主干专题

YoloV8改进策略：主干网络改进|CAS-ViT在YoloV8中的创新应用与显著性能提升

摘要在深度学习与计算机视觉领域，模型效率与性能之间的平衡一直是研究者和开发者关注的焦点。特别是在实时检测与识别任务中，如YoloV8这类高效的目标检测模型，其主干网络的选择对整体性能具有决定性作用。近期，我们通过将CAS-ViT（卷积加性自注意力视觉Transformer）创新性地引入到YoloV8中，替换其原有的主干网络，实现了令人瞩目的性能提升，这一改进不仅彰显了CAS-ViT的强大潜力，

mmlab——跨项目调用主干网络

文章目录前言一、mmpretrain总结前言例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。一、mmpretrain 在mmsegmentation中调用mmpretrain主干网络代码如下： mmlab采用统一的文件注册机制，因此只要将相应的mmdet、mmseg、mmp

YOLOv8主干网络使用FasterNet替换

1 提出问题减少GFLOPs就一定能提高模型的运行速度吗？一般人认为这个是理由应当的。但是在FasterNet文章中，作者告诉我们：不一定！延迟与浮点数运算的关系如下： Latency=FLOPs÷FLOPS FLOPs：模型浮点数运算 FLOPS：每秒浮点数运算这个你们在实验中可以得到验证，MobileNetV3主干网络替换之后，参数量下降很多，FLOPs也下降很多，但是在GPU平台上

主干网络篇 | YOLOv5/v7 更换主干网络之 ResNet50/ResNet101 | 对比实验必备

主干网络篇 | YOLOv5/v7 更换主干网络之 ResNet50/ResNet101 | 对比实验必备 1. 简介 ResNet 是近年来最受欢迎的深度卷积神经网络架构之一，它以其优异的性能和鲁棒性而著称。ResNet50 和 ResNet101 是 ResNet 家族中最常用的两个模型，它们分别具有 50 层和 101 层残差块。 YOLOv5 和 YOLOv7 是目前流行的实时目标检

改进YOLOv8 | 主干网络篇 | YOLOv8 更换主干网络之 StarNet | 《重写星辰⭐》

本改进已集成到 YOLOv8-Magic 框架。论文地址：https://arxiv.org/abs/2403.19967 论文代码：https://github.com/ma-xu/Rewrite-the-Stars 最近的研究引起了人们对“星形运算”（按元素乘法）在网络设计中未被充分利用的潜力的关注。虽然直观的解释很多，但其应用的基本原理仍然大部分未被探索。我们的研究试图揭示

更换 RT-DETR 主干网络为【ResNet-18】【ResNet-34】| 已支持 18/34/50/101/152 全系列尺寸

本专栏内容均为博主独家全网首发，未经授权，任何形式的复制、转载、洗稿或传播行为均属违法侵权行为，一经发现将采取法律手段维护合法权益。我们对所有未经授权传播行为保留追究责任的权利。请尊重原创，支持创作者的努力，共同维护网络知识产权。之前这篇文章写过了添加【ResNet-50】【ResNet-101】【ResNet-152】，我们这篇写添加【ResNet-18】【ResNet-34】，

backbone主干网络的选取

backbone_name 通常用于指定深度学习模型的主干网络（backbone network）。主干网络是指在整个模型中承担主要特征提取任务的部分。不同的主干网络有不同的架构和特征提取能力，适用于不同的任务和数据集。针对戴着口罩和戴着3D眼睛提取人脸特征，没有一个特定的网络是绝对最佳的，而是取决于许多因素，包括数据集的大小、特征的复杂性、任务的要求以及计算资源的可用性。然而，有一些网络架构在

YOLOv5改进 | 主干网络 | 用repvgg模块替换Conv【教程+代码】

💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡 尽管Ultralytics 推出了最新版本的 YOLOv8 模型。但YOLOv5作为一个anchor base的目标检测的算法，YOLOv5可能比YOLOv8的效果更好。注意力机制是提高模型性能最热门的方法之一，本文给大家带来的教程是将YOLOv5的backbone的Conv用repvgg模块替换来提取特征。文章在介绍主要的原理后，将

番外篇 | YOLOv5更换主干网络之Conformer：首个CNN + Transformer的backbone模型

前言：Hello大家好，我是小哥谈。Transformer和CNN在处理视觉表征方面都有着各自的优势以及一些不可避免的问题。因此，国科大、鹏城实验室和华为研究人员首次将二者进行了融合并提出全新的Conformer模型，其可以在不显著增加计算量的前提下显著提升了基网表征能力。论文已被ICCV 2021接收。🌈 目录 🚀1.论文

Tomcat源码解析-启动过程分析之主干流程

Tomcat启动入口就在脚本startup.sh中,具体脚本可以看tomcat的源码，这个启动脚本主要用来判断环境，找到catalina.sh脚本路径，将启动参数传递给catalina.sh执行。 catalina.sh start 最终会执行org.apache.catalina.startup.Bootstrap中的main方法，并把start参数传入。以后分析Tomcat关闭的时候，也

【YOLO改进】换遍MMDET主干网络之EfficientNet（基于MMYOLO）

EfficientNet EfficientNet是Google在2019年提出的一种新型卷积神经网络架构，其设计初衷是在保证模型性能的同时，尽可能地降低模型的复杂性和计算需求。EfficientNet的核心思想是通过均衡地调整网络的深度（层数）、宽度（每层的通道数）和分辨率（输入的图像尺寸）这三个维度，以实现模型的性能最大化。具体来说，EfficientNet使用了一个复合缩放方法（com

【YOLO改进】换遍MMDET主干网络之Pyramid Vision Transformerv2（PVTv2）（基于MMYOLO）

Pyramid Vision Transformer v2（PVTv2） Pyramid Vision Transformer v2（PVTv2）是在PVTv1的基础上进行改进的一种深度学习模型，它同样结合了Transformer架构和金字塔结构，旨在提供更强大的特征表示和更好的性能。 PVTv2的主要改进包括：降低计算复杂度：通过引入线性复杂度注意层（Linear Complexity

YOLOv5-7.0改进（一）MobileNetv3替换主干网络

前言本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~ 目录一、改进MobileNetV3_Small 第一步：修改common.py,新增MobileNetV3 第二步：在yolo.py的parse_model函数中添加类名第三步：制作模型配置文件第四步：验证新加入的主干网络二、改进Mobil

【YOLO改进】换遍MMDET主干网络之SwinTransformer-Tiny（基于MMYOLO）

SwinTransformer-Tiny SwinTransformer-Tiny是Swin Transformer模型的一个轻量级版本。Swin Transformer是微软亚洲研究院在2021年提出的一种新型的视觉Transformer，它通过引入移位窗口（Shifted Windows）的概念，实现了层次化的特征表示和线性的计算复杂度，使其在各种视觉任务中都取得了出色的性能。 SwinT

【YOLO改进】主干插入ShuffleAttention模块(基于MMYOLO)

ShuffleAttention模块论文链接:https://arxiv.org/abs/2102.00240 将ShuffleAttention模块添加到MMYOLO中将开源代码ShuffleAttention.py文件复制到mmyolo/models/plugins目录下导入MMYOLO用于注册模块的包: from mmyolo.registry import MODELS

【YOLO改进】主干插入SKAttention模块(基于MMYOLO)

SKAttention模块论文链接:https://arxiv.org/pdf/1903.06586.pdf 将SKAttention模块添加到MMYOLO中将开源代码SK.py文件复制到mmyolo/models/plugins目录下导入MMYOLO用于注册模块的包: from mmyolo.registry import MODELS 确保 class SKAttention

YOLOv9有效改进专栏汇总|未来更新卷积、主干、检测头注意力机制、特征融合方式等创新！[2024/4/21]

专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，助力高效涨点！！！专栏介绍 YOLOv9作为最新的YOLO系列模型，对于做目标检测的同学是必不可少的。本专栏将针对2024年最新推出的YOLOv9检测模型，使用当前流行和较新的模块进行改进。本专栏于2024年2月29日晚创建，预计四月底前加入目前大部分已出的顶会、顶刊模块。后期更新包含模块、卷积、检

Git工作流: 主干开发tag上线

使用git的朋友应该都熟悉一些常见的工作流，比如主干开发分支上线和分支开发主干上线。前者是指在master分支永远是开发版的最新代码，而分支上则是当前线上部署的代码，后者反之。这里给大家介绍一个我个人非常习惯的流程：主干开发，Tag上线。只用master分支，上线打tag 所谓Tag上线是指我们全程都只有一个master分支，所有代码都向master提交，当上线的时候我们会在当前版本上打一个

YOLOv9有效改进专栏汇总|未来更新卷积、主干、检测头注意力机制、特征融合方式等创新！[2024/4/14]

专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，助力高效涨点！！！专栏介绍 YOLOv9作为最新的YOLO系列模型，对于做目标检测的同学是必不可少的。本专栏将针对2024年最新推出的YOLOv9检测模型，使用当前流行和较新的模块进行改进。本专栏于2024年2月29日晚创建，预计四月底前加入目前大部分已出的顶会、顶刊模块。本周末推出YOLOv9创新

小红书店铺3天1000单，单篇笔记涨粉6000+，小红书知识教育类博主干货类笔记创作复盘

小红书知识教育类博主干货类笔记创作复盘一、情况介绍 1. 个人背景大家好，我一名专注于知识教育领域的小红书博主。在过去的努力中，我已经成功打造了两个万粉账号，并累计变现12万元。 2. 知识教育类博主的变现途径作为一名知识教育类博主，我主要通过接广告、运营小红书店铺以及私域引流等方式实现变现。 3. 竞争现状与新尝试近年来，干货图文笔记的竞争愈发激烈。为了脱颖而出，我开始尝试

主干网络篇 | YOLOv8更换主干网络之ConvNext | 全新的纯卷积模型

前言：Hello大家好，我是小哥谈。2022年，Facebook AI Research和UC Berkeley一起发表了一篇文章A ConvNet for the 2020s，在文章中提出了ConvNeXt纯卷积神经网络，它对标的是2021年非常火的Swin Transformer，通过一系列实验比对，在相同的FLOPs下，ConvNeXt相比Swin Transformer拥有更快的推理

YOLOv5算法进阶改进（20）— 更换主干网络之RepViT | 从ViT视角重新审视移动CNN

前言：Hello大家好，我是小哥谈。RepViT是一种基于Transformer的视觉模型，它的全称是Representation Learning with Visual Tokens。与传统的卷积神经网络不同，RepViT使用了Transformer的自注意力机制来提取图像中的特征。具体来说，RepViT将图像分成若干个视觉标记（visual tokens），然后将这些标记作为Trans

主干网络篇 | YOLOv5/v7 更换骨干网络之 HGNetv2 | 百度新一代超强主干网络

本改进已融入到 YOLOv5-Magic 框架。论文地址：https://arxiv.org/abs/2304.08069 代码地址：https://github.com/PaddlePaddle/PaddleDetection 中文翻译：https://blog.csdn.net/weixin_43694096/article/details/131353118 文

特征融合篇 | 结合内容引导注意力 DEA-Net 思想实现双主干特征融合新方法 | IEEE TIP 2024

本篇改进已集成到 YOLOv8-Magic 框架。摘要—单幅图像去雾是一个具有挑战性的不适定问题，它从观察到的雾化图像中估计潜在的无雾图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来改善模型性能。卷积神经网络（CNN）结构的学习能力仍然未被充分探索。本文提出了一个细节增强的注意力块（DEAB），由细节增强卷积（DEConv）和内容引导注意力（CGA）组成，用于增强特

YOLOV5 改进：更换主干网络为Resnet

1、前言之前实现了yolov5更换主干网络为MobileNet和vgg网络本章将继续将yolov5代码进行更改，通过引用官方实现的resnet网络，替换原有的yolov5主干网络替换的效果如下： 2、resnet 网络结构测试的代码为官方的resnet34 通过summary 打印的resnet网络结构如下 ============================

主干网络篇 | YOLOv8改进之用RCS-OSA替换C2f（来源于RCS-YOLO）

前言：Hello大家好，我是小哥谈。RCS-YOLO是一种目标检测算法，它是基于YOLOv3算法的改进版本。通过查看RCS-YOLO的整体架构可知，其中包括RCS-OSA模块。RCS-OSA模块在模型中用于堆叠RCS模块，以确保特征的复用并加强不同层之间的信息流动。本文就给大家详细介绍如何将RCS-YOLO算法中的RCS-OSA模块替换YOLOv8主干网络结构中的C2f模块！~🌈