【保姆级教程|YOLOv8改进】【5】精度与速度双提升，使用FasterNet替换主干网络

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。

✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~

👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~

三、深度学习【Pytorch】专栏【链接】

四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

前言

论文发表时间：2023.03.07

github地址：https://github.com/JierunChen/FasterNet

paper地址：https://export.arxiv.org/pdf/2303.03667v1.pdf

文章提出了一种新颖的局部卷积（PConv），它通过削减冗余计算和内存访问，更高效地提取空间特征,而且在作者测试的数据集上实现了精度与速度的双重提升。本文详细介绍了如何在yolov8中使用FasterNet替换其主干网络，并且使用修改后的yolov8进行目标检测训练与推理。本文提供了所有源码免费供小伙伴们学习参考，需要的可以通过文末方式自行下载。

本文改进使用的ultralytics版本为：ultralytics == 8.0.227

目录

• 前言
• 1.FasterNet简介
• • 1.1 网络结构
  • 1.2 性能对比
  • 2.YOLOv8替换主干步骤
  • • YOLOv8网络结构前后对比
    • 定义FasterNet相关类
    • 修改指定文件
    • 3.加载配置文件并训练
    • 4.模型推理
    • 【源码免费获取】
    • 结束语

      1.FasterNet简介

      

      摘要：为了设计快速的神经网络，许多研究工作一直专注于减少浮点运算（FLOPs）的数量。然而，我们观察到，FLOPs的这种减少，并不一定导致相似水平的延迟降低。这主要是由于低效的每秒浮点运算数（FLOPS）造成的。为了实现更快的网络，我们重审了流行的运算符，并演示了这种低FLOPS主要是由于运算符的频繁内存访问，特别是深度卷积。因此，我们提出了一种新颖的局部卷积（PConv），它通过削减冗余计算和内存访问，更高效地提取空间特征。在我们的PConv上，我们进一步提出了FasterNet，一个新的神经网络家族，它在广泛的设备上实现了比其他网络更高的运行速度，同时在各种视觉任务上的精度不打折扣。例如，在ImageNet-1k上，我们的小型FasterNet-T0在GPU、CPU和ARM处理器上分别比MobileViT-XXS快3.1倍、3.1倍和2.5倍，同时精度提高了2.9%。我们的大型FasterNet-L取得了令人印象深刻的83.5%的top-1精度，与新兴的Swin-B不相上下，同时在GPU上的推理吞吐量提高了49%，以及在CPU上节省了42%的计算时间。

      论文主要亮点如下：

      • 强调了为了实现更快的神经网络，提升每秒浮点运算数（FLOPS）的重要性，而不仅仅是减少FLOPs。

      • 引入了一个简单但快速且有效的运算符，称为PConv，它具有很高的潜力来替代现有的首选选项，即深度卷积（DWConv）。

      • 介绍了FasterNet，它在GPU、CPU和ARM处理器等各种设备上都能流畅且普遍地快速运行。

      • 在各种任务上进行了广泛的实验，并验证了我们的PConv和FasterNet的高速度和有效性。

      1.1 网络结构

      

      

      1.2 性能对比

      

      

      2.YOLOv8替换主干步骤

      YOLOv8网络结构前后对比

      

      定义FasterNet相关类

      在ultralytics/nn/modules/block.py中添加如下代码块，为FasterNet源码：

      

      并在ultralytics/nn/modules/block.py中最上方添加如下代码：

      

      修改指定文件

      在ultralytics/nn/modules/__init__.py文件中的添加如下代码:

      

      在 ultralytics/nn/tasks.py 上方导入相应类名,并在parse_model解析函数中添加如下代码：

      

              elif m in [BasicStage]:
                      args.pop(1)
      

      

      在 ultralytics/nn/tasks.py 中搜索self.model.modules()，定位到如下代码，并且在下方添加如下方框中的代码内容：

      

      在ultralytics/cfg/models/v8文件夹下新建yolov8-FasterNet.yaml文件，内容如下：

      # Ultralytics YOLO 🚀, AGPL-3.0 license
      # YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
      # Parameters
      nc: 80  # number of classes
      scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
        # [depth, width, max_channels]
        n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
        s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
        m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
        l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
        x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
      # YOLOv8.0n backbone
      backbone:
        # [from, repeats, module, args]
        - [-1, 1, PatchEmbed_FasterNet, [40, 4, 4]]  # 0-P1/4
        - [-1, 1, BasicStage, [40, 1]]  # 1
        - [-1, 1, PatchMerging_FasterNet, [80, 2, 2]]  # 2-P2/8
        - [-1, 2, BasicStage, [80, 1]]  # 3-P3/16
        - [-1, 1, PatchMerging_FasterNet, [160, 2, 2]]  # 4
        - [-1, 8, BasicStage, [160, 1]]  # 5-P4/32
        - [-1, 1, PatchMerging_FasterNet, [320, 2, 2]] # 6
        - [-1, 2, BasicStage, [320, 1]] # 7
        - [-1, 1, SPPF, [320, 5]]  # 8
      # YOLOv8.0n head
      head:
        - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
        - [[-1, 5], 1, Concat, [1]]  # cat backbone P4
        - [-1, 1, C2f, [512]]  # 11
        - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
        - [[-1, 3], 1, Concat, [1]]  # cat backbone P3
        - [-1, 1, C2f, [256]]  # 14 (P3/8-small)
        - [-1, 1, Conv, [256, 3, 2]]
        - [[-1, 11], 1, Concat, [1]]  # cat head P4
        - [-1, 1, C2f, [512]]  # 17 (P4/16-medium)
        - [-1, 1, Conv, [512, 3, 2]]
        - [[-1, 8], 1, Concat, [1]]  # cat head P5
        - [-1, 1, C2f, [1024]]  # 20 (P5/32-large)
        - [[14, 17, 20], 1, Detect, [nc]]  # Detect(P3, P4, P5)
      

      3.加载配置文件并训练

      加载yolov8-BiLevelRoutingAttention.yaml配置文件，并运行train.py训练代码:

      #coding:utf-8
      from ultralytics import YOLO
      if __name__ == '__main__':
          model = YOLO('ultralytics/cfg/models/v8/yolov8-FasterNet.yaml')
          model.load('yolov8n.pt') # loading pretrain weights
          model.train(data='datasets/TomatoData/data.yaml', epochs=30, batch=4)
      

      注意观察，打印出的网络结构是否正常修改，如下图所示：

      

      4.模型推理

      模型训练完成后，我们使用训练好的模型对图片进行检测：

      #coding:utf-8
      from ultralytics import YOLO
      import cv2
      # 所需加载的模型目录
      # path = 'models/best2.pt'
      path = 'runs/detect/train/weights/best.pt'
      # 需要检测的图片地址
      img_path = "TestFiles/Riped tomato_8.jpeg"
      # 加载预训练模型
      # conf	0.25	object confidence threshold for detection
      # iou	0.7	intersection over union (IoU) threshold for NMS
      model = YOLO(path, task='detect')
      # 检测图片
      results = model(img_path)
      res = results[0].plot()
      # res = cv2.resize(res,dsize=None,fx=2,fy=2,interpolation=cv2.INTER_LINEAR)
      cv2.imshow("YOLOv8 Detection", res)
      cv2.waitKey(0)
      

      

      【源码免费获取】

      为了小伙伴们能够，更好的学习实践，本文已将所有代码、示例数据集、论文等相关内容打包上传，供小伙伴们学习。获取方式如下：

      关注下方名片G-Z-H：【阿旭算法与机器学习】，发送【yolov8改进】即可免费获取

      

      ---

      结束语

      关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

      觉得不错的小伙伴，感谢点赞、关注加收藏哦！