yolov8涨点系列之替换幽灵卷积GhostConv

AI摘要

博客介绍了幽灵卷积的核心思想、主要步骤和优势。其核心是先常规卷积获固有特征图,再线性变换生成幽灵特征图并拼接。主要步骤包括常规卷积、幽灵生成和特征图拼接。优势有降低计算负载、高效利用资源等。还提及在yolov8.yaml文件中增加CBAM及用GhostConv替换Conv。


  幽灵卷积(Ghost Conv)是一种新颖的卷积操作方法,旨在解决传统卷积神经网络中参数量和计算量过大的问题,尤其适用于资源受限的设备。以下是对幽灵卷积的详细介绍:

核心思想

  常规的卷积操作会产生大量的特征图,其中存在一定的冗余信息。幽灵卷积的核心思想是先通过少量的卷积核进行常规卷积操作获得一部分 “固有特征图”,然后对这些固有特征图进行更廉价的线性变换操作,生成更多的 “幽灵特征图”。最后将固有特征图和幽灵特征图进行拼接,得到最终的特征图。

主要步骤

  常规卷积:使用少量的卷积核对输入特征图进行卷积操作,这一步的目的是提取输入特征图中的关键信息,生成固有特征图。这部分的计算量相对较小,但能够捕捉到特征图的主要特征。
  幽灵生成:对第一步得到的固有特征图进行线性变换操作,生成幽灵特征图。线性变换操作通常使用深度可分离卷积(Depthwise Convolution)等较为简单的操作方式,这些操作的计算成本较低,可以在不增加过多计算量的情况下生成大量的特征图。深度可分离卷积是将卷积操作分为深度卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution)两个步骤,深度卷积负责对每个通道进行单独的卷积操作,逐点卷积则负责对深度卷积的结果进行通道间的组合,从而得到最终的输出特征图。
  特征图拼接:将固有特征图和生成的幽灵特征图进行拼接,得到最终的输出特征图。这样既保留了原始特征图的关键信息,又通过幽灵特征图增加了特征的多样性。

优势

  降低计算负载:通过使用线性变换从现有特征图生成更多特

GhostConv幽灵卷积:原理、实现与在CNN模型轻量化部署中的应用 卷积神经网络(CNN)是计算机视觉任务的核心架构,但其密集的计算特性常导致模型参数量大、推理速度慢,尤其在资源受限的边缘设备上部署面临挑战。其原理在于通过卷积核在输入特征图上滑动进行局部特征提取与组合,这一过程计算成本高昂。为了提升技术价值,即在保持模型表征能力的前提下显著降低计算复杂度和模型大小,业界探索了多种轻量化技术。其中,GhostConv(幽灵卷积)作为一种创新的设计范式,通过识别并利用特征图中的冗余信息,仅用轻量级的主卷积生成部分内在特征,再通过廉价的线性变换(如深度可分离卷积)“幻化”出其余幽 阅读详情

相关推荐

YOLOv10【第六章:核心模块改进与涨点篇·第4节】GhostConv 幽灵卷积轻量化 YOLOv10!

🏆 本文收录于 《YOLOv10实战:从入门到深度优化》 专栏。该专栏系统复现并深度梳理全网主流 YOLOv10 改进方法与工程实战案例,覆盖分类、目标检测、实例分割、多目标追踪、关键点检测、旋转目标检测等多个方向,坚持 持续更新 + 深度解析 + 工程验证。

**My Coding Family** 1532

各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)

它需要依赖一些安装包,所以需要提前安装下,安装包。

@bangbang的博客 1万+

YOLOv13改进策略【卷积层篇】| GhostConv 幽灵卷积,一行 yaml 砍掉主干最贵的一层

GhostConv(CVPR 2020)零代码改进:ultralytics 已内置,yaml 一行把 v13n 主干最贵的第 7 层下采样卷积(5.9 万参数)换成『一半本征 + 一半幽灵』的幽灵卷积,实测总参数 −53,984、GFLOPs 持平 6.5,3 轮冒烟训练收敛,附内置源码解析与完整 yaml。

qq_53329130的博客 91

YOLOv10模型改进-卷积层改进-第13篇:YOLOv10改进策略【卷积层】| GhostNet幽灵卷积

本文记录的是利用GhostNet幽灵卷积模块改进YOLOv10的特征提取部分。GhostNet通过廉价操作生成更多特征图,大幅减少参数和计算量。传统卷积生成的特征图中存在大量冗余,GhostNet通过先进行普通卷积生成少量特征图,再通过廉价操作(如深度卷积)生成更多"幽灵"特征图。通过本文的学习,你已经掌握了将GhostNet幽灵卷积模块集成到YOLOv10的方法。GhostNet模块通过廉价操作生成特征图,在大幅减少参数量的同时保持了较高的精度。📌项目环境配置CUDA:11.8+

2201_76125393的博客 27

073、GhostConv 替换 Head 中卷积(位置三):检测头轻量化的极限探索

本文探讨了用GhostConv替换YOLO检测头中最后一层卷积的轻量化方法。作者分享了实际项目中遇到的初始化问题和解决方案,详细介绍了GhostConv的实现细节(包括关键的1x1 depthwise变体和通道数调整技巧),并提供了完整的代码实现。实验数据显示,该方法能减少21%参数量,提速23%而仅损失0.3-0.4 mAP。文章特别强调了初始化对齐、BN动量调整等易错点,为检测头轻量化提供了实用方案。

sundong_81的博客 23

YOLOv10【第六章:核心模块改进与涨点篇·第5节】Depthwise Separable Conv 深度可分离卷积提速实践!

🏆 本文收录于 《YOLOv10实战:从入门到深度优化》 专栏。该专栏系统复现并深度梳理全网主流 YOLOv10 改进方法与工程实战案例,覆盖分类、目标检测、实例分割、多目标追踪、关键点检测、旋转目标检测等多个方向,坚持 持续更新 + 深度解析 + 工程验证。

**My Coding Family** 1334

YOLOv13改进目录一览 | 注意力、损失函数、Backbone、Neck、检测头全方位改进(持续更新)

YOLOv13 改进专栏总目录:注意力机制、损失函数、Backbone、Neck 特征融合、检测头、小目标检测、模型轻量化等方向全覆盖,含原理讲解、完整代码与 yaml 配置,持续更新中。

qq_53329130的博客 118

各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV)

各种卷积计算性能对比(Conv,DwConv,GhostConv,PConv,DSConv,DCNV),包括推理时间,GFlops,FPS

AS7262六通道可见光传感器:从光谱原理到物联网色彩检测实战

光谱检测是嵌入式感知领域的关键技术,其核心原理是通过特定波长的滤光片分离光线并转换为电信号,从而实现对环境光或物体反射光的成分分析。这项技术的价值在于将复杂的光学分析简化为可编程读取的数字信号,极大降低了色彩检测在物联网和智能设备中的应用门槛。在智能农业、工业分拣、环境监测等场景中,精确的光谱数据能够驱动自动化决策,例如评估植物光照条件或识别物料颜色。本文以Adafruit AS7262传感器为例,深入解析其基于硅干涉滤光片的六通道设计,并通过Arduino与Python实战,演示如何快速构建从数据采集到可

weixin_28738173的博客 599

Xarray实战:从气象数据到可视化分析的完整流程(附Python代码)

本文详细介绍了使用Xarray库处理气象数据的完整实战流程。针对气象领域常见的NetCDF和GRIB格式,文章从数据读取、坐标操作、智能索引、统计计算到高级可视化,提供了完整的Python代码示例。重点阐述了Xarray如何高效处理高维标记数据,帮助地球科学领域的研究人员将繁琐的数据处理工作转化为高效的分析流水线。

d6e7f8g9h的博客 293

LD14激光雷达与STM32F103C8T6(标准库)获取雷达360度数据(1)

LD14激光雷达与STM32F103C8T6(标准库)获取雷达360度数据(1)

qq_54206194的博客 3900

从GEFCom到UCI:手把手教你构建电力负荷时空预测模型(Python版)

本文详细介绍了如何从GEFCom到UCI数据集构建电力负荷时空预测模型(Python版),涵盖数据集解析、时空特征工程、模型架构设计及工业部署优化。通过多任务图神经网络(MTGNN)实现高精度预测,并结合边缘计算和在线学习机制提升实际应用效果,为能源管理系统提供可靠解决方案。

lambda的博客 814

《备考系统架构设计师》 - 专栏介绍和目录

本专栏包括所有历年真题及详解、章节知识核心总结、精选高分论文、补充知识、专题总结等。欢迎订阅专栏。

数据知道的博客 4万+

老电脑续命神器:Windows 11 26H1 精简游戏版,帧率稳定无压力!(Win11 26H1 极致精简游戏版(3.17G):装完只占 8G 内存,Ultra CPU 性能拉满)

旧电脑福音也能安装windows11畅玩游戏🎮:文章分享一款 Windows 11 26H1 精简游戏版,仅 3.17G、C 盘占用 8G,开机进程约 50 个,内存占用 1.4G,内置游戏优化与运行库,支持离线安装、跳过 TPM 检测,让老电脑也能畅玩 3A 游戏和办公娱乐 🚀。

XiaoqiangClub的博客 1079

23 RAG 为什么答不准:召回、分块、排序的常见坑

RAG 答不准时,不要先怪模型。本文把常见失败拆成召回不到、召回不准、分块不完整、排序靠后、上下文污染和生成不忠实六类,并给出从 Top-K 检查到评估集的排查流程。

老于的笔记的专栏 249

AUTOSAR进阶图解==>AUTOSAR_EXP_CDDDesignAndIntegrationGuideline

本文档提供了AUTOSAR架构中复杂驱动(CDD)的设计与集成指南。CDD作为非标准化的软件实体,位于复杂驱动层,实现传感器评估、执行器控制、微控制器访问等特殊功能。文档详细阐述了CDD的架构特点、设计建议(包括文档要求、文件结构、接口描述等)以及与其他模块(RTE、库、标准BSW等)的集成方式。特别强调了CDD在多核系统和MCAL层中的实现考量,为开发人员提供了从文档规范到代码实现的全方位指导,确保CDD在保持AUTOSAR兼容性的同时满足特殊功能需求。

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1891

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

上一篇: yolov8涨点系列之引入CBAM注意力机制
下一篇: yolov8涨点系列之HiLo注意力机制引入
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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