相關(guān)文章

• YOLOv8輕量化：MobileNetV3，理想的輕量級(jí)骨架選擇 - 計(jì)算機(jī)視覺

  YOLOv8是一種廣泛應(yīng)用于目標(biāo)檢測任務(wù)的深度學(xué)習(xí)模型。為了在計(jì)算資源受限的環(huán)境下實(shí)現(xiàn)高效的目標(biāo)檢測，使用輕量級(jí)骨架是至關(guān)重要的。在這方面，MobileNetV3是一個(gè)出色的選擇，它具有較少的參數(shù)和計(jì)算復(fù)雜度，同時(shí)保持了較高的準(zhǔn)確性和速度。 MobileNetV3是Google提出的一種

  2024年03月16日

  瀏覽(36)
• 

  主干網(wǎng)絡(luò)篇 | YOLOv8更換主干網(wǎng)絡(luò)之VanillaNet | 華為方舟實(shí)驗(yàn)室提出全新輕量級(jí)骨干架構(gòu)

  前言： Hello大家好，我是小哥談。 華為方舟實(shí)驗(yàn)室所提出的VanillaNet架構(gòu)克服了固有復(fù)雜性的挑戰(zhàn)，使其成為資源受限環(huán)境的理想選擇。其易于理解和高度簡化的架構(gòu)為高效部署開辟了新的可能性。廣泛的實(shí)驗(yàn)表明，VanillaNet提供的性能與著名的深度神經(jīng)網(wǎng)絡(luò)和vision transformer

  2024年04月14日

  瀏覽(88)
• 

  Yolov8輕量級(jí)：EfficientViT，基于級(jí)聯(lián)分組注意力模塊的全新實(shí)時(shí)網(wǎng)絡(luò)架構(gòu)，better speed and accuracy

  ??EfficientViT: Memory Efficient Vision Transformer with Cascaded Group Attention 論文：https://arxiv.org/abs/2305.07027 代碼：Cream/EfficientViT at main · microsoft/Cream · GitHub ????????近些年對(duì)視覺Transformer模型（ViT）的深入研究，ViT的表達(dá)能力不斷提升，并已經(jīng)在大部分視覺基礎(chǔ)任務(wù) (分類，檢測，分

  2024年02月07日

  瀏覽(101)
• 

  實(shí)踐航拍小目標(biāo)檢測，基于輕量級(jí)YOLOv8n開發(fā)構(gòu)建無人機(jī)航拍場景下的小目標(biāo)檢測識(shí)別分析系統(tǒng)

  關(guān)于無人機(jī)相關(guān)的場景在我們之前的博文也有一些比較早期的實(shí)踐，感興趣的話可以自行移步閱讀即可： 《deepLabV3Plus實(shí)現(xiàn)無人機(jī)航拍目標(biāo)分割識(shí)別系統(tǒng)》 《基于目標(biāo)檢測的無人機(jī)航拍場景下小目標(biāo)檢測實(shí)踐》 《助力環(huán)保河道水質(zhì)監(jiān)測，基于yolov5全系列模型【n/s/m/l/x】開發(fā)構(gòu)

  2024年03月11日

  瀏覽(31)

• YOLOv5/v8改進(jìn)主干GhostNetV2系列：首發(fā)結(jié)合最新NIPS2022華為諾亞的GhostNetV2 架構(gòu)：引入長距離注意力機(jī)制增強(qiáng)廉價(jià)操作，構(gòu)建更強(qiáng)端側(cè)輕量型骨干，打造高效輕量級(jí)檢測器

  ??該教程為改進(jìn)進(jìn)階指南，屬于 《芒果書》 ??系列，包含大量的原創(chuàng)首發(fā)改進(jìn)方式, 所有文章都是全網(wǎng)首發(fā)原創(chuàng)改進(jìn)內(nèi)容?? 降低改進(jìn)難度,改進(jìn)多種結(jié)構(gòu)演示 ??本篇文章基于 基于 YOLOv5、YOLOv8網(wǎng)絡(luò) 首發(fā)結(jié)合最新NeurIPS2022華為諾亞針對(duì)端側(cè)設(shè)備的GhostNetV2 架構(gòu)：長距離注意力

  2023年04月23日

  瀏覽(34)
• 

  基于yolov5輕量級(jí)的學(xué)生上課姿勢檢測識(shí)別分析系統(tǒng)

  在我之前的博文中已經(jīng)做過關(guān)于人體姿勢識(shí)別人體姿態(tài)檢測的博文，都是比較早期的技術(shù)模型了，隨機(jī)技術(shù)的迭代更新，很多更加出色的模型陸續(xù)出現(xiàn)，這里基于一些比較好用的輕量級(jí)模型開發(fā)的姿態(tài)檢測模型。 原始博文如下： 《人體行為姿勢識(shí)別數(shù)據(jù)集WISDM實(shí)踐》 ? 《y

  2024年01月17日

  瀏覽(30)
• 

  YOLOv5/v7 應(yīng)用輕量級(jí)通用上采樣算子CARAFE

  特征上采樣是現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中的關(guān)鍵操作，例如特征金字塔。其設(shè)計(jì)對(duì)于密集預(yù)測任務(wù)，如目標(biāo)檢測和語義/實(shí)例分割至關(guān)重要。在本研究中，我們提出了一種稱為內(nèi)容感知特征重組（CARAFE）的通用、輕量級(jí)且高效的操作符，以實(shí)現(xiàn)這一目標(biāo)。CARAFE具有以下幾個(gè)優(yōu)點(diǎn)：

  2024年02月08日

  瀏覽(23)
• 

  Yolov5輕量級(jí)：EfficientViT， better speed and accuracy

  ?EfficientViT: Memory Efficient Vision Transformer with Cascaded Group Attention 論文：https://arxiv.org/abs/2305.07027 代碼：Cream/EfficientViT at main · microsoft/Cream · GitHub ????????近些年對(duì)視覺Transformer模型（ViT）的深入研究，ViT的表達(dá)能力不斷提升，并已經(jīng)在大部分視覺基礎(chǔ)任務(wù) (分類，檢測，分

  2024年02月06日

  瀏覽(14)
• 

  漲點(diǎn)技巧：基于Yolov5的輕量級(jí)上采樣CARAFE算子，提升小目標(biāo)檢測性能

  目錄 1.CARAFE: Content-Aware ReAssembly of FEatures 2.基于yolov5的CARAFE小目標(biāo)檢測算法 2.1?CARAFE加入common.py中： ?2.2 CARAFE加入yolo.py中： ?2.3 修改yolov5s-carafe.yaml 論文：https://arxiv.org/abs/1905.02188 代碼：GitHub - open-mmlab/mmdetection: OpenMMLab Detection Toolbox and Benchmark 本文嘗試提出一個(gè)新的上采樣操

  2024年02月05日

  瀏覽(37)
• 

  一種基于YOLO改進(jìn)的高效且輕量級(jí)的表面缺陷檢測網(wǎng)絡(luò)， NEU-DET和GC10-DET漲點(diǎn)明顯

  ?????? 本文摘要： 一種基于YOLO改進(jìn)的高效且輕量級(jí)的表面缺陷檢測， 在NEU-DET和GC10-DET任務(wù)中漲點(diǎn)明顯 目錄 1.輕量且高效的YOLO 1.1 SCRB介紹 1.1.1?ScConv介紹 ?1.2?GSConvns ?1.3?od_mobilenetv2_050 1.4? 對(duì)應(yīng)yaml 2.實(shí)驗(yàn)結(jié)果 3.源碼獲取 輕量且高效的YOLO網(wǎng)絡(luò)結(jié)構(gòu) ?其實(shí)ScConv和Bottleneck的基

  2024年01月19日

  瀏覽(25)