结构是否正常修改，如下图所示：
在这里插入图片描述

4.模型推理

模型训练完成后，我们使用训练好的模型对图片进行检测：

#coding:utf-8
from ultralytics import YOLO
import cv2# 所需加载的模型目录
# path = 'models/best2.pt'
path = 'runs/detect/train/weights/best.pt'
# 需要检测的图片地址
img_path = "TestFiles/Riped tomato_8.jpeg"# 加载预训练模型
# conf	0.25	object confidence threshold for detection
# iou	0.7	intersection over union (IoU) threshold for NMS
model = YOLO(path, task='detect')# 检测图片
results = model(img_path)
res = results[0].plot()
# res = cv2.resize(res,dsize=None,fx=2,fy=2,interpolation=cv2.INTER_LINEAR)
cv2.imshow("YOLOv8 Detection", res)
cv2.waitKey(0)

在这里插入图片描述

【源码免费获取】

为了小伙伴们能够，更好的学习实践，本文已将所有代码、示例数据集、论文等相关内容打包上传，供小伙伴们学习。获取方式如下：

关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【yolov8改进】即可免费获取

在这里插入图片描述

结束语

关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

觉得不错的小伙伴，感谢点赞、关注加收藏哦！

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：http://www.mzph.cn/news/670373.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

重写Sylar基于协程的服务器（6、HOOK模块的设计）

重写Sylar基于协程的服务器（6、HOOK模块的设计）

重写Sylar基于协程的服务器（6、HOOK模块的设计） 重写Sylar基于协程的服务器系列： 重写Sylar基于协程的服务器（0、搭建开发环境以及项目框架 || 下载编译简化版Sylar） 重写Sylar基于协程的服务器（1、日志模…
阅读更多...
大数据Zookeeper--案例

大数据Zookeeper--案例

文章目录 服务器动态上下线监听案例需求需求分析具体实现测试 Zookeeper分布式锁案例原生Zookeeper实现分布式锁Curator框架实现分布式锁 Zookeeper面试重点选举机制生产集群安装多少zk合适zk常用命令 服务器动态上下线监听案例 需求 某分布式系统中，主节点可以有…
阅读更多...
CentOS 8 安装配置 Hadoop3.3.6 伪分布式安装方式（适用于开发和调试）

CentOS 8 安装配置 Hadoop3.3.6 伪分布式安装方式（适用于开发和调试）

1.配置服务器ssh免密登录，否则后面启动会报错：尝试通过SSH连接到主机出现认证错误的提示 配置服务器ssh免密登录： 1.生成SSH密钥对（如果尚未生成）： 执行下面的命令生成密钥对，一直回车即可 ssh…
阅读更多...
为后端做准备

为后端做准备

这里写目录标题 flask 文件上传与接收flask应答（接收请求（文件、数据）flask请求（上传文件）传递参数和文件 argparse 不从命令行调用参数1、设置default值2、"从命令行传入的参数".split()3、[--input,内容] …
阅读更多...
代码随想录day18--二叉树的应用6

代码随想录day18--二叉树的应用6

LeetCode530.二叉搜索树的最小绝对差值 题目描述： 给你一个二叉搜索树的根节点 root ，返回 树中任意两不同节点值之间的最小差值 。 差值是一个正数，其数值等于两值之差的绝对值。 示例 1： 输入：root [4,2,6,1,3] …
阅读更多...
CSDN2024年我的创作纪念日1024天|不忘初心|努力上进|积极向前

CSDN2024年我的创作纪念日1024天|不忘初心|努力上进|积极向前

CSDN2024年我的创作纪念日1024天| 学习成长机遇：学习成长收获：2023年度总结数据：2024新领域的探索：日常和自己的感慨：2024憧憬和规划：创作纪念日总结： 学习成长机遇： 大家好&#x…
阅读更多...
SpringBoot-基础篇03

SpringBoot-基础篇03

之前搭建了整个开发环境实现了登录注册，springBoot整合mybatis完成增删改查，今天完成分页查询，使用阿里云oss存储照片等资源，后期会尝试自己搭建分布式文件系统来实现。 一，SpringBootMybatis完成分页查询 1&#xff…
阅读更多...
天线阵列车载应用——第1章 介绍 1.1节 汽车工业中的天线阵列:应用和频率范围

天线阵列车载应用——第1章 介绍 1.1节 汽车工业中的天线阵列:应用和频率范围

1.1 汽车工业中的天线阵列:应用和频率范围 无线通信系统的发展需要新的技术来支持更高质量的通信、新的服务和应用。近年来，汽车无线通信市场得到了极大的扩展。现代汽车使用不同的服务:AM/FM收音机、卫星广播(SDARS)、移动电话通信、数字音频广播(DAB)、远程无钥匙…
阅读更多...
零基础学编程从入门到精通，系统化的编程视频教程上线，中文编程开发语言工具构件之缩放控制面板构件用法

零基础学编程从入门到精通，系统化的编程视频教程上线，中文编程开发语言工具构件之缩放控制面板构件用法

一、前言 零基础学编程从入门到精通，系统化的编程视频教程上线，中文编程开发语言工具构件之缩放控制面板构件用法 编程入门视频教程链接 https://edu.csdn.net/course/detail/39036 编程工具及实例源码文件下载可以点击最下方官网卡片——软件下载—…
阅读更多...
mysql事务锁

mysql事务锁

Lock - 事务锁 与 latch 的区别 lock对象是事务，用来锁定的是数据库中的对象，如表、行、页。并且一般lock的对象仅在事务commit或rollback后进行释放（不同事务隔离级别释放的时间可能不同）。此外，lock，正…
阅读更多...
3.0 Zookeeper linux 服务端集群搭建步骤

3.0 Zookeeper linux 服务端集群搭建步骤

本章节将示范三台 zookeeper 服务端集群搭建步骤。 所需准备工作，创建三台虚拟机环境并安装好 java 开发工具包 JDK，可以使用 VM 或者 vagrantvirtualbox 搭建 centos/ubuntu 环境，本案例基于宿主机 windows10 系统同时使用 vagrantvirtualb…
阅读更多...
发送get请求并且发送请求头（header），java实现

发送get请求并且发送请求头（header），java实现

发送get请求时，发送请求头（Header）中的内容 方便第二次调用其他url时传递参数，例如userCode或者租户编码 调用方式 Autowired private HttpServletRequest request;先注入HttpServletRequestpublic xxx xxx(){String url &quo…
阅读更多...
docker程序镜像的制作

docker程序镜像的制作

目录 一、每种资源的预安装（基础） 安装 nginx安装 redis 二、dockerfile文件制作（基础） 打包 redis 镜像 创建镜像制作空间制作dockerfile 打包 nginx 镜像 三、创建组合镜像（方式一） 生成centos容器并…
阅读更多...
vue3+echarts：Vue中使用echarts从后端获取数据并赋值显示

vue3+echarts：Vue中使用echarts从后端获取数据并赋值显示

//由于前后端交互,所以使用axios发送请求 const Count ref(null); //设备种类数值 const Name ref(null); //设备种类名称 //设备种类 饼图 const pieChart () > {const getpieChart echarts.init(document.getElementById("deviceKind"));// 创建图标getpieC…
阅读更多...
位置内插 PI：基于Positional Interpolation扩大模型的上下文窗口

位置内插 PI：基于Positional Interpolation扩大模型的上下文窗口

位置内插 PI：基于Positional Interpolation扩大模型的上下文窗口 如何在不牺牲性能或从头训练的情况下，扩展大型语言模型的上下文窗口以处理长文档或长对话？ 论文：https://arxiv.org/pdf/2306.15595.pdf 这篇论文介绍了一种名为位…
阅读更多...
C++ JSON解析

C++ JSON解析

JSON解析 JSONCPPC实现JSON解析器 JSONCPP JSONCPP源码链接：https://github.com/open-source-parsers/jsoncpp JSOCPP源码下载以后，首先复制一份include文件夹下的json文件夹，头文件留着后续备用。 使用Cmake生成项目。在IDE中编译jsoncpp_…
阅读更多...
【Nicn的刷题日常】之打印整数二进制的奇数位和偶数位

【Nicn的刷题日常】之打印整数二进制的奇数位和偶数位

目录 1.题目描述 2.解题思路 3.解题 1.题目描述 获取一个整数二进制序列中所有的偶数位和奇数位，分别打印出二进制序列 2.解题思路 1. 提取所有的奇数位，如果该位是1，输出1，是0则输出0 2. 以同样的方式提取偶数位置检测n…
阅读更多...
CGAL-3D 凸包算法

CGAL-3D 凸包算法

3D 凸包算法 一、概述二、静态凸包构造1. Traits 特征类2. 极端点3. 半空间相交4. 凸性检验 三、动态凸包构造四、性能 一、概述 一个点集 S∈R3 是凸的，如果对于任意两点 p 和 q 在集合中，具有端点的线段 p 和 q 包含在 S。集合的凸包 P 包含点集 S 的最…
阅读更多...
GADM 4.1 全球国家行政区划下载

GADM 4.1 全球国家行政区划下载

扫描文末二维码，关注微信公众号：ThsPool 后台回复g004，领取最新 GADM 4.1 全球国家行政区划 GADM概述 GADM，全称 Database of Global Administrative Areas，是一个开放获取的全球行政区划数据库，包含各国、…
阅读更多...
APIfox编排自动化测试场景（一）

APIfox编排自动化测试场景（一）

测试场景用于将多个接口请求与实际可能发生的一些特殊情况（如条件判断、循环）有序的组合在一起，来模拟一个真实业务流程，组成自动化测试单元。 新建目录 / 测试场景​ 打开 Apifox 后点击左侧菜单栏中的“自动化测试”&#xff…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023