一、本文介绍
本文给大家介绍一种利用ConvNeXt V2主干优化YOLOv13模型主干网络!本文介绍了 ConvNeXt V2 在 ImageNet 分类、COCO 检测和 ADE20K 分割等多种视觉识别基准上显著提升了纯 ConvNets 的性能,并实现了最先进的准确率和强大的模型扩展性。助力YOLOv13高效涨点,具体怎么使用请看全文。
包含8种主干改进,高效去跑实验:'convnextv2_atto', 'convnextv2_femto', 'convnextv2_pico', 'convnextv2_nano', 'convnextv2_tiny','convnextv2_base', 'convnextv2_large', 'convnextv2_huge'
专栏改进目录:YOLOv13改进包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、Neck改进、小目标检测、二次创新模块、HyperACE二次创新、独家创新等几百种创新点改进。
全新YOLOv13创新改进专栏链接:全新YOLOv13创新改进高效涨点+永久更新中(至少500+改进)+高效跑实验发论文
目录
四、手把手教你添加ConvNeXt V2主干网络结构和修改task.py文件
1.首先在ultralytics/nn/newsAddmodules创建一个.py文件
2.在ultralytics/nn/newsAddmodules/__init__.py中引用
3.修改task.py文件 :在task.py中找到这个参数方法 def parse_model(d, ch, verbose=True):
🚀创新改进 : yolov13n_ConvNeXtV2.yaml
二、⭐ ConvNeXt V2主干网络介绍

摘要:在架构改进和表征学习框架的推动下,视觉识别领域在 2020 年代初期实现了快速的现代化和性能提升。例如,以 ConvNeXt 为代表的现代 ConvNets,在各种场景中都表现出了强大的性能。虽然这些模型最初是为使用 ImageNet 标签进行监督学习而设计的,但它们也可以从诸如 masked autoencoders (MAE) 等自监督学习技术中受益。然而,我们发现简单地将这两种方法结合起来会导致次优的性能。在本文中,我们提出了一个全卷积 masked autoencoder 框架和一个新的 Global Response Normalization (GRN) 层,该层可以添加到 ConvNeXt 架构中,以增强通道间的特征竞争。自监督学习技术和架构改进的这种协同设计产生了一个名为 ConvNeXt V2 的新模型系列,该模型系列显著提高了纯 Con
订阅专栏 解锁全文
3410



被折叠的 条评论
为什么被折叠?



