YOLOv8最新改进系列:YOLOv8+RepLKNet,超大核模型,精度嘎嘎提升,小目标检测性能嘎嘎提升,提升效果拉满!!!

YOLOv8最新改进系列

首先,叫兽在此感谢B站粉丝,尾号为3202的小伙伴,给叫兽提的建议!祝你科研遥遥领先!早中top!!!
YOLOv8最新改进系列:YOLOv8+RepLKNet,超大核模型,精度嘎嘎提升,小目标检测性能嘎嘎提升,提升效果拉满!!!_第1张图片

于是乎!它来了!!!

RepLKNet论文戳这

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

自从VGG提出以后,各种CNN网络层出不穷,但是他们都遵循了VGG的设计思想,通过多个小卷积核叠加来得到大的感受野同时保证较少的参数量(2各3x3的卷积核感受野和5x5的卷积核感受野相同,但是参数18<25)。随着ViT逐渐在各类视觉任务种拿到SOTA的表现,CNN似乎有点后继无力。RepLKNet打破了这种现象,提出使用在CNN网络中使用大的卷积核,RepLKNet在各类视觉任务中获得了SOTA表现。

截止到发稿,B站YOLOv8最新改进系列的源码包已更新了23种+损失函数改进!

YOLOv8最新改进系列:YOLOv8+RepLKNet,超大核模型,精度嘎嘎提升,提升效果拉满!!!

  • YOLOv8最新改进系列
  • 一、RepLKNet概述
    • 1.1 概述
    • 1.2 贡献
      • 1.2.1 大卷积有更大的感受野
      • 1.2.2 大卷积能够学到更多的形状信息
  • 二、YOLOv8+RepLKNet改进方法
    • 2.1 修改YAML文件
    • 2.2 新建RepLKNet.py文件
    • 2.3 修改tasks.py
  • 三、验证是否成功即可


一、RepLKNet概述

1.1 概述

RepLKNet的作者受到了vision transformers (ViT) 最新进展的启发,提出了31×31的超大核模型,与小核 CNN 相比,大核 CNN 具有更大的有效感受野和更高的形状偏差而不是纹理偏差。借鉴 Swin Transformer 的宏观架构,提出了一种架构 RepLKNet。在 ImageNet 上获得 87.8% 的 top-1 准确率,在 ADE20K 上获得 56.0% mIoU,这在具有相似模型大小的最先进技术中非常具有竞争力。

作者在卷积神经网络中引入了大尺寸的深度可分离卷积核做实验,发现如下几点使用大卷积核的指导:

(1)大的卷积核计算也可以很有效率;

(2)残差连接结构对大核卷积网络非常重要;

(3)使用小卷积核重参数化来补优化问题;

(4)对比ImageNet分类任务,在下游任务上大卷积核网络表现更好;

(5)即使特征图很小,使用大卷积核也会很有效。
其网络结构图,如下图所示:
YOLOv8最新改进系列:YOLOv8+RepLKNet,超大核模型,精度嘎嘎提升,小目标检测性能嘎嘎提升,提升效果拉满!!!_第2张图片

1.2 贡献

1.2.1 大卷积有更大的感受野

从下图可以看出,ResNet101核ResNet152感受野几乎相同,而RepLKNet可以明显看到随着卷积核增加,感受野增大。
在这里插入图片描述

1.2.2 大卷积能够学到更多的形状信息

人类视觉对图片进行分类更关注于物体的形状,而卷积网络更多学习到图片的纹理信息,下图对比了几种网络在16种物体上学习到的形状信息的比例,可以看出随着卷积核增加,网络能够学习到更多的形状信息
YOLOv8最新改进系列:YOLOv8+RepLKNet,超大核模型,精度嘎嘎提升,小目标检测性能嘎嘎提升,提升效果拉满!!!_第3张图片

详细的信息,去看原文吧!加油,家人们遥遥领先了!

二、YOLOv8+RepLKNet改进方法

网络修改三步曲已在往期视频中不断重复,在此不再进行大篇幅的赘述。
详细的改进方法以及流程可以关注我的B站:AI学术叫叫兽
链接在此!

2.1 修改YAML文件

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

2.2 新建RepLKNet.py文件

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

2.3 修改tasks.py

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

三、验证是否成功即可

执行命令

python train.py

大核卷积模型,训练起来也是与众不同!点击链接,看一下训练速度对比效果吧!!!

改完收工!
关注B站:AI学术叫叫兽
从此走上科研快速路
遥遥领先同行!!!!

详细的改进教程以及源码,戳这!戳这!!戳这!!!B站:AI学术叫叫兽 源码在相簿的链接中,动态中也有链接,感谢支持!祝科研遥遥领先!

你可能感兴趣的:(YOLOv8改进,YOLO,目标检测,人工智能)