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！！！
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：
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。
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
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！