YOLOv5/v7 更换骨干网络之 GhostNet

论文地址：https://arxiv.org/abs/1911.11907
代码地址：https://github.com/huawei-noah/ghostnet

由于内存和计算资源有限，在嵌入式设备上部署卷积神经网络（CNN）很困难。特征图中的冗余是那些成功的神经网络的重要特征，但在神经架构设计中很少研究。本文提出了一种新的Ghost模块，以从廉价的操作中生成更多的特征图。基于一组内在特征图，我们以低成本应用一系列线性变换来生成许多重影特征图，这些重影特征可以充分揭示内在特征的信息。所提出的Ghost模块可以作为即插即用组件来升级现有的卷积神经网络。Ghost瓶颈被设计为堆叠Ghost模块，然后可以轻松地建立轻量级GhostNet。在基准上进行的实验表明，所提出的Ghost模块是基线模型中卷积层的一个令人印象深刻的替代方案，并且我们的GhostNet可以在ImageNet ILSVRC2012分类数据集上以类似的计算成本实现比MobileNetV3更高的识别性能（例如，75.7%的前1精度）。代码可从https://github.com/huawei-noah/ghostnet获取。

GhostNet网络结构

将YOLOv5主干网络替换为GhostNet：

yolov5lGhost.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parametersnc:80# number of classesdepth_multiple:1.0# model depth multiplewidth_multiple:1.0# layer channel multipleanchors:-[10,13,16,30,33,23]# P3/8-[30,61,62,45,59,119]# P4/16-[116,90,156,198,373,326]# P5/32# Ghostnet backbonebackbone:# [from, number, module, args][[-1,1, Conv,[16,3,2,1]],# 0-P1/2  ch_out, kernel, stride, padding, groups[-1,1, G_bneck,[16,16,3,1]],# 1  ch_out, ch_mid, dw-kernel, stride[-1,1, G_bneck,[24,48,3,2]],# 2-P2/4[-1,1, G_bneck,[24,72,3,1]],# 3[-1,1, G_bneck,[40,72,3,2,True]],# 4-P3/8[-1,1, G_bneck,[40,120,3,1,True]],# 5[-1,1, G_bneck,[80,240,3,2]],# 6-P4/16[-1,3, G_bneck,[80,184,3,1]],# 7[-1,1, G_bneck,[112,480,3,1,True]],[-1,1, G_bneck,[112,480,3,1,True]],[-1,1, G_bneck,[160,672,3,2,True]],# 10-P5/32[-1,1, G_bneck,[160,960,3,1]],# 11[-1,1, G_bneck,[160,960,3,1,True]],[-1,1, G_bneck,[160,960,3,1]],[-1,1, G_bneck,[160,960,3,1,True]],[-1,1, Conv,[960]],]# YOLOv5 v6.0 headhead:[[-1,1, Conv,[512,1,1]],[-1,1, nn.Upsample,[None,2,'nearest']],[[-1,9],1, Concat,[1]],# cat backbone P4[-1,3, C3,[512,False]],# 20[-1,1, Conv,[256,1,1]],[-1,1, nn.Upsample,[None,2,'nearest']],[[-1,5],1, Concat,[1]],# cat backbone P3[-1,3, C3,[256,False]],# 24 (P3/8-small)[-1,1, Conv,[256,3,2]],[[-1,20],1, Concat,[1]],# cat head P4[-1,3, C3,[512,False]],# 27 (P4/16-medium)[-1,1, Conv,[512,3,2]],[[-1,16],1, Concat,[1]],# cat head P5[-1,3, C3,[1024,False]],# 30 (P5/32-large)[[23,26,29],1, Detect,[nc, anchors]],# Detect(P3, P4, P5)]

在YOLOv5项目中添加方式：

common.py中加入以下代码：

classSeBlock(nn.Module):def__init__(self, in_channel, reduction=4):super().__init__()
        self.Squeeze = nn.AdaptiveAvgPool2d(1)

        self.Excitation = nn.Sequential()
        self.Excitation.add_module('FC1', nn.Conv2d(in_channel, in_channel // reduction, kernel_size=1))# 1*1卷积与此效果相同
        self.Excitation.add_module('ReLU', nn.ReLU())
        self.Excitation.add_module('FC2', nn.Conv2d(in_channel // reduction, in_channel, kernel_size=1))
        self.Excitation.add_module('Sigmoid', nn.Sigmoid())defforward(self, x):
        y = self.Squeeze(x)
        ouput = self.Excitation(y)return x *(ouput.expand_as(x))classG_bneck(nn.Module):# Ghost Bottleneck https://github.com/huawei-noah/ghostnetdef__init__(self, c1, c2, midc, k=5, s=1, use_se =False):# ch_in, ch_mid, ch_out, kernel, stride, use_sesuper().__init__()assert s in[1,2]
        c_ = midc
        self.conv = nn.Sequential(GhostConv(c1, c_,1,1),# Expansion
                                  Conv(c_, c_,3, s=2, p=1, g=c_, act=False)if s ==2else nn.Identity(),# dw# Squeeze-and-Excite
                                  SeBlock(c_)if use_se else nn.Sequential(),
                                  GhostConv(c_, c2,1,1, act=False))# Squeeze pw-linear

        self.shortcut = nn.Identity()if(c1 == c2 and s ==1)else \
                                                nn.Sequential(Conv(c1, c1,3, s=s, p=1, g=c1, act=False), \
                                                Conv(c1, c2,1,1, act=False))# 避免stride=2时 通道数改变的情况defforward(self, x):# print(self.conv(x).shape)# print(self.shortcut(x).shape)return self.conv(x)+ self.shortcut(x)

yolo.py中添加如下代码：

本人更多YOLOv5实战内容导航🍀🌟🚀

1. 手把手带你调参Yolo v5 (v6.2)（推理）🌟强烈推荐
2. 手把手带你调参Yolo v5 (v6.2)（训练）🚀
3. 手把手带你调参Yolo v5 (v6.2)（验证）
4. 如何快速使用自己的数据集训练Yolov5模型
5. 手把手带你Yolov5 (v6.2)添加注意力机制(一)（并附上30多种顶会Attention原理图）🌟强烈推荐🍀新增8种
6. 手把手带你Yolov5 (v6.2)添加注意力机制(二)（在C3模块中加入注意力机制）
7. Yolov5如何更换激活函数？
8. Yolov5如何更换BiFPN?
9. Yolov5 (v6.2)数据增强方式解析
10. Yolov5更换上采样方式( 最近邻 / 双线性 / 双立方 / 三线性 / 转置卷积)
11. Yolov5如何更换EIOU / alpha IOU / SIoU？
12. Yolov5更换主干网络之《旷视轻量化卷积神经网络ShuffleNetv2》
13. YOLOv5应用轻量级通用上采样算子CARAFE
14. 空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC🚀
15. 用于低分辨率图像和小物体的模块SPD-Conv
16. GSConv+Slim-neck 减轻模型的复杂度同时提升精度🍀
17. 头部解耦 | 将YOLOX解耦头添加到YOLOv5 | 涨点杀器🍀
18. Stand-Alone Self-Attention | 搭建纯注意力FPN+PAN结构🍀
19. YOLOv5模型剪枝实战🚀
20. YOLOv5知识蒸馏实战🚀
21. YOLOv7知识蒸馏实战🚀
22. 改进YOLOv5 | 引入密集连接卷积网络DenseNet思想 | 搭建密集连接模块🍀
23. YOLOv5更换骨干网络之 PP-LCNet🍀
24. YOLOv5更换骨干网络之 EfficientNet-B0🍀
25. YOLOv5 框架引入 Google 轻量化网络 MobileNet V3🍀

参考文献：

https://github.com/Gumpest/YOLOv5-Multibackbone-Compression