一、本文介绍
本文记录的是基于 GhostNetV3 的 YOLOv8 轻量化改进方法研究。GhostNetV3的轻量模块采用重参数化方法,训练时为深度可分离卷积和1×1卷积添加线性并行分支,推理时通过逆重参数化移除分支、折叠操作,能够在不增加推理成本的同时提高性能,从而实现YOLOv8的轻量化改进。
专栏目录:YOLOv8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、GhostNet V3模型轻量化设计
GhostNetV3: Exploring the Training Strategies for Compact Models
GhostNetV3旨在为边缘设备设计高效的轻量模型,通过独特的模块设计,在保持模型较小尺寸和快速推理速度的同时,提高模型性能。
2.1 出发点
为满足边缘设备有限的内存和计算资源需求,需要设计计算成本低、推理速度快的轻量模型。深度可分离卷积和1×1卷积由于内存和计算消耗可忽略不计,成为紧凑模型架构中的常见组件,GhostNetV3在此基础上,对这些组件采用重参数化方法以提升性能。
2.2 结构原理
在训练阶段,为3×3深度可分离卷积和1×1卷积引入线性并行分支,这些分支配备BatchNorm层。
值得注意的是,在重参数化的3×3深度可分离卷积中引入了1×1深度可分离卷积分支。推理时,可通过逆重参数化过程移除这些并行分支。由于卷
订阅专栏 解锁全文
2461



被折叠的 条评论
为什么被折叠?



