前言
本文介绍了轻量级卷积技术GSConv和设计范式Slim-Neck与YOLOv11的结合,以解决车载边缘计算平台模型实时检测和准确性的难题。GSConv通过减少冗余和重复信息降低计算复杂性,Slim-Neck则设计纤细颈部结构,在维持准确性的同时提高计算成本效益。我们将相关代码集成进YOLOv11,在ultralytics/nn/目录新建featureFusion并创建Slimneck.py文件。在ultralytics/nn/tasks.py中注册后,配置yolov11-Slimneck.yaml文件。实验脚本显示,改进后的YOLOv11在检测任务中或能实现准确性和速度的平衡。
文章目录: YOLOv11改进大全:卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
专栏链接: YOLOv11改进专栏
介绍

摘要
目标检测是计算机视觉中的一项重要下游任务。对于车载边缘计算平台来说,巨大的模型难以满足实时检测的要求,而由大量深度可分离卷积层构建的轻量化模型无法达到足够的准确性。我们引入了一种新的轻量级卷积技术,GSConv,以减轻模型的重量但保持准确性。GSConv 在模型的准确性和速度之间实现了出色的平衡。我们还提供了一种设计范式,称为 slim-neck,以实现检测器更高的计算成本效益。我们的方法在超过二十组比较实验中得到了稳健验证。特别是,通过我们的方法改进后的检测器在与原始版本相比时取得了最先进的结果(例如,在 Tesla T4 GPU 上以约 100FPS 的速度在 SODA10M 数据集上达到 70.9% mAP0.5)。代码可在 https://github.com/alanli1997/slim-neck-by-gsconv 获得。
文章链接
论文地址:论文地址
代码地址:代码地址</
订阅专栏 解锁全文
1703



被折叠的 条评论
为什么被折叠?



