专栏目录 ：《YOLOv5入门 + 改进涨点》专栏介绍 & 专栏目录 | 目前已有90+篇内容，内含各种Head检测头、损失函数Loss、Backbone、Neck、NMS等创新点改进
目录
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 CNN 的一个重要特征，但在神经架构设计中很少被研究。一种新颖的 Ghost 模块，可以通过廉价的操作生成更多的特征图。基于一组内在特征图，以低廉的成本应用一系列线性变换来生成许多鬼特征图，这些特征图可以充分揭示内在特征背后的信息。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。 Ghostbottleneck旨在堆叠Ghost模块，然后可以轻松建立轻量级的GhostNet。Ghost 模块是基线模型中卷积层的令人印象深刻的替代品，并且GhostNet 可以比 MobileNetV3 实现更高的识别性能，并且在 ImageNet ILSVRC2012 分类数据集上具有相似的计算成本。
⭐欢迎大家订阅我的专栏一起学习⭐
🚀🚀🚀订阅专栏，更新及时查看不迷路🚀🚀🚀
YOLOv5涨点专栏：http://t.csdnimg.cn/CNQ32
YOLOv8涨点专栏：http://t.csdnimg.cn/tnoL5
YOLOv7专栏：http://t.csdnimg.cn/HsyvQ
💡魔改网络、复现论文、优化创新💡
首先引入 Ghost 模块，利用一些小过滤器从原始卷积层生成更多特征图，然后开发一个具有极其高效架构和高性能的新 GhostNet。
原理简介
深度卷积神经网络通常由大量卷积组成，这会导致巨大的计算成本。尽管 MobileNet 和 ShuffleNet 等最近的工作引入了深度卷积或洗牌操作，以使用较小的卷积滤波器（浮点数操作）构建高效的 CNN，但剩余的 1 × 1 卷积层仍然会占用大量内存和失败。
其中*是卷积运算，b是偏置项，Y ∈ Rh′×w′×n是n个通道的输出特征图，f ∈ Rc×k×k×n是该层的卷积滤波器。另外，h′和w′分别是输出数据的高度和宽度，k×k分别是卷积滤波器f的内核大小。在这个卷积过程中，所需的 FLOP 数量可以计算为 n·h′·w′·c·k·k，由于滤波器数量 n 和通道数量 c 通常为数十万，因此该数量通常高达数十万。非常大（例如 256 或 512）。
利用 Ghost 模块的优点，我们引入了专为小型 CNN 设计的 Ghost 瓶颈（G-bneck）。如图 3 所示，Ghost 瓶颈似乎类似于 ResNet [16] 中的基本残差块，其中集成了多个卷积层和快捷方式。所提出的 Ghost 瓶颈主要由两个堆叠的 Ghost 模块组成。第一个 Ghost 模块充当扩展层，增加通道数量。我们将输出通道数与输入通道数之比称为扩展比。第二个 Ghost 模块减少了通道数量以匹配快捷路径。然后将快捷方式连接在这两个 Ghost 模块的输入和输出之间。批量标准化（BN）[25]和ReLU非线性在每一层之后应用，除了按照MobileNetV2的建议在第二个Ghost模块之后不使用ReLU。上述Ghost瓶颈是针对步长=1的情况。对于stride=2的情况，捷径由下采样层实现，并在两个Ghost模块之间插入stride=2的深度卷积。实际上，这里的 Ghost 模块中的主要卷积是逐点卷积，以提高其效率。
代码实现
class C3Ghost(C3):
"""C3 module with GhostBottleneck()."""
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
"""Initialize 'SPP' module with various pooling sizes for spatial pyramid pooling."""
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e) # hidden channels
self.m = nn.Sequential(*(GhostBottleneck(c_, c_) for _ in range(n)))
class GhostBottleneck(nn.Module):
"""Ghost Bottleneck https://github.com/huawei-noah/ghostnet."""
def __init__(self, c1, c2, k=3, s=1):
"""Initializes GhostBottleneck module with arguments ch_in, ch_out, kernel, stride."""
super().__init__()
c_ = c2 // 2
self.conv = nn.Sequential(
GhostConv(c1, c_, 1, 1), # pw
DWConv(c_, c_, k, s, act=False) if s == 2 else nn.Identity(), # dw
GhostConv(c_, c2, 1, 1, act=False), # pw-linear
)
self.shortcut = (
nn.Sequential(DWConv(c1, c1, k, s, act=False), Conv(c1, c2, 1, 1, act=False)) if s == 2 else nn.Identity()
)
def forward(self, x):
"""Applies skip connection and concatenation to input tensor."""
return self.conv(x) + self.shortcut(x)ghost模型的整个结构照搬了mobilenetv3，只是把基本单元给替换掉了，将原本的一步卷积变为两步卷积，第一步首先进行常规卷积，但是减少了输出通道数，第二步在第一步的基础上进行深度可分离卷积(仅取第一步)，这里深度可分离卷积跟常规深度可分离卷积有点区别，常规深度可分离卷积(仅取第一步)的输入输出通道数完全相等，卷积核数量也等于输入通道数，这里输出通道数可能是输入通道数的整数倍，卷积核数量等于输出通道数。此外，第二步卷积还有并行的一个连接分支，这个分支直接就是第一步卷积的输出。ghost卷积模块的输出通道数等于第一步卷积后的通道数c加上第二步卷积后的通道数n*c，所以最终通道数为(n+1)*c。此操作的依据是经过观察，发现大部分卷积操作后，输出的特征图很多通道之间存在很高的相似性，那我们就可以经过第一步卷积得到那些没有相似性的通道，然后经过第二步卷积得到剩余那些有相似性的通道
yaml文件实现
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# Parameters
nc: 80 # number of classes
depth_multiple: 1.0 # model depth multiple
width_multiple: 1.0 # layer channel multiple
anchors:
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, C3Ghost, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 6, C3Ghost, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3Ghost, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3Ghost, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# YOLOv5 v6.0 head
head:
[[-1, 1, Conv, [512, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 6], 1, Concat, [1]], # cat backbone P4
[-1, 3, C3Ghost, [512, False]], # 13
[-1, 1, Conv, [256, 1, 1]],
[-1, 1, nn.Upsample, [None, 2, 'nearest']],
[[-1, 4], 1, Concat, [1]], # cat backbone P3
[-1, 3, C3Ghost, [256, False]], # 17 (P3/8-small)
[-1, 1, Conv, [256, 3, 2]],
[[-1, 14], 1, Concat, [1]], # cat head P4
[-1, 3, C3Ghost, [512, False]], # 20 (P4/16-medium)
[-1, 1, Conv, [512, 3, 2]],
[[-1, 10], 1, Concat, [1]], # cat head P5
[-1, 3, C3Ghost, [1024, False]], # 23 (P5/32-large)
[[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
]
检查是否添加执行成功
出现的网络结构变成C3变成C3ghost，则说明添加成功
完整代码分享
链接: https://pan.baidu.com/s/1N3-7dEdVoMC-QuIGUFpASg?pwd=dwey 提取码: dwey 复制这段内容后打开百度网盘手机App，操作更方便哦
如果报错，请看
启动命令
python train.py model=/path/yolov5_ghost.yaml ...论文创新必备
5913
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
