主干网络篇 | YOLOv8更换主干网络之ShuffleNetV2（包括完整代码+添加步骤+网络结构图）

前言：Hello大家好，我是小哥谈。ShuffleNetV2是一种轻量级的神经网络架构，用于图像分类和目标检测任务。它是ShuffleNet的改进版本，旨在提高模型的性能和效率。ShuffleNetV2相比于之前的版本，在保持模型轻量化的同时，提高了模型的准确性和性能。它在计算资源有限的设备上具有较好的应用潜力！~🌈  

     目录

🚀1. 基础概念

🚀2.网络结构

🚀3.添加步骤

🚀4.改进方法

🍀🍀步骤1：block.py文件修改

🍀🍀步骤2：__init__.py文件修改

🍀🍀步骤3：tasks.py文件修改

🍀🍀步骤4：创建自定义yaml文件

🍀🍀步骤5：新建train.py文件

🍀🍀步骤6：模型训练测试

🚀1. 基础概念

ShuffleNetV2是一种轻量级的神经网络架构，用于图像分类和目标检测任务。它是ShuffleNet的改进版本，旨在提高模型的性能和效率。

ShuffleNetV2的主要特点包括：

  1. 分组卷积：通过将输入通道分成多个组，并在组内进行卷积操作，减少了计算量和参数数量。
  2. 逐点卷积：使用1x1的卷积核进行逐点卷积，用于调整通道数和特征图的维度。
  3. 通道重排：通过将输入特征图按通道进行重排，实现信息的混洗和交互，增强了特征的表达能力。
  4. 瓶颈结构：采用瓶颈结构，即先降维再升维，减少了计算量和参数数量。
  5. 网络设计：ShuffleNet V2通过堆叠多个ShuffleNet单元来构建整个网络，可以根据任务的需求进行不同层数和宽度的配置。

ShuffleNetV2相比于之前的版本，在保持模型轻量化的同时，提高了模型的准确性和性能。它在计算资源有限的设备上具有较好的应用潜力。

shuffleNetV2这篇论文比较硬核，提出了不少新的思想，推荐大家可以看看论文原文。主要思想包括：

  • 模型的计算复杂度不能只看FLOPs,还需要参考一些其他的指标
  • 作者提出了4条如何设计高效网络的准则
  • 基于该准则提出了新的block设置

FLOPS网上有两种：FLOPS和 FLOPs

FLOPS：全大写，指每秒浮点运算次数，可以理解为计算的速度，是衡量硬件性能的一个指标 (硬件)
FLOPs：s小写，指浮点运算数，理解为计算量，可以用来衡量算法/模型的复杂度，（模型）在论文中常用GFLOPs(1 GFLOPs = 10^9FLOPs)

 ShuffleNetV2网络结构：

 原理图：

其中，a、b为ShuffleNetV1原理图，c、d为ShuffleNetV2原理图。

论文题目：《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》

论文地址：  https://arxiv.org/pdf/1807.11164.pdf

代码实现：  GitHub - megvii-model/ShuffleNet-Series 

🚀2.网络结构

本文的改进是基于YOLOv8，关于其网络结构具体如下图所示：

YOLOv8官方仓库地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

针对本文的改进，作者将所使用的含有预训练权重文件的YOLOv8完整源码进行了上传，大家可在我的“资源”中自行下载。  

🚀3.添加步骤

针对本文的改进，具体步骤如下所示：👇

步骤1：block.py文件修改

步骤2：__init__.py文件修改

步骤3：tasks.py文件修改

步骤4：创建自定义yaml文件

步骤5：新建train.py文件

步骤6：模型训练测试

🚀4.改进方法

🍀🍀步骤1：block.py文件修改

在源码中找到block.py文件，具体位置是ultralytics/nn/modules/block.py，然后将ShuffleNetV2模块代码添加到block.py文件末尾位置。

ShuffleNetV2模块代码：

# ShuffleNetv2核心代码
# By CSDN 小哥谈
import torch
import torch.nn as nndef channel_shuffle(x, groups):batchsize, num_channels, height, width = x.data.size()channels_per_group = num_channels // groupsx = x.view(batchsize, groups, channels_per_group, height, width)x = torch.transpose(x, 1, 2).contiguous()x = x.view(batchsize, -1, height, width)return xclass CBRM(nn.Module):  # Conv BN ReLU Maxpool2ddef __init__(self, c1, c2):super(CBRM, self).__init__()self.conv = nn.Sequential(nn.Conv2d(c1, c2, kernel_size=3, stride=2, padding=1, bias=False),nn.BatchNorm2d(c2),nn.ReLU(inplace=True),)self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)def forward(self, x):return self.maxpool(self.conv(x))class Shuffle_Block(nn.Module):def __init__(self, ch_in, ch_out, stride):super(Shuffle_Block, self).__init__()if not (1 <= stride <= 2):raise ValueError('illegal stride value')self.stride = stridebranch_features = ch_out // 2assert (self.stride != 1) or (ch_in == branch_features << 1)if self.stride > 1:self.branch1 = nn.Sequential(self.depthwise_conv(ch_in, ch_in, kernel_size=3, stride=self.stride, padding=1),nn.BatchNorm2d(ch_in),nn.Conv2d(ch_in, branch_features, kernel_size=1, stride=1, padding=0, bias=False),nn.BatchNorm2d(branch_features),nn.ReLU(inplace=True),)self.branch2 = nn.Sequential(nn.Conv2d(ch_in if (self.stride > 1) else branch_features,branch_features, kernel_size=1, stride=1, padding=0, bias=False),nn.BatchNorm2d(branch_features),nn.ReLU(inplace=True),self.depthwise_conv(branch_features, branch_features, kernel_size=3, stride=self.stride, padding=1),nn.BatchNorm2d(branch_features),nn.Conv2d(branch_features, branch_features, kernel_size=1, stride=1, padding=0, bias=False),nn.BatchNorm2d(branch_features),nn.ReLU(inplace=True),)@staticmethoddef depthwise_conv(i, o, kernel_size, stride=1, padding=0, bias=False):return nn.Conv2d(i, o, kernel_size, stride, padding, bias=bias, groups=i)def forward(self, x):if self.stride == 1:x1, x2 = x.chunk(2, dim=1)out = torch.cat((x1, self.branch2(x2)), dim=1)else:out = torch.cat((self.branch1(x), self.branch2(x)), dim=1)out = channel_shuffle(out, 2)return out

再然后，在block.py文件最上方下图所示位置加入CBRM、Shuffle_Block。

🍀🍀步骤2：__init__.py文件修改

在源码中找到__init__.py文件，具体位置是ultralytics/nn/modules/__init__.py。

修改1：加入CBRM、Shuffle_Block，具体如下图所示：

修改2：加入CBRM、Shuffle_Block，具体如下图所示：

🍀🍀步骤3：tasks.py文件修改

在源码中找到tasks.py文件，具体位置是ultralytics/nn/tasks.py。

修改1：在下图所示位置导入类名CBRM、Shuffle_Block。

修改2：找到parse_model函数（736行左右），在下图中所示位置添加如下代码。

 # -------ShuffleNetv2------------elif m in [CBRM, Shuffle_Block]:c1, c2 = ch[f], args[0]if c2 != nc:c2 = make_divisible(min(c2, max_channels) * width, 8)args = [c1, c2, *args[1:]]# --------------------------------

具体添加位置如下图所示：

🍀🍀步骤4：创建自定义yaml文件

在源码ultralytics/cfg/models/v8目录下创建yaml文件，并命名为：yolov8_ShuffleNetV2.yaml。具体如下图所示：

yolov8_ShuffleNetV2.yaml文件完整代码如下所示：

# 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, CBRM, [ 32 ] ] # 0-P2/4- [ -1, 1, Shuffle_Block, [ 128, 2 ] ]  # 1-P3/8- [ -1, 3, Shuffle_Block, [ 128, 1 ] ]  # 2- [ -1, 1, Shuffle_Block, [ 256, 2 ] ]  # 3-P4/16- [ -1, 7, Shuffle_Block, [ 256, 1 ] ]  # 4- [ -1, 1, Shuffle_Block, [ 512, 2 ] ]  # 5-P5/32- [ -1, 3, Shuffle_Block, [ 512, 1 ] ]  # 6# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 3], 1, Concat, [1]]  # cat backbone P4- [-1, 3, C2f, [512]]  # 9- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 2], 1, Concat, [1]]  # cat backbone P3- [-1, 3, C2f, [256]]  # 12 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 9], 1, Concat, [1]]  # cat head P4- [-1, 3, C2f, [512]]  # 15 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 6], 1, Concat, [1]]  # cat head P5- [-1, 3, C2f, [1024]]  # 18 (P5/32-large)- [[12, 15, 18], 1, Detect, [nc]]  # Detect(P3, P4, P5)
🍀🍀步骤5：新建train.py文件

在源码根目录下新建train.py文件，文件完整代码如下所示：

from ultralytics import YOLO# Load a model
model = YOLO(r'C:\Users\Lenovo\PycharmProjects\ultralytics-main\ultralytics\cfg\models\v8\yolov8_ShuffleNetV2.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO(r'C:\Users\Lenovo\PycharmProjects\ultralytics-main\ultralytics\cfg\models\v8\yolov8_ShuffleNetV2.yaml').load('yolov8n.pt')  # build from YAML and transfer weights# Train the model
model.train(data=r'C:\Users\Lenovo\PycharmProjects\ultralytics-main\ultralytics\cfg\datasets\helmet.yaml', epochs=100, imgsz=640)

注意：一定要用绝对路径，以防发生报错。

🍀🍀步骤6：模型训练测试

在train.py文件，点击“运行”，在作者自制的安全帽佩戴检测数据集上，模型可以正常训练。

模型训练过程： 

模型训练结果： 

 关于本次改进所使用的安全帽佩戴检测数据集，已上传至我的“资源”中，大家可免费下载。

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/749569.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

预备知识：深入理解接口测试！

预备知识：深入理解接口测试！

实验简介 随着移动互联网甚至物联网的触角深入到人们生活的每个场景&#xff0c;每个角落&#xff0c;伴随而来的便是企业对其软件系统接口定义和研发&#xff0c;以便于进行数据传输和交换。由此导致目前企业急需大量专职接口测试工程师&#xff0c;因为接口测试天然具备自动…
阅读更多...
c++算法学习笔记 (8) 树与图部分

c++算法学习笔记 (8) 树与图部分

1.树与图的存储 &#xff08;1&#xff09;邻接矩阵 &#xff08;2&#xff09;邻接表 // 链式前向星模板&#xff08;数组模拟&#xff09; #include <iostream> #include <cstring> #include <algorithm> using namespace std; const int N 100010, M …
阅读更多...
安全性测试报告

安全性测试报告

我们出具报告&#xff0c;报告上是要体现安全性测评依据标准文件的。 这次出具的报告是按照GB 25000.51-2016标准&#xff0c;根据Q/GDW 1597-2015的测评项进行开展测评&#xff0c;根据10942-2018的具体测评方法进行编写报告 在标准文件中&#xff0c;有“安全漏洞” &#x…
阅读更多...
【RS422】基于未来科技FT4232HL芯片的多波特率串口通信收发实现

【RS422】基于未来科技FT4232HL芯片的多波特率串口通信收发实现

功能简介 串行通信接口常常用于在计算机和低速外部设备之间传输数据。串口通信存在多种标准&#xff0c;以RS422为例&#xff0c;它将数据分成多个位&#xff0c;采用异步通信方式进行传输。   本文基于Xilinx VCU128 FPGA开发板&#xff0c;对RS422串口通信进行学习。   根…
阅读更多...
家具工厂5G智能制造数字孪生可视化平台，推进家具行业数字化转型

家具工厂5G智能制造数字孪生可视化平台，推进家具行业数字化转型

家具制造5G智能制造工厂数字孪生可视化平台&#xff0c;推进家具行业数字化转型。随着科技的飞速发展&#xff0c;家具制造业正迎来一场前所未有的数字化转型。在这场家具制造业转型中&#xff0c;5G智能制造工厂数字孪生可视化平台发挥着至关重要的作用。 5G智能制造工厂数字孪…
阅读更多...
MySQL语法分类 DQL（3）排序查询

MySQL语法分类 DQL（3）排序查询

为了更好的学习这里给出基本表数据用于查询操作 create table student (id int, name varchar(20), age int, sex varchar(5),address varchar(100),math int,english int );insert into student (id,name,age,sex,address,math,english) values (1,马云,55,男,杭州,66,78),…
阅读更多...
MATLAB中的数据类型

MATLAB中的数据类型

MATLAB是一种高级编程语言和交互式环境&#xff0c;用于算法开发、数据可视化、数据分析和数值计算。在MATLAB中&#xff0c;数据类型是用于分类和定义存储在变量中数据种类的基本概念。选择适当的数据类型对于确保程序的正确性、有效性和内存效率至关重要。下面将详细解释MATL…
阅读更多...
python企业编码管理的程序（附源码）

python企业编码管理的程序（附源码）

企业编码管理Python程序包介绍 在当今数字化时代&#xff0c;企业编码管理成为企业信息化建设中不可或缺的一环。有效的编码管理不仅有助于企业规范业务流程&#xff0c;提高数据处理效率&#xff0c;还能降低运营成本&#xff0c;增强市场竞争力。为此&#xff0c;我们推出了…
阅读更多...
华为数通方向HCIP-DataCom H12-821题库(多选题：161-180)

华为数通方向HCIP-DataCom H12-821题库(多选题：161-180)

第161题 以下关于IPv6优势的描述，正确的是哪些项? A、底层自身携带安全特性 B、加入了对自动配置地址的支持，能够无状态自动配置地址 C、路由表相比IPv4会更大，寻址更加精确 D、头部格式灵活，具有多个扩展头 【参考答案】ABD 【答案解析】 第162题 在OSPF视图下使用Filt…
阅读更多...
降维算法之t-SNE (t-Distributed Stochastic Neighbor Embedding)

降维算法之t-SNE (t-Distributed Stochastic Neighbor Embedding)

注意&#xff1a;本文引用自专业人工智能社区Venus AI 更多AI知识请参考原站 &#xff08;[www.aideeplearning.cn]&#xff09; t-SNE是一种用于探索高维数据结构的非线性降维技术。它特别适用于高维数据的可视化&#xff0c;因为它能够在低维空间中保留原始高维数据的局部结…
阅读更多...
[WUSTCTF2020]朴实无华

[WUSTCTF2020]朴实无华

查看robots.txt 找到/fAke_flagggg.php 显然这是个假的flag&#xff0c;但是我们在header处发现了fl4g.php 近来发现中文全部变成了乱码 插件转成utf8后正常显示 <?php header(Content-type:text/html;charsetutf-8); error_reporting(0); highlight_file(__file__);//leve…
阅读更多...
c# 前后台协同

c# 前后台协同

目的&#xff0c;前台显示页面&#xff0c;后台加载所需数据集到前台。 1、声明数据库中对应表的实体类,创建的实体类和数据表同名&#xff0c;方便维护 public class sjbtable { //字段的get set public long ID { get; set; } public string NAME { get; set; } }…
阅读更多...
epoll合集

epoll合集

一、epoll_event epoll_event 结构体用于在 Linux 中管理异步 I/O 事件。让我们来详细了解一下&#xff1a; 定义&#xff1a; epoll_event 结构体指定了内核在相应的文件描述符就绪时应保存并返回的数据。它的定义如下&#xff1a; #include <sys/epoll.h> struct e…
阅读更多...
C# 方法

C# 方法

文章目录 1.方法的定义与调用2.方法的参数3.方法参数的赋值4.引用传参5.方法的返回值6.out输出参数7.参数列表8.作用域上期练习题答案本期练习题 1.方法的定义与调用 using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Th…
阅读更多...
Linux 系统调用函数fork、vfork、clone详解

Linux 系统调用函数fork、vfork、clone详解

文章目录 1 fork1.1 基本介绍1.2 fork实例1.2.1多个fork返回值1.2.2 C语言 fork与输出1.2.3 fork &#x1f4a3; 2 vfork2.1 基本介绍2.2 验证vfork共享内存 3 clone3.1 基本介绍3.2 clone使用 1 fork 1.1 基本介绍 #include <sys/types.h> #include <unistd.h>p…
阅读更多...
Unity 3D中使用泛型

Unity 3D中使用泛型

目录 泛型所提供的好处有以下3点C#提供的泛型机制主要可以分为以下两种形式Mono运行时对泛型机制的优化泛型委托泛型委托中的泛型类型参数可以是以下3种中的其中一种&#xff1a;什么是泛型约束泛型约束一共有6种&#xff1a;泛型中的类型约束的几种形式类型约束的组合合法的约…
阅读更多...
PS学习-抠图-蒙版-冰块酒杯等透明物体

PS学习-抠图-蒙版-冰块酒杯等透明物体

选中图&#xff0c;ctrlA 全选 ctrlC复制 创建一个蒙版图层 选中蒙版Alt 点击进入 ctrlv 复制 ctrli 反转 原图层 ctrldelete填充为白色 添加一个背景&#xff0c;这个方法通用 首选创建一个 拖到最底部 给它填充颜色 这个可能是我图片的原因。视频是这样做的
阅读更多...
五子棋小游戏（sut实验报告）

五子棋小游戏（sut实验报告）

实验目的 实现人与人或人与电脑进行五子棋对弈 实验内容 启动游戏&#xff0c;显示游戏参数设置界面&#xff0c;用户输入参数后进入游戏界面&#xff0c;显示棋盘及双方博弈过程&#xff0c;游戏过程中可选择退出游戏。判定一方获胜后结束本局游戏&#xff0c;可选择继续下…
阅读更多...
Mysql挂掉怎么办

Mysql挂掉怎么办

思路 从库处理&#xff0c;relaylog&#xff0c;讲从库升级主库。 待主机恢复后&#xff0c;主机替换为从库。 具体操作 简介&#xff1a; 主库宕机 Master DOWN机-企业场景一主多从宕机从库切换主继续和从同步过程详解 登陆从库&#xff0c;show processlist; 查看两个线…
阅读更多...
20个最佳ChatGPT博客写作提示

20个最佳ChatGPT博客写作提示

20 Best ChatGPT Prompts for Blog Writing 在数字化时代&#xff0c;内容为王&#xff0c;持续产出高质量、吸引人的博客文章是任何作家、营销人员或企业主的重要技能。随着对新鲜和相关性内容的需求不断增长&#xff0c;挑战往往在于生成想法、构建文章结构&#xff0c;并确…
阅读更多...
最新文章

Copyright @ 2022~2023