【RT-DETR有效改进】全新的SOATA轻量化下采样操作ADown（轻量又涨点，附手撕结构图）

原创已于 2024-03-07 11:40:30 修改 · 4.7k 阅读

32 GEO检测

于 2024-03-05 01:30:00 首次发布

RT-DETR有效改进专栏专栏收录该内容

70 篇文章 ¥129.90 ¥299.90

订阅专栏

本文介绍了如何利用YOLOv9的ADown模块改进RT-DETR的Conv模块，实现参数量减少和精度提升。通过详细的手动添加步骤，包括文件修改和代码导入，读者可以学习如何在RT-DETR中应用ADown。作者还提供了不同ResNet版本的yaml文件以供替换，并分享了相关资源链接。

一、本文介绍

本文给大家带来的改进机制是利用2024/02/21号最新发布的YOLOv9其中提出的ADown模块来改进我们的Conv模块，其中YOLOv9针对于这个模块并没有介绍，只是在其项目文件中用到了，我将其整理出来用于我们的RT-DETR的项目，经过实验我发现该卷积模块（作为下采样模块）首先可以大幅度降低参数值，其次其精度上也有很高的提升，同时本文的内容目前网络上并无其它人总结（也是最新发布的，可以说BUff是集满了）大家可以尝试以下在自己数据集上的效果。

欢迎大家订阅我的专栏一起学习RT-DETR！

专栏目录： RT-DETR改进有效系列目录 | 包含卷积、主干、RepC3、注意力机制、Neck上百种创新机制

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR

一、本文介绍

二、框架图

三、核心代码

四、手把手教你添加ADown机制

4.1 修改一

4.2 修改二

4.3 修改三

4.4 修改四

五、ADown的yaml文件和运行记录

5.1 替换ResNet的yaml文件1(ResNet18版本)

5.2 替换ResNet的yaml文件1(ResNet50版本)

5.3 即插即用的yaml文件（HGNetV2版本）

六、本文总结

二、框架图

目前针对该结构并无原理介绍，下面的图片为我个人经过代码复现的结构图，结构上也是非常的简单。

三、核心代码

核心代码的使用方式看章节四！

import torch
import torch.nn as nn


__all__ = ['ADown']

def autopad(k, p=None, d=1):  # kernel, padding, dilation
    # Pad to 'same' shape outputs
    if d > 1:
        k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k]  # actual kernel-size
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k

标签