YOLOv8改进策略【卷积层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测

一、本文介绍

本文记录的是利用CGHalfConv 模块改进 YOLOv8 的卷积层特征提取部分。

CGHalfConv(Channel Grouping Half Convolution)通过半通道卷积计算与半通道特征保留机制结合,实现YOLOv8特征提取的轻量化计算与原始特征的高效保留。本文利用CGHalfConv模块,通过半通道卷积对目标关键特征进行针对性提取以降低计算开销,再通过半通道特征直接保留避免卷积带来的特征信息损失,同时依托通道分组适配不同尺度目标的特征提取需求,对YOLOv8中不同尺度目标的浅层视觉特征与深层细节特征进行双重保留、抑制无效背景特征的冗余计算干扰,在特征提取阶段实现轻量化计算与高保真特征表达的高效平衡,避免传统卷积的高计算量与深度可分离卷积的特征丢失问题,增强模型在资源受限端设备上对复杂场景下多尺度目标的检测速度与精度。


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

专栏地址:YOLOv8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、CGHalfConv介绍

2.1 设计出发点

CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。

2.2 模块结构

CGHalfConv是半卷积的定制化实现,为通道分组视觉Transformer(CGViT)的核心卷积模块,整体为单通道分组下的半通道卷积+半通道保留的轻量化结构:

  1. 输入特征图按通道分组后,对每组特征图的前半部分通道执行标准卷积操作,完成空间特征提取;
  2. 对每组特征图的后半部分通道不做卷积处理,直接保留原始特征信息;
  3. 将卷积处理后的半通道特征与原始保留的半通道特征进行拼接,输出与输入通道数一致的特征图,无额外通道维度变化。

YOLOv12涨点改进 | 全网首发Conv改进篇 | SCI一区2025 | 轻量化改进,引入CGHalfConv通道分组半卷积模块,更细致地区分目标的边缘纹理、颜色、结构等关键信息,提升检测精度 本文提出GCHalf-convolution模块用于改进YOLOv12模型,通过通道分组与半卷积结合实现轻量化设计。该模块将特征图通道分为三组,分别提取颜色形状、纹理细节和深层语义特征,同时采用半卷积减少计算量。实验表明,改进后的模型在保持轻量的同时提升了特征提取能力,适用于移动端等资源受限场景。文章详细介绍了模块原理、代码实现及YAML配置方法,为相关研究提供了可参考的技术方案。 阅读详情

相关推荐

YOLOv11改进策略【卷积层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测

CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。

Limiiiing的博客 368

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

1️⃣本专栏已更新150多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,紧跟学术热点,适应不同的任务场景。3️⃣团队内发表数篇SCI论文,熟悉完整的发表流程,订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新,最近更新时间:2024-12-24。项目介绍在大家购买专栏后,加入学

Limiiiing的博客 1万+

YOLOv11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

如今各种网络模型更新迭代越来越快,计算机视觉相关的文章也越来越多,多到一些普通,通用的改进点无法达到发表的要求。本专栏正是解决这个问题!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。

Limiiiing的博客 6万+

YOLOv12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

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

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

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。

Limiiiing的博客 1万+

YOLOv12改进策略【卷积层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测

CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。

Limiiiing的博客 161

YOLOv13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

1️⃣ 已更新种不同的改进方案,专栏内的每篇文章皆,均可顺利运行。2️⃣ 订阅专栏即可进群获取以及从的各种答疑内容。3️⃣ 全新的YOLOv13改进专栏,,只为更好的满足论文发表的要求。专栏内容,专栏实时评分,全网最高,质量保证。🎫。。

Limiiiing的博客 9214

YOLOv10改进策略【卷积层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测

CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。

Limiiiing的博客 67

YOLOv13改进策略【特征提取层】| ESWA 2025 分组半卷积CGHalfConv 半通道计算提效率 + 原特征保留保精度,轻量化端侧检测

CGHalfConv是为轻量级识别场景设计的改进型卷积模块,核心解决传统卷积/深度可分离卷积在资源受限端设备上的两大痛点:一是传统卷积计算量、内存访问成本高,不适配边缘设备;二是深度可分离卷积的逐点卷积易造成精度损失,且为弥补精度提升通道数会进一步增加内存开销。同时结合果蔬图像的特征提取需求,在轻量化前提下保证对颜色、形状、纹理等判别性特征的提取能力,是对FasterNet部分卷积的升级优化,适配果蔬识别的轻量级网络设计。

Limiiiing的博客 105

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

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏已更新260多种不同的改进方法,所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手

Limiiiing的博客 6595

AI编程实战:YOLO11道路坑洼检测实战,从数据集准备到模型训练与结果分析(附完整Prompt)

Prompt 9:使用 best.pt 进行检测现在我已经完成 YOLO11 道路坑洼检测模型训练。训练得到的最佳权重文件路径为:xxxxxx请根据当前项目实际路径,帮我编写一个自定义模型图片检测脚本。要求:1. 加载刚刚训练得到的 best.pt;2. 支持指定单张图片进行检测;3. 支持指定图片文件夹进行检测;4. 使用 YOLO11 目标检测接口;5. 保存检测结果;6. 输出检测结果图片的保存路径;7. 不要修改原始图片;

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 58

YOLO训练调优与问题诊断实战,从损失震荡到mAP异常的全链路排查

本文系统梳理YOLO训练中的常见问题,构建从现象到根因的诊断框架,涵盖损失不降、mAP异常、震荡与NaN等典型故障。通过监控梯度范数、正样本分布、特征图等关键信号,结合控制变量法,精准定位数据标注、学习率、增强策略、优化器配置等问题。重点解析学习率调度、梯度裁剪、EMA、混合精度训练等调优技巧,提供可复用的排查checklist与PyTorch监控代码,助力实现高效、稳定的模型训练。

QQ_778132974的博客 29

基于STM32电压检测和电流检测

1.可测量直流电压0~36V,适用于低电压电子电路中。 2.可测量直流电0~5A范围内,目前采用的ACS712测量量程为5A,该模块有多个量程,可测量到20A 3.实时功率监测 4.电池电量监测(采用电压压降方式计算)

weixin_44453694的博客 6万+

从仿真到实战:PMOS缓启动与栅极泄放电路的优化设计

本文深入探讨了PMOS缓启动与栅极泄放电路的优化设计,通过立创EDA仿真和实物调试,解决了关断速度慢和耐压问题。文章详细介绍了电路改进方案和低功耗优化技巧,为工程师提供了实用的工程实践建议,帮助提升电源开关电路的性能和可靠性。

weixin_28721917的博客 264

AI Agent实战:WorkBuddy安装部署、任务执行与模型接入全教程

AI Agent是当前自动化办公与智能工作流的核心技术,它区别于传统问答式AI,能够理解目标、拆解任务并调用工具交付完整成果。其底层原理基于任务规划、工具调用与结果验证的循环机制,让机器从“提供建议”进化为“完成任务”。在工程实践中,合理配置模型服务(如接入DeepSeek)、设计标准化Skill(技能包)与自定义指令,可以显著提升Agent在报告生成、数据分析、竞品调研等场景中的稳定性与效率。WorkBuddy作为典型的任务式AI工作台,为运营、产品、开发等多角色提供了统一入口,覆盖安装部署、任务描述公式

weixin_26712075的博客 294

汽车级智能栅极驱动器深度解析 | 连载01:DRV871x-Q1系列产品架构与核心特性

集成度:单芯片集成多通道驱动器、电源管理、电流检测智能化:自适应控制算法,减少外部元件可靠性:多重保护机制,满足汽车级要求灵活性:SPI和硬件两种接口,适应不同应用需求。

VehSwHwDeveloper的博客 1161

10BASE-T1S协议中的PLCA机制:实现无碰撞网络传输的关键

本文深入解析了10BASE-T1S协议中的PLCA(物理层冲突避免)机制。作为IEEE 802.3cg标准的关键部分,PLCA通过循环调度与机会传递,从根源上避免了网络碰撞,为工业与汽车等场景提供了确定性的低延迟传输保障,是实现可靠实时通信的核心技术。

weixin_29250403的博客 215

【SCADA】KingSCADA将数据插入SQLServer的方法

1、创建数据库及数据表格;2、配置ODBC数据源。3、通过KingSCADA与数据库建立连接,将数据写入数据库对应表格。

做有价值的事,积累有价值的笔记! 4974

[自动化工具] 解放双手的利器:「自动邮件平台」工具助你高效搞定重复通知任务

摘要:自动邮件平台是一款零门槛自动化工具,帮助用户高效处理重复性邮件任务。该平台支持两种调度模式(指定日期和间隔天数),无需编码即可快速设置账单提醒、活动通知等任务。提供免费托管版(小时级调度)和自主部署版(分钟级调度),满足不同精度需求。典型应用场景包括客户跟进、系统监控等周期性任务。用户只需三步即可完成设置,还能扩展定制化功能。该工具让非技术人员也能轻松实现邮件自动化,释放时间专注更重要的工作。

每日出拳老爷子的博客 112

BF8815A

了解ADBMS1818芯片的人会发现,这款BF8815B和1818有着很多相似的东西,当你了解其中一款AFE之后,另一款你的上手也会特别快,下面文章是我针对1818梳理的一些重要知识点,此篇文章主要讲解BF8815B的一些差异点。

m0_61973119的博客 574

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

上一篇: 【YOLOv10多模态融合改进】| 自研 多模态通道重排序与分层子空间拆分结合模块:MM_HMHA,适配多模态图像信息融合
下一篇: YOLOv8改进策略【卷积层】| arXiv 2025 YOLO-Master中的稀疏混合专家ES-MoE 动态路由提适配 + 稀疏激活降延迟,突破精度-效率权衡
Limiiiing
博客等级 码龄8年 2万+粉丝 1905原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

Limiiiing

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
⌂ 换网址