YOLO26改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet，超级精简高效的轻量化模块

一、本文介绍

本文记录的是基于StarNet的YOLO26轻量化改进方法研究。YOLO26主要用于轻量化应用部署，相关轻量化改进与其整体架构非常适配。

StarNet设计简洁，没有复杂的设计和精细调整的超参数，仅是一个 4 阶段的分层架构。并且其中星操作能够在低维空间计算的同时考虑极高维的特征这一特性，进而提高模型精度。

本文在替换骨干网络中配置了原论文中的starnet_s050、starnet_s100、starnet_s150、starnet_s1、starnet_s2、starnet_s3和starnet_s4七种模型，以满足不同的需求。

专栏目录：YOLO26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

专栏地址：YOLO26改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

二、🌟

Rewrite the Stars

StarNet是一种基于星操作（star operation）的轻量化神经网络模型，以下是其相关介绍：

2.1 出发点

• “星操作”的优势适配：研究发现“星操作”（element - wise乘法）在网络设计中具有潜力，它能在不增加网络宽度的情况下将输入映射到高维非线性特征空间，类似核技巧。这种特性使得基于“星操作”的网络可能更适合高效、紧凑的网络结构，而不是传统的大型模型，从而启发了StarNet的设计。
• 现有高效网络的局限性：尽管已有多种提升网络效率的方法，如深度可分离卷积、特征复用和重参数化等，但“星操作”提供了一种新的思路，可以在低维空间计算的同时考虑极高维的特征，为高效网络设计提供了独特优势，促使研究人员探索基于“星操作”的轻量化模型。

2.2 原理

2.2.1 高维特征映射

• 单一层的“星操作”：在神经网络的单一层中，“星操作”通常写为 ( W 1 T X + B 1 ) ∗ ( W 2 T X + B 2 )