美团网站界面设计,网站招聘怎么做,wordpress系统通知邮箱,魔客吧wordpress主题如何安装文章目录 1、MobileNetV3论文2、代码实现2.1、MobileNetV3-small2.2、MobileNetV3-large 3、运行效果4、目标检测系列文章 1、MobileNetV3论文 Searching for MobileNetV3论文 MobileNetV3代码 MobileNetV3 是 Google 提出的一种轻量级神经网络结构#xff0c;旨在在移动设备上… 文章目录 1、MobileNetV3论文2、代码实现2.1、MobileNetV3-small2.2、MobileNetV3-large 3、运行效果4、目标检测系列文章 1、MobileNetV3论文 Searching for MobileNetV3论文 MobileNetV3代码 MobileNetV3 是 Google 提出的一种轻量级神经网络结构旨在在移动设备上实现高效的图像识别和分类任务。与之前的 MobileNet 系列相比MobileNetV3 在模型结构和性能上都有所改进。
MobileNetV3 的结构主要包括以下几个关键组件 基础模块Base ModuleMobileNetV3 使用了一种称为**“倒残差”Inverted Residuals**的基础模块结构。该结构采用了深度可分离卷积和线性瓶颈它由一个1x1卷积层和一个3x3深度可分离卷积层组成。这个操作单元通过使用非线性激活函数如ReLU6并且在残差连接中使用线性投影以减少参数数量和计算复杂度来提高网络的特征表示能力并且保持了模型的有效性。 Squeeze-and-Excitation 模块MobileNetV3 引入了 Squeeze-and-Excitation 模块使用全局平均池化层来降低特征图的维度并使用一个1x1卷积层将特征图的通道数压缩成最终的类别数量。最后使用softmax函数对输出进行归一化得到每个类别的概率分布。通过学习通道之间的相互关系动态地调整通道权重以增强模型的表征能力。这有助于提高模型对关键特征的感知能力从而提高分类性能。 Hard-Swish 激活函数MobileNetV3 使用了一种称为 Hard-Swish 的激活函数。与传统的 ReLU 激活函数相比Hard-Swish 具有更快的计算速度和更好的性能。 网络架构优化MobileNetV3 在网络结构上进行了优化包括通过网络宽度和分辨率的动态调整以适应不同的计算资源和任务需求。
总体而言MobileNetV3 通过这些创新设计和优化实现了更高的性能和更低的计算成本使其成为移动设备上图像识别任务的理想选择之一。 MobileNetV3 的主要处理流程如下 输入处理输入图像首先经过预处理步骤例如归一化和大小调整以使其适应网络的输入要求。 特征提取经过输入处理后图像通过一系列基础模块Base Module进行特征提取。每个基础模块通常包含深度可分离卷积、激活函数如 Hard-Swish和通道注意力如 Squeeze-and-Excitation模块。 特征增强在特征提取的过程中通过 Squeeze-and-Excitation 模块对提取的特征图进行增强以加强对重要特征的感知能力。 全局平均池化在特征提取的最后阶段通过全局平均池化操作将特征图的空间维度降低到一个固定大小。 分类器全局平均池化后的特征图输入到分类器中进行分类或其他任务的预测。分类器通常由一个或多个全连接层组成最后输出预测结果。
2、代码实现
2.1、MobileNetV3-small
(1) 在models/common.py的引入MobileNetV3模块
# 引入MobileNetV3模块
class StemBlock(nn.Module):def __init__(self, c1, c2, k 3, s 2, p None, g 1, act True):super(StemBlock, self).__init__()self.stem_1 Conv(c1, c2, k, s, p, g, act)self.stem_2a Conv(c2, c2 // 2, 1, 1, 0)self.stem_2b Conv(c2 // 2, c2, 3, 2, 1)self.stem_2p nn.MaxPool2d(kernel_size 2, stride 2, ceil_mode True)self.stem_3 Conv(c2 * 2, c2, 1, 1, 0)def forward(self, x):stem_1_out self.stem_1(x)stem_2a_out self.stem_2a(stem_1_out)stem_2b_out self.stem_2b(stem_2a_out)stem_2p_out self.stem_2p(stem_1_out)out self.stem_3(torch.cat((stem_2b_out, stem_2p_out), 1))return outclass h_sigmoid(nn.Module):def __init__(self, inplace True):super(h_sigmoid, self).__init__()self.relu nn.ReLU6(inplace inplace)def forward(self, x):return self.relu(x 3) / 6class h_swish(nn.Module):def __init__(self, inplace True):super(h_swish, self).__init__()self.sigmoid h_sigmoid(inplace inplace)def forward(self, x):y self.sigmoid(x)return x * yclass SELayer(nn.Module):def __init__(self, channel, reduction 4):super(SELayer, self).__init__()self.avg_pool nn.AdaptiveAvgPool2d(1)self.fc nn.Sequential(nn.Linear(channel, channel // reduction),nn.ReLU(inplace True),nn.Linear(channel // reduction, channel),h_sigmoid())def forward(self, x):b, c, _, _ x.size()y self.avg_pool(x)y y.view(b, c)y self.fc(y).view(b, c, 1, 1)return x * yclass Conv_bn_hswish(nn.Module):This equals todef conv_3x3_bn(inp, oup, stride):return nn.Sequential(nn.Conv2d(inp, oup, 3, stride, 1, biasFalse),nn.BatchNorm2d(oup),h_swish())def __init__(self, c1, c2, stride):super(Conv_bn_hswish, self).__init__()self.conv nn.Conv2d(c1, c2, 3, stride, 1, bias False)self.bn nn.BatchNorm2d(c2)self.act h_swish()def forward(self, x):return self.act(self.bn(self.conv(x)))def fuseforward(self, x):return self.act(self.conv(x))class MobileNetV3(nn.Module):def __init__(self, inp, oup, hidden_dim, kernel_size, stride, use_se, use_hs):super(MobileNetV3, self).__init__()assert stride in [1, 2]self.identity stride 1 and inp oup# 输入通道图 扩张通道数 则不进行通道扩张if inp hidden_dim:self.conv nn.Sequential(# dwnn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups hidden_dim,bias False),nn.BatchNorm2d(hidden_dim),h_swish() if use_hs else nn.ReLU(inplace True),# Squeeze-and-ExciteSELayer(hidden_dim) if use_se else nn.Sequential(),# Eca_layer(hidden_dim) if use_se else nn.Sequential(),#1.13.2022# pw-linearnn.Conv2d(hidden_dim, oup, 1, 1, 0, bias False),nn.BatchNorm2d(oup),)else:# 否则先进行扩张self.conv nn.Sequential(# pwnn.Conv2d(inp, hidden_dim, 1, 1, 0, bias False),nn.BatchNorm2d(hidden_dim),h_swish() if use_hs else nn.ReLU(inplace True),# dwnn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups hidden_dim,bias False),nn.BatchNorm2d(hidden_dim),# Squeeze-and-ExciteSELayer(hidden_dim) if use_se else nn.Sequential(),# Eca_layer(hidden_dim) if use_se else nn.Sequential(), # 1.13.2022h_swish() if use_hs else nn.ReLU(inplace True),# pw-linearnn.Conv2d(hidden_dim, oup, 1, 1, 0, bias False),nn.BatchNorm2d(oup),)def forward(self, x):y self.conv(x)if self.identity:return x yelse:return y(2) 在models/yolo.py的parse_model函数添加Conv_bn_hswish,MobileNetV3 两个模块 if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,C3, C3TR,Conv_bn_hswish,MobileNetV3]:(3) 构建yolov5s-mobileNetV3-samll.yaml 网络模型
# YOLOv5 by Ultralytics, GPL-3.0 license# Parameters
nc: 6 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.5 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# Mobilenetv3-small backbone# MobileNetV3_InvertedResidual [out_ch, hid_ch, k_s, stride, SE, HardSwish]
backbone:# [from, number, module, args]# /2 /4 /6 /8/16/32 位置特征图的大小降半# MobileNetV3模块包含六个参数[out_ch, hidden_ch, kernel_size, stride, use_se, use_hs][[-1, 1, Conv_bn_hswish, [16, 2]], # 0-p1/2 320*320[-1, 1, MobileNetV3, [16, 16, 3, 2, 1, 0]], # 1-p2/4 160*160[-1, 1, MobileNetV3, [24, 72, 3, 2, 0, 0]], # 2-p3/8 80*80[-1, 1, MobileNetV3, [24, 88, 3, 1, 0, 0]], # 3 80*80[-1, 1, MobileNetV3, [40, 96, 5, 2, 1, 1]], # 4-p4/16 40*40[-1, 1, MobileNetV3, [40, 240, 5, 1, 1, 1]], # 5 40*40[-1, 1, MobileNetV3, [40, 240, 5, 1, 1, 1]], # 6 40*40[-1, 1, MobileNetV3, [48, 120, 5, 1, 1, 1]], # 7 40*40[-1, 1, MobileNetV3, [48, 144, 5, 1, 1, 1]], # 8 40*40[-1, 1, MobileNetV3, [96, 288, 5, 2, 1, 1]], # 9-p5/32 20*20[-1, 1, MobileNetV3, [96, 576, 5, 1, 1, 1]], # 10 20*20[-1, 1, MobileNetV3, [96, 576, 5, 1, 1, 1]], # 11 20*20]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [96, 1, 1]], # 12 20*20[-1, 1, nn.Upsample, [None, 2, nearest]], # 13 40*40[[-1, 8], 1, Concat, [1]], # cat backbone P4 40*40[-1, 3, C3, [144, False]], # 15 40*40[-1, 1, Conv, [144, 1, 1]], # 16 40*40[-1, 1, nn.Upsample, [None, 2, nearest]], # 17 80*80[[-1, 3], 1, Concat, [1]], # cat backbone P3 80*80[-1, 3, C3, [168, False]], # 19 (P3/8-small) 80*80[-1, 1, Conv, [168, 3, 2]], # 20 40*40[[-1, 16], 1, Concat, [1]], # cat head P4 40*40[-1, 3, C3, [312, False]], # 22 (P4/16-medium) 40*40[-1, 1, Conv, [312, 3, 2]], # 23 20*20[[-1, 12], 1, Concat, [1]], # cat head P5 20*20[-1, 3, C3, [408, False]], # 25 (P5/32-large) 20*20[[19, 22, 25], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)]MobileNetV3-samll网络结构 根据网络结构我们可以看出**MobileNetV3**模块包含六个参数**[out_ch, hidden_ch, kernel_size, stride, use_se, use_hs]**
out_ch 输出通道hidden_ch 表示在Inverted residuals中的扩张通道数kernel_size 卷积核大小stride 步长use_se 表示是否使用 SELayer使用了是1不使用是0use_hs 表示使用 h_swish 还是 ReLU使用h_swish是1使用 ReLU是0
2.2、MobileNetV3-large MobileNetV3-large和MobileNetV3-small 区别在于网络层数加深深度因子宽度因子不同以及yaml文件中head中concat不同层数拼接。我们就直接改动yaml的部分其余参考上面步骤。 MobileNetV3-large.yaml # Parameters
nc: 6 # number of classes
depth_multiple: 1 # model depth multiple
width_multiple: 0.5 # layer channel multiple
anchors:- [10,13, 16,30, 33,23] # P3/8- [30,61, 62,45, 59,119] # P4/16- [116,90, 156,198, 373,326] # P5/32# YOLOv5 v6.0 backbone
backbone:[[-1, 1, conv_bn_hswish, [16, 2]], # 0-p1/2 320*320[-1, 1, MobileNetV3, [ 16, 16, 3, 1, 0, 0]], # 1-p1/2 320*320[-1, 1, MobileNetV3, [ 24, 64, 3, 2, 0, 0]], # 2-p2/4 160*160[-1, 1, MobileNetV3, [ 24, 72, 3, 1, 0, 0]], # 3-p2/4 160*160[-1, 1, MobileNetV3, [ 40, 72, 5, 2, 1, 0]], # 4-p3/8 80*80[-1, 1, MobileNetV3, [ 40, 120, 5, 1, 1, 0]], # 5-p3/8[-1, 1, MobileNetV3, [ 40, 120, 5, 1, 1, 0]], # 6-p3/8[-1, 1, MobileNetV3, [ 80, 240, 3, 2, 0, 1]], # 7-p4/16 40*40[-1, 1, MobileNetV3, [ 80, 200, 3, 1, 0, 1]], # 8-p4/16[-1, 1, MobileNetV3, [ 80, 184, 3, 1, 0, 1]], # 9-p4/16[-1, 1, MobileNetV3, [ 80, 184, 3, 1, 0, 1]], # 10-p4/16[-1, 1, MobileNetV3, [112, 480, 3, 1, 1, 1]], # 11-p4/16[-1, 1, MobileNetV3, [112, 672, 3, 1, 1, 1]], # 12-p4/16[-1, 1, MobileNetV3, [160, 672, 5, 1, 1, 1]], # 13-p4/16[-1, 1, MobileNetV3, [160, 960, 5, 2, 1, 1]], # 14-p5/32 20*20[-1, 1, MobileNetV3, [160, 960, 5, 1, 1, 1]], # 15-p5/32]
# YOLOv5 v6.0 head
head:[ [ -1, 1, Conv, [ 512, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, nearest ] ],[ [ -1, 13], 1, Concat, [ 1 ] ], # cat backbone P4[ -1, 1, C3, [ 512, False ] ], # 19[ -1, 1, Conv, [ 256, 1, 1 ] ],[ -1, 1, nn.Upsample, [ None, 2, nearest ] ],[ [ -1, 6 ], 1, Concat, [ 1 ] ], # cat backbone P3[ -1, 1, C3, [ 256, False ] ], # 23 (P3/8-small)[ -1, 1, Conv, [ 256, 3, 2 ] ],[ [ -1, 20 ], 1, Concat, [ 1 ] ], # cat head P4[ -1, 1, C3, [ 512, False ] ], # 26 (P4/16-medium)[ -1, 1, Conv, [ 512, 3, 2 ] ],[ [ -1, 16 ], 1, Concat, [ 1 ] ], # cat head P5[ -1, 1, C3, [ 1024, False ] ], # 29 (P5/32-large)[ [ 23, 26, 29 ], 1, Detect, [ nc, anchors ] ], # Detect(P3, P4, P5)]
3、运行效果
如果训练之后发现掉点纯属正常现象因为轻量化网络在提速减少计算量的同时会降低精度 4、目标检测系列文章
YOLOv5s网络模型讲解(一看就会)生活垃圾数据集YOLO版YOLOv5如何训练自己的数据集双向控制舵机树莓派版树莓派部署YOLOv5目标检测详细篇YOLO_Tracking 实践 环境搭建 案例测试目标检测数据集划分 XML数据集转YOLO标签DeepSort行人车辆识别系统实现目标检测跟踪统计YOLOv5参数大全(parse_opt篇)YOLOv5改进一-- 轻量化YOLOv5s模型YOLOv5改进二-- 目标检测优化点添加小目标头检测YOLOv5改进三-- 引进Focaler-IoU损失函数YOLOv5改进四–轻量化模型ShuffleNetv2
