admin管理员组文章数量:1487745
YoloV5改进策略：RefConv打造轻量化YoloV5利器
摘要
REFCONV是一种用于构建强大卷积神经网络的重新参数化的重新聚焦卷积（re-parameterized refocusing convolution）。它是一种特殊的卷积层，旨在通过重新参数化输入特征图来增强卷积神经网络的能力。
链接：
代码语言：javascript代码运行次数：0运行复制.2014.3001.5501在传统的卷积神经网络中，卷积层通过将输入特征图与一组卷积核（filters）进行卷积运算，以检测和提取输入数据中的局部特征。然而，这种传统的卷积方式可能会在处理具有复杂结构和多样性的数据时遇到一些挑战。
REFCONV通过重新参数化输入特征图来解决这些问题。它通过引入一个额外的可学习的参数化矩阵，将输入特征图重新参数化为一个新的特征图。这个新的特征图可以更好地适应卷积核的检测能力，从而增强网络对复杂和多样性的数据处理能力。
REFCONV的另一个重要特点是它能够重新聚焦卷积核的关注点。传统的卷积核通常只能捕捉到输入特征图的局部信息，而REFCONV通过重新参数化输入特征图，使得卷积核能够关注到更广泛的区域，从而更全面地捕捉输入数据的特征。
我们使用RefConv替换YoloV5中的卷积，既能提高精度，又能降低运算量，使得模型更加轻量化！
YoloV5官方结果
代码语言：javascript代码运行次数：0运行复制YOLOv5l summary: 267 layers, 46275213 parameters, 0 gradients, 108.2 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:02<00:00, 5.16it/s]
all 230 1412 0.971 0.93 0.986 0.729
c17 230 131 0.992 0.992 0.995 0.797
c5 230 68 0.953 1 0.994 0.81
helicopter 230 43 0.974 0.907 0.948 0.57
c130 230 85 1 0.981 0.994 0.66
f16 230 57 0.999 0.93 0.975 0.677
b2 230 2 0.971 1 0.995 0.746
other 230 86 0.987 0.915 0.974 0.545
b52 230 70 0.983 0.957 0.981 0.803
kc10 230 62 1 0.977 0.985 0.819
command 230 40 0.971 1 0.986 0.782
f15 230 123 0.992 0.976 0.994 0.655
kc135 230 91 0.988 0.989 0.986 0.699
a10 230 27 1 0.526 0.912 0.391
b1 230 20 0.949 1 0.995 0.719
aew 230 25 0.952 1 0.993 0.781
f22 230 17 0.901 1 0.995 0.763
p3 230 105 0.997 0.99 0.995 0.789
p8 230 1 0.885 1 0.995 0.697
f35 230 32 0.969 0.984 0.985 0.569
f18 230 125 0.974 0.992 0.99 0.806
v22 230 41 0.994 1 0.995 0.641
su-27 230 31 0.987 1 0.995 0.842
il-38 230 27 0.994 1 0.995 0.785
tu-134 230 1 0.879 1 0.995 0.796
su-33 230 2 1 0 0.995 0.846
an-70 230 2 0.943 1 0.995 0.895
tu-22 230 98 0.983 1 0.995 0.788
测试结果
代码语言：javascript代码运行次数：0运行复制YOLOv5l summary: 352 layers, 34390029 parameters, 0 gradients, 85.8 GFLOPs
Class Images Instances P R mAP50 mAP50-95: 100%|██████████| 15/15 [00:04<00:00, 3.37it/
all 230 1412 0.968 0.94 0.99 0.73
c17 230 131 0.984 1 0.995 0.839
c5 230 68 0.958 1 0.993 0.832
helicopter 230 43 0.951 1 0.981 0.614
c130 230 85 0.997 1 0.995 0.664
f16 230 57 1 0.963 0.993 0.668
b2 230 2 0.915 1 0.995 0.746
other 230 86 0.988 0.951 0.974 0.514
b52 230 70 0.983 0.986 0.985 0.819
kc10 230 62 0.994 0.984 0.986 0.819
command 230 40 0.994 1 0.995 0.814
f15 230 123 0.948 1 0.994 0.687
kc135 230 91 0.987 0.989 0.986 0.7
a10 230 27 1 0.603 0.934 0.475
b1 230 20 0.981 1 0.995 0.703
aew 230 25 0.948 1 0.993 0.779
f22 230 17 0.984 1 0.995 0.728
p3 230 105 0.993 1 0.995 0.789
p8 230 1 0.872 1 0.995 0.597
f35 230 32 1 0.903 0.995 0.567
f18 230 125 0.983 0.992 0.99 0.81
v22 230 41 0.985 1 0.995 0.723
su-27 230 31 0.985 1 0.995 0.799
il-38 230 27 0.96 1 0.995 0.826
tu-134 230 1 0.841 1 0.995 0.895
su-33 230 2 1 0 0.995 0.697
an-70 230 2 0.915 1 0.995 0.796
tu-22 230 98 0.994 1 0.995 0.816
实现了运算量的降低，分数的提升！
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2024-01-24，如有侵权请联系 cloudcommunity@tencent 删除卷积神经网络数据处理测试模型数据本文标签： YoloV5改进策略RefConv打造轻量化YoloV5利器
版权声明：本文标题：YoloV5改进策略：RefConv打造轻量化YoloV5利器 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.betaflare.com/shuma/1754669555a3176218.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论