一、本文介绍
本文记录的是基于MobileNet V1的YOLOv10轻量化改进方法研究。MobileNet V1基于深度可分离卷积构建,其设计旨在满足移动和嵌入式视觉应用对小型、低延迟模型的需求,具有独特的模型收缩超参数来灵活调整模型大小与性能。本文将MobileNet V1应用到YOLOv10中,有望借助其高效的结构和特性,提升YOLOv10在计算资源有限环境下的性能表现,同时保持一定的精度水平。
| 模型 | 参数量 | 计算量 |
|---|---|---|
| YOLOv10m | 16.5M | 64.0GFLOPs |
| Improved | 14.3M | 40.3GFLOPs |
专栏目录: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
文章目录
二、MoblieNet V1设计原理
2.1 出发点
在许多实际应用如机器人、自动驾驶和增强现实中,识别任务需要在计算资源有限的平台上及时完成。但以往为提高准确性而构建的更深更复杂的网络,在尺寸和速度方面并不高效。因此,需要构建小型、低延迟的模型来满足移动和嵌入式视觉应用的设计要求。
2.2 结构原理
- 深度可分离卷积(Depthwise Separable Convolution):这是
MobileNet模型的核心构建模块。它将标准卷积分解为深度卷积(depthwise convolution)和1×1卷积(pointwise convolution)。- 对于
MobileNet,深度卷积对每个输入通道应用单个滤波器,然后点卷积通过1×1卷积组合深度卷积的输出。标准卷积在一步中同时过滤和组合输入以生成新的输出,而深度可分离卷积将此过程分为两步,从而大幅降低了计算量和模型尺寸。
例如,一个标准卷积层输入为
- 对于
订阅专栏 解锁全文
1万+



被折叠的 条评论
为什么被折叠?



