YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2（附代码+修改教程）

原创 已于 2024-10-24 00:19:29 修改 · 3.2k 阅读 · 23 GEO检测
于 2024-10-24 00:18:52 首次发布

 一、本文内容

本文给大家带来的改进内容是ShuffleNetV2，这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外，还应考虑速度、内存访问成本和平台特性。(我在YOLOv11n上修改该主干降低了GFLOPs,参数量也有大幅度下降，其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

   专栏回顾：YOLOv11改进系列专栏——本专栏持续复习各种顶会内容——科研必备

目录

 一、本文内容

二、ShuffleNetV2框架原理​编辑

三、ShuffleNetV2核心代码

四、手把手教你添加ShuffleNetV2网络结构

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四 

4.5 修改五

4.6 修改六 

4.7 修改七

4.8 修改八

4.9 修改九

五、ShuffleNetV2的yaml文件

六、成功运行记录 

七、本文总结

二、ShuffleNetV2框架原理

官方论文地址：官方论文地址

官方代码地址：官方代码地址

标签
#YOLO #深度学习 #人工智能 #计算机视觉 #python
#目标检测 #YOLOv11 #1024程序员节
了解本专栏 订阅专栏 解锁全文
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
黎国溥
10-08 4万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
YOLO11 改进系列 | Focal-IoU 系列 Loss 全解析：focal_iou、focal_eiou 配置与源码
qq_44224801的博客
06-10 79
本文介绍了YOLOv11中新增的Focal-IoU和Focal-EIoU边框回归损失函数。这两种改进方法通过引入基于IoU质量的focal权重，对不同质量的预测框进行训练贡献调整。Focal-IoU在普通IoU基础上乘以IoU的γ次方(默认γ=0.5)，而Focal-EIoU则结合了EIoU的几何约束和IoU权重。这两种方法只需在配置文件中设置box_loss为"focal_iou"或"focal_eiou"即可启用，无需改变模型结构或推理流程，特别适合处理样本质量不均衡或目标尺度变化明显的检测任务。文章详
YOLOv8改进（一）-- 轻量化模型ShuffleNetV2
qq_44231797的博客
06-02 5862
YOLOv8；ShuffleNetV2
YOLOv8网络轻量化改进原创思路及代码，结合CVPR最新Idea
crasher123的博客
08-06 4210
近年来，轻量化目标检测一直是计算机视觉领域的研究热点。在CVPR 2023会议上，许多研究者提出了一些有效的方法来改进YOLOv8目标检测的精度和效率。结合这些最新成果，我们可以从以下几个方面来进行改进。首先，我们可以考虑使用更紧凑的网络结构来减少模型的参数数量和计算量；其次，我们可以引入一些注意力机制来提升模型对重要区域的关注程度；最后，我们可以通过增强数据增强策略和使用更先进的训练技巧来提升模型的准确性。下面将详细介绍这些改进思路以及对应的网络修改代码。
如何从轻量化角度改进YOLOv8？
jsnuchao的博客
03-11 1万+
改进YOLOv8：压缩、优化、结合新技术，提高精度。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 8万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 18万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv5改进系列(三) 更换backbone主干MobileNetV3，ShuffleNetV2，EfficientNetv2，GhostNet，SwinTransformer
专注于人工智能学习，总结
12-14 3604
文章目录MobileNetV3一、MobileNetV3原理**1.1 MobileNetV3简介**1.2 **MobileNetV3相关技术**二、YOLOv5结合MobileNetV3_small2.1 添加顺序2.2 具体添加步骤**第①步：在common.py中添加**MobileNetV3**模块****第②步：在yolo.py文件里的parse_model函数加入类名****第③步：创建自定义的yaml文件**第④步：验证是否加入成功**第⑤步：修改train.py中 ‘--cfg’默认参数*
YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV1（附代码+修改教程）
Snu77的博客
10-24 4173
本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备(我在YOLOv11n上修改该主干计算量仅为7.0GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。
[yolov11改进系列]基于yolov11的骨干轻量化更换backbone为shufflenetv2网络python源码+训练源码
FL1623863129的博客
05-25 1661
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
[yolov11改进系列]基于yolov11的骨干轻量化更换backbone为shufflenetv1网络python源码+训练源码
FL1623863129的博客
05-25 981
YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。
YOLOv11改进缝合主干/Backbone | 基于ShuffleNetV1架构的YOLOv11轻量化目标检测模型构建
一键难忘的博客
07-07 442
本文介绍的改进内容是ShuffleNetV1，这是一种专为移动设备设计的高效卷积神经网络架构。ShuffleNetV1通过引入点群卷积（Group Convolution）和通道混洗（Channel Shuffle）等关键技术，大幅减少了计算量和内存开销，同时保持了较高的准确性。这些技术使得ShuffleNet在降低计算复杂度的同时，提升了模型的运行效率，非常适合资源受限的低功耗移动设备。
YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv12的网络结构图
qq_44231797的博客
04-18 1万+
本文将给出YOLO各版本网络结构图的绘制方法及图。本文所展示均为YOLO各模型n或s相对轻量的网络结构，部分为通用。
YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
10-11 1万+
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
yolov26改进 | 融合改进篇 | 轻量级移动端网络ShuffleNetV2融合CCFM参数量仅百万（附代码+修改教程）
最新发布
Snu77的博客
08-05 55
本文介绍ShuffleNetV2与跨尺度特征融合模块CCFM融合改进的YOLOv26。ShuffleNetV2以硬件效率为导向，通过通道分割、轻量卷积和Channel Shuffle减少冗余计算与内存访问，在降低参数量和GFLOPs的同时保持高效特征提取；CCFM进一步加强不同尺度特征交互，弥补轻量主干语义表达不足的问题。本人在轻量模型上测试后，参数量和计算量明显下降，检测精度有一定提升，适合移动端、边缘设备及实时检测任务。文中提供完整代码、配置文件、模块注册及Codex修改思路，方便复现、对比和二次创新。
【YOLO改进】一、v5的backbone改为shuffleNet，并进行效果对比
qq_55068938的博客
11-14 6330
近期，想尝试将YOLOV5的backbone改为ShuffleNetv2这类的轻量级网络，想和yolov5s进行对比
YOLO系列算法改进 | 主干改进篇 | 替换ShuffleNetV2主干特征提取网络 | 助力YOLO26等模型实现极致轻量化！
2502_91881744的博客
02-18 294
YOLO系列算法改进 | 主干改进篇 | 替换ShuffleNetV2主干特征提取网络 | 助力YOLO26等模型实现极致轻量化！ (以YOLO26最新目标检测模型为基础，利用ShuffleNetV2网络替换Backbone)
轻量级Backbone替换：ShuffleNetV2与YOLOv11结合
as1225120794的博客
04-07 178
先别急着翻论文，说几个实际测试数据。我们在树莓派4B上对比了MobileNetV3、GhostNet和ShuffleNetV2，输入尺寸416×416，同样输出三层特征图的情况下，ShuffleNetV2的延迟最低，内存访问量（Memory Access Cost）比MobileNet少40%左右。等通道宽度避免分组卷积的访存瓶颈和减少碎片化操作。简单说，它像是个精心设计的手动挡变速箱，虽然结构简单，但每个齿轮咬合得严丝合缝。但直接拿开源ShuffleNetV2替换Backbone会出问题。
YOLOv5-Lite 详解教程 | 嚼碎所有原理、训练自己数据集、TensorRT部署落地应有尽有...
3D视觉工坊
03-11 8548
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童YOLOv5 Lite在YOLOv5的基础上进行一系列消融实验，使其更轻（Flops更小，内存占用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Snu77

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值