【RT-DETR有效改进】华为 | Ghostnetv1一种专为移动端设计的特征提取网络

原创 已于 2024-01-29 15:39:00 修改 · 1.8k 阅读 · 29 GEO检测
于 2024-01-20 03:53:46 首次发布
本文深入解析华为的GhostNetV1，一种专为移动端设计的轻量级特征提取网络。文章详细介绍了GhostModule、线性变换和GhostBottlenecks的工作原理，提供核心代码及手把手教你如何在RT-DETR中添加和使用GhostNetV1，包括必要的修改步骤，帮助读者实现高效的图像处理和分类任务。

👑欢迎大家订阅本专栏，一起学习RT-DETR👑   

一、本文介绍

本文给大家带来的特征提取网络是华为 | Ghostnetv1其是一种专为移动端设计的特征提取网络，网络模型非常的小，其推理速度非常快，对于追求极致FPS的读者来说其是一个非常好的选择，其网络效果也是完爆经典模型MobileNet系列的特征提取网络，同时我也将该模型进行了实验其GFLOPs相对于ResNet18的2KW参数下降了接近一半，精度却没有下降太多。同时欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

专栏链接：RT-DETR剑指论文专栏，持续复现各种顶会内容——论文收割机RT-DETR

目录

一、本文介绍

二、GhostNetV1卷积原理

2.1 GhostNet的基本原理

2.2 Ghost Module

 2.3 线性变换

2.4 Ghost Bottlenecks

三、 GhsetNetV1的核心代码

四、手把手教你添加GhsetNetV1

4.1 修改一

4.2 修改二 

4.3 修改三 

4.4 修改四

4.5 修改五

4.6 修改六

4.7 修改七 

4.8 修改八

4.9 必备修改！

4.10 RT-DETR不能打印计算量问题的解决

4.11 可选修改

五、GhsetNetV1的yaml文件

5.1 yaml文件

5.2 运行文件

5.3 成功训练截图

六、全文总结

二、GhostNetV1卷积原理

论文地址： 官方论文地址

代码地址： 官方代码地址

​

标签
#深度学习 #人工智能 #YOLO #计算机视觉 #华为
#pytorch #python
了解本专栏 订阅专栏 解锁全文
【深度学习】感知机基础
LMMS928202的博客
08-28 335
从本质上来说，感知机是一个二分类的模型。在特征空间中寻找一个线性的超平面（在二维空间中就是一条直线），将两类不同的数据彻底分开。fxsignw⊤xbfxsignw⊤xbxx1x2xdxx1​x2​xd​：输入特征ww1w2wdww1​w2​wd​：权重，每个特征的重要性bbb：偏置，决定分类的"及格线"signz1z0−1z≤0signz1−1​z0z≤0​。
YOLOv8改进策略【模型轻量化】| 替换骨干网络为 GhostNet V1 基于 Ghost Module 和 Ghost Bottlenecks的轻量化网络结构
Limiiiing的博客
12-16 492
本文记录的是基于的YOLOv8网络模型轻量化方法研究。GhostNet中的Ghost模块和Ghost瓶颈结构是其轻量化的关键。Ghost模块克服了传统卷积层计算资源需求大的问题,Ghost瓶颈则合理设计了通道数量的变化以及与捷径连接的方式，能更好地在减少计算成本的同时保持较高性能，从而提升模型在移动设备上的应用能力和效率。
通俗易懂理解GhostNetV1轻量级神经网络模型
IT菜鸟
02-22 6481
通俗易懂理解GhostNetV1网络模型
YOLOv8改进 | 主干篇 | 华为移动端模型Ghostnetv1改进特征提取网络
Snu77的博客
01-18 2173
本文给大家带来的改进机制是华为移动端模型Ghostnetv1，华为的GhostNet是一种轻量级卷积神经网络，旨在在计算资源有限的嵌入式设备上实现高性能的图像分类。GhostNet的关键思想在于通过引入Ghost模块，以较低的计算成本增加了特征图的数量，从而提高了模型的性能。这种方法在计算资源有限的情况下，尤其适用于图像分类任务，并在一些基准测试中表现出了很好的性能。本文将通过首先介绍其主要原理，然后手把手教大家如何使用该网络结构改进我们的特征提取网络。
GhostnetV1（2020）
m0_60534571的博客
03-16 926
Ghostnetv1全文翻译
轻量级模型解读——GhostNet系列
lishanlu136的博客
09-10 8125
轻量级模型GhostNet系列模型解读
【RT-DETR有效改进】华为 | GhostnetV2移动端的特征提取网络效果完爆MobileNet系列
Snu77的博客
01-21 2057
本文给大家带来的改进机制是华为移动端模型GhostNetV2，华为GhostNetV2是为移动应用设计的轻量级卷积神经网络（CNN），旨在提供更快的推理速度，其引入了一种硬件友好的注意力机制，称为DFC注意力。这个注意力机制是基于全连接层构建的，它的设计目的是在通用硬件上快速执行，并且能够捕捉像素之间的长距离依赖关系，其效果完爆MobileNet系列非常适合追求轻量化和高PFS的读者。欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。
YOLOv8改进有效系列目录 | 包含卷积、主干、检测头、注意力机制、Neck上百种创新机制
热门推荐
Snu77的博客
12-30 18万+
Hello，各位读者们好，本专栏自开设两个月以来已经更新改进教程120+余篇其中包含C2f、主干、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新，订阅本专栏以后你不仅可以收获跟专栏的阅读权限，同时可以进Qq群，里面包含集成我所有创新的YOLO最新目录，和我本人录制的视频讲解教程，如果你想要在YOLOv8系列收获一篇论文，我相信订阅本专栏后你一定会有所收获~YOLOv8改进有效系列目录。
YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进
Snu77的博客
11-05 8万+
Hello，各位读者们好.本文为最新YOLOv11有效涨点专栏目录，YOLOv11以及发布了一个月左右，这个过程中我也是给大家整理了许多的机制，其中包含了C3k2、主干（均支持根据yolov11训练的版本进行二次缩放，全系列都能轻量化）、检测头、注意力机制、Neck多种结构上创新，也有损失函数和一些细节点上的创新。
轻量化网络总结[2]--ShuffleNetv1/v2，OSNet，GhostNet
Gthan
06-15 6692
轻量化网络模型的核心是在保持精度的前提下，从模型大小和推理速度两方面综合对网络进行轻量化改造，使深度学习网络模型更容易部署在移动端或嵌入式设备。详细介绍轻量化网络模型ShuffleNetv1/v2，OSNet，GhostNet...............
GhostNetV2学习笔记
charles_zhang_的博客
11-21 7172
轻量级卷积神经网络(CNNs)是专为在移动设备上具有较快推理速度的应用而设计的。卷积运算只能捕获窗口区域的局部信息，这阻碍了性能的进一步提高。在卷积中引入自我注意可以很好地捕获全局信息，但会极大地影响卷积的实际速度。在本文中，我们提出了一种硬件友好的注意机制(称为DFC注意)，然后提出了一种新的移动应用的GhostNetV2架构。所提出的DFC注意结构基于全连接层，既能在普通硬件上快速执行，又能捕获远距离像素间的依赖关系。
【CISC7021】基于RNN的下一个单词预测系统
有为肥宅的博客
08-27 175
【UM】CISC7021 - Applied Natural Language Processing
《深度学习理论及实战（MATLAB版）》全套PPT课件
m0_54748666的博客
08-28 125
获取 《深度学习理论及实战（MATLAB版）》全套PPT课件：：https://download.csdn.net/download/m0_54748666/93346286。第4章基于MATLAB深度学习工具箱的实现与调试.ppt。《深度学习理论及实战（MATLAB版）》全套PPT课件。第2章解析”人工神经网络”.ppt。第1章从“机器学习“讲起.ppt。第3章探索卷积神经网络.ppt。第5章应用案例深度解析.ppt。
深度学习Pytorch下载推荐（笔记，仅记录学习）
最新发布
颜安青的小世界
09-01 11
推荐B站up“我是土堆”的下载教程，并提醒新版PyCharm配置环境用python而非conda，通过运行输出验证配置正确。
【人工智能训练师】卷积神经网络（CNN）
墨染天玑的博客
09-01 306
CNN通过局部连接、权值共享和层次化特征提取，以极少的参数高效学习图像的层次特征。从MNIST的90%+准确率到ImageNet的99%+，CNN证明了它在视觉任务中的统治地位，也是理解现代深度学习（ResNet、Transformer、Diffusion Model等）的最佳起点。
深度学习26转置卷积
2401_87118211的博客
08-30 174
矩阵V是\(m\times n\)，它的转置\(V^T\)就是把行和列互换，变成 \(\boldsymbol{n\times m}\)。原来矩阵 V：n 个输入 → m 个输出（n 大 m 小，图片缩小）转置后的矩阵\(V^T\)：m 个输入 → n 个输出（m 小 n 大，图片放大！转置卷积等价 \(Y'=V^T X'\)普通卷积 = 矩阵 V，图片缩小；转置卷积 = 矩阵 V 的转置V^T，用一样的超参数，把特征图尺寸再放大回去。
深度学习-手写数字识别
yyk33324的博客
08-29 213
代码逻辑非常清晰，完全按照深度学习的标准流程走：数据加载 -> 定义模型 -> 训练 -> 测试。首先导入代码所用到的相关模块代码root="data"是数据存放路径；train=True是加载训练集；transform=ToTensor()是将图片转换为pytorch能够处理的张量，并进行归一化。这是一种三层全连接神经网络（MLP）：nn.Flatten()(展平层)：MNIST 的原始图片是一个二维的 28×28 的像素矩阵。但全连接神经网络不认识二维数组，它只认一维的向量。所以第一件事就是把这 784
【深度学习】模型选择、过拟合与欠拟合
LMMS928202的博客
09-01 46
一个模型最多能"打散（shatter）"多少个数据点——即不管这些点的标签怎么排列（正/负），模型都能找到一个参数把这组点完全分开。
银行回单识别系统融合计算机视觉、深度学习和自然语言处理三大AI技术，实现银行回单自动转化为可直接入账的结构化数据
智能图像识别
08-28 398
它把计算机视觉的“眼睛”、深度学习的“大脑”和自然语言处理的“理解力”结合在一起，把困扰财务行业几十年的“回单难题”变成了一个秒级完成的自动化流程。比如数字“0”和字母“O”长得几乎一样，系统单独看一个字符可能分不清，但它会结合上下文来判断——在金额这个位置，出现的应该是数字“0”而不是字母“O”。系统会利用自然语言处理（NLP） 技术，对识别出的文本进行语义理解——比如判断“借方”和“贷方”是什么意思，“转账”“工资”“缴费”分别代表什么类型的交易。识别出文字只是第一步，更关键的是让这些文字“有用”。
评论 4
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

Snu77

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