承德市建设局网站,网站流量刷,乌克兰最新消息今天,东莞知名网站优化公司YOLOv11v10v8使用教程#xff1a; YOLOv11入门到入土使用教程 一、 模块介绍 论文链接#xff1a;https://arxiv.org/abs/2303.16900 代码链接#xff1a;https://github.com/sail-sg/inceptionnext
论文速览#xff1a;受 ViT 长距离建模能力的启发#xff0c;大核卷积… YOLOv11v10v8使用教程 YOLOv11入门到入土使用教程 一、 模块介绍 论文链接https://arxiv.org/abs/2303.16900 代码链接https://github.com/sail-sg/inceptionnext
论文速览受 ViT 长距离建模能力的启发大核卷积最近被广泛研究和采用以扩大感受野并提高模型性能例如采用 7x7 深度卷积的 ConvNeXt。虽然这种深度算子只消耗少量的 FLOPs但内存访问成本高在很大程度上损害了强大计算设备上的模型效率。例如 ConvNeXt-T 具有与 ResNet-50 类似的 FLOPs但在 A100 GPU 上以全精度训练时只能实现 60% 的吞吐量。虽然减小 ConvNeXt 的内核大小可以提高速度但会导致性能显著下降。目前尚未有如何在保持其性能的同时加速基于大内核的 CNN 模型研究。为了解决这个问题受 Inceptions 的启发我们将大核深度卷积沿通道维度分解为四个平行分支即小方核、两个正交带核和一个身份映射。通过这个新的 Inception 深度卷积构建了一系列网络即 IncepitonNeXt它不仅享有高吞吐量而且保持了有竞争力的性能。例如InceptionNeXt-T 的训练吞吐量比 ConvNeX-T 高 1.6 倍并且在 ImageNet-1K 上实现了 0.2% 的 top-1 精度提升。
总结一种基于大核卷积的特征提取模块轻量化且高性能。 二、 加入到YOLO中
2.1 创建脚本文件 首先在ultralytics-nn路径下创建blocks.py脚本用于存放模块代码。 2.2 复制代码 复制代码粘到刚刚创建的blocks.py脚本中如下图所示
import torch
import torch.nn as nnclass InceptionDWConv2d(nn.Module): Inception depthweise convolutiondef __init__(self, in_channels, square_kernel_size3, band_kernel_size11, branch_ratio0.125):super().__init__()gc int(in_channels * branch_ratio) # channel numbers of a convolution branchself.dwconv_hw nn.Conv2d(gc, gc, square_kernel_size, paddingsquare_kernel_size // 2, groupsgc)self.dwconv_w nn.Conv2d(gc, gc, kernel_size(1, band_kernel_size), padding(0, band_kernel_size // 2),groupsgc)self.dwconv_h nn.Conv2d(gc, gc, kernel_size(band_kernel_size, 1), padding(band_kernel_size // 2, 0),groupsgc)self.split_indexes (in_channels - 3 * gc, gc, gc, gc)def forward(self, x):x_id, x_hw, x_w, x_h torch.split(x, self.split_indexes, dim1)return torch.cat((x_id, self.dwconv_hw(x_hw), self.dwconv_w(x_w), self.dwconv_h(x_h)),dim1,) 2.3 更改task.py文件 打开ultralytics-nn-modules-task.py在脚本空白处导入函数。
from ultralytics.nn.blocks import *之后找到模型解析函数parse_model约在tasks.py脚本中940行左右位置可能因代码版本不同变动在该函数的最后一个else分支上面增加相关解析代码。 elif m is InceptionDWConv2d:c2 ch[f]args [ch[f]] 2.4 更改yaml文件 yam文件解读YOLO系列 “.yaml“文件解读_yolo yaml文件-CSDN博客 创建yaml文件替换原有模块。
# Ultralytics YOLO , AGPL-3.0 license
# YOLO11 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. modelyolo11n.yaml will call yolo11.yaml with scale n# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 319 layers, 2624080 parameters, 2624064 gradients, 6.6 GFLOPss: [0.50, 0.50, 1024] # summary: 319 layers, 9458752 parameters, 9458736 gradients, 21.7 GFLOPsm: [0.50, 1.00, 512] # summary: 409 layers, 20114688 parameters, 20114672 gradients, 68.5 GFLOPsl: [1.00, 1.00, 512] # summary: 631 layers, 25372160 parameters, 25372144 gradients, 87.6 GFLOPsx: [1.00, 1.50, 512] # summary: 631 layers, 56966176 parameters, 56966160 gradients, 196.0 GFLOPs# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, C3k2, [256, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 2, C3k2, [512, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 2, InceptionDWConv2d, []]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, C3k2, [1024, True]]- [-1, 1, SPPF, [1024, 5]] # 9- [-1, 2, C2PSA, [1024]] # 10# YOLO11n head
head:- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 6], 1, Concat, [1]] # cat backbone P4- [-1, 2, C3k2, [512, False]] # 13- [-1, 1, nn.Upsample, [None, 2, nearest]]- [[-1, 4], 1, Concat, [1]] # cat backbone P3- [-1, 2, C3k2, [256, False]] # 16 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]]- [[-1, 13], 1, Concat, [1]] # cat head P4- [-1, 2, C3k2, [512, False]] # 19 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]]- [[-1, 10], 1, Concat, [1]] # cat head P5- [-1, 2, C3k2, [1024, True]] # 22 (P5/32-large)- [[16, 19, 22], 1, Detect, [nc]] # Detect(P3, P4, P5)2.5 修改train.py文件 创建Train脚本用于训练。
from ultralytics.models import YOLO
import os
os.environ[KMP_DUPLICATE_LIB_OK] Trueif __name__ __main__:model YOLO(modelultralytics/cfg/models/11/yolo11.yaml)# model.load(yolov8n.pt)model.train(data./data.yaml, epochs2, batch1, device0, imgsz640, workers2, cacheFalse,ampTrue, mosaicFalse, projectruns/train, nameexp)在train.py脚本中填入创建好的yaml路径运行即可训练数据集创建教程见下方链接。 YOLOv11入门到入土使用教程(含结构图)_yolov11使用教程-CSDN博客 三、相关改进思路 替换C2f、C3模块中的BottleNeck部分代码见群文件
