YOLOv5轻量化骨干设计，通过结合GHostNetv2结构实现计算量降低_yolov5 ghostnetv2

​   轻量化Ghostnetv2

回顾ghosnetv1

GhostNet是一种高效的神经网络架构，首次在2020年的论文"GhostNet: More Features from Cheap Operations"中提出。其主要设计目标是提高网络在较小的计算开销下的性能，使其适用于移动和嵌入式设备。

GhostNet的核心概念是Ghost模块。在传统的卷积神经网络中，网络的每一层都会对输入数据进行操作并输出新的特征映射。然而，Ghost模块的思路是，不需要为每个输出特征映射都进行计算。相反，Ghost模块首先使用较少的卷积核进行操作，产生一些“原生”特征映射，然后通过一种轻量级的操作（如线性变换）来从这些“原生”特征映射中派生更多的特征映射。这些派生的特征映射被称为“Ghost”特征映射。

Ghost模块的主要优点在于其高效性。由于派生特征映射的计算开销远低于传统的卷积操作，Ghost模块能够在维持同等数量的特征映射的同时，大幅度减少计算量和参数数量。因此，GhostNet在资源有限的设备上表现出了显著的性能优势。

然而，尽管Ghost模块的计算开销较小，但其性能并未因此受到影响。在多项基准测试中，GhostNet的性能不仅超越了同等计算量的其他模型，甚至还超越了某些计算量更大的模型。这说明，通过合理的设计，我们可以在减少计算开销的同时，也能维持或提高模型的性能。

总的来说，GhostNet代表了一种新的神经网络设计理念，即通过引入轻量级的操作和有效利用特