【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】
项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】
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

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-8from 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-8from 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：

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！