RT-DETR优化策略:轻量级Backbone改进 | 高效模型 (Efficient MOdel, EMO),现代倒残差移动模块设计|ICCV2023

本文改进:面向移动端的轻量化网络模型——EMO,它能够以相对较低的参数和 FLOPs 超越了基于 CNN/Transformer 的 SOTA 模型,支持四个版本EMO_1M, EMO_2M, EMO_5M, EMO_6M,参数量如下,相对于自带的rtdetr-l、rtdetr-x有很大提升

layers parameters gradients
EMO_1M 697 9921628 9921628
EMO_2M 764 11025800 11025800
EMO_5M 764 13606652 13606652
EMO_6M 764 14642492 14642492
rtdetr-l 673 32808387 32808387
rtdetr-x 867 67305763 67305763

RT-DETR改进创新专栏:http://t.csdnimg.cn/vuQTz

你可能感兴趣的:(RT-DETR改进创新,神经网络,华为,人工智能,深度学习,算法,机器学习,YOLO)