YOLOv9/YOLOv8算法改进【NO.102】涨点+轻量化，亲测有效。引入二次创新模块Faster-EMA，将EMA注意力机制与FasterNet中的核心模块结合构成新模块，_yolov9有效改进
赞
踩
前 言
YOLO算法改进系列出到这，很多朋友问改进如何选择是最佳的，下面我就根据个人多年的写作发文章以及指导发文章的经验来看，按照优先顺序进行排序讲解YOLO算法改进方法的顺序选择。具体有需求的同学可以私信我沟通：第一，创新主干特征提取网络，将整个Backbone改进为其他的网络，比如这篇文章中的整个方法，直接将Backbone替换掉，理由是这种改进如果有效果，那么改进点就很值得写，不算是堆积木那种，也可以说是一种新的算法，所以做实验的话建议朋友们优先尝试这种改法。
第二，创新特征融合网络，这个同理第一，比如将原yolo算法PANet结构改进为Bifpn等。
第三，改进主干特征提取网络，就是类似加个注意力机制等。根据个人实验情况来说，这种改进有时候很难有较大的检测效果的提升，乱加反而降低了特征提取能力导致mAP下降，需要有技巧的添加。
第四，改进特征融合网络，理由、方法等同上。
第五，改进检测头，更换检测头这种也算个大的改进点。
第六，改进损失函数，nms、框等，要是有提升检测效果的话，算是一个小的改进点，也可以凑字数。
第七，对图像输入做改进，改进数据增强方法等。
第八，剪枝以及蒸馏等，这种用于特定的任务，比如轻量化检测等，但是这种会带来精度的下降。
...........未完待续
一、创新改进思路或解决的问题
将FasterNet中的核心模块进行改进，通过引入EMA注意力机制的方法，当然也可以引入或者组合其他的模块构建新的网络结构，再引入到YOLOv8代码中，提高算法的检测效果，通过实验证明，改进方法在大部分数据集上是有效果的。
具体改进思路方法是在下面结构图中的FasterNet Block末尾添加上EMA注意力机制。
二、基本原理
原文代码： GitHub - JierunChen/FasterNet: [CVPR 2023] Code for PConv and FasterNet
摘要：为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOP）的数量上。然而，我们观察到FLOP的这种减少并不一定会导致类似水平的延迟减少。这主要源于低效率的每秒浮点运算（FLOPS）。为了实现更快的网络，我们重新审视了流行的运营商，并认为如此低的FLOPS主要是由于运营商的频繁内存访问，尤其是深度进化。因此，我们提出了一种新的部分卷积（PConv），通过同时减少冗余计算和内存访问，可以更有效地提取空间特征。在PConv的基础上，我们进一步提出了FasterNet，这是一种新的神经网络家族，它在各种设备上的运行速度远高于其他网络，而不会影响各种视觉任务的准确性。例如，在ImageNet-1k上，我们的小型FasterNet-T0在GPU、CPU和ARM处理器上分别比MobileViT XXS快2.8倍、3.3倍和2.4倍，同时准确率高2.9%。我们的大型FasterNet-L实现了令人印象深刻的83.5%的前1级精度，与新兴的Swin-B不相上下，同时在GPU上的参考吞吐量提高了36%，并在CPU上节省了37%的计算时间。
三、添加方法
第一步：新增网络结构yaml
- # Ultralytics YOLO 声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/菜鸟追梦旅行/article/detail/688187推荐阅读
相关标签
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
