devbox
酷酷是懒虫
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

YOLOv5-7.0改进（一）MobileNetv3替换主干网络_yolov5 mobilenet

作者：酷酷是懒虫 | 2024-07-28 12:50:18

赞

踩

yolov5 mobilenet

前言

本篇博客主要讲解YOLOv5主干网络的替换，使用MobileNetv3实现模型轻量化，平衡速度和精度。以下为改进的具体流程~

目录

一、改进MobileNetV3_Small

第一步：修改common.py,新增MobileNetV3

第二步：在yolo.py的parse_model函数中添加类名

第三步：制作模型配置文件

第四步：验证新加入的主干网络

二、改进MobileNetV3_Large

第一步：制作模型配置文件

第二步：验证新加入的主干网络

三、改进训练

第一步：修改train.py中的cfg参数

第二步：运行python train.py

一、改进MobileNetV3_Small

第一步：修改common.py,新增MobileNetV3

将以下代码复制到common.py末尾

  1. # Mobilenetv3Small
  2.  
  3. class h_sigmoid(nn.Module):
  4.     def __init__(self, inplace=True):
  5.         super(h_sigmoid, self).__init__()
  6.         self.relu = nn.ReLU6(inplace=inplace)
  7.  
  8.     def forward(self, x):
  9.         return self.relu(x + 3) / 6
  10.  
  11.  
  12. class h_swish(nn.Module):
  13.     def __init__(self, inplace=True):
  14.         super(h_swish, self).__init__()
  15.         self.sigmoid = h_sigmoid(inplace=inplace)
  16.  
  17.     def forward(self, x):
  18.         return x * self.sigmoid(x)
  19.  
  20.  
  21. class SELayer(nn.Module):
  22.     def __init__(self, channel, reduction=4):
  23.         super(SELayer, self).__init__()
  24.         # Squeeze操作
  25.         self.avg_pool = nn.AdaptiveAvgPool2d(1)
  26.         # Excitation操作(FC+ReLU+FC+Sigmoid)
  27.         self.fc = nn.Sequential(
  28.             nn.Linear(channel, channel // reduction),
  29.             nn.ReLU(inplace=True),
  30.             nn.Linear(channel // reduction, channel),
  31.             h_sigmoid()
  32.         )
  33.  
  34.     def forward(self, x):
  35.         b, c, _, _ = x.size()
  36.         y = self.avg_pool(x)
  37.         y = y.view(b, c)
  38.         y = self.fc(y).view(b, c, 1, 1)  # 学习到的每一channel的权重
  39.         return x * y
  40.  
  41.  
  42. class conv_bn_hswish(nn.Module):
  43.     """
  44.     This equals to
  45.     def conv_3x3_bn(inp, oup, stride):
  46.         return nn.Sequential(
  47.             nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
  48.             nn.BatchNorm2d(oup),
  49.             h_swish()
  50.         )
  51.     """
  52.  
  53.     def __init__(self, c1, c2, stride):
  54.         super(conv_bn_hswish, self).__init__()
  55.         self.conv = nn.Conv2d(c1, c2, 3, stride, 1, bias=False)
  56.         self.bn = nn.BatchNorm2d(c2)
  57.         self.act = h_swish()
  58.  
  59.     def forward(self, x):
  60.         return self.act(self.bn(self.conv(x)))
  61.  
  62.     def fuseforward(self, x):
  63.         return self.act(self.conv(x))
  64.  
  65.  
  66. class MobileNetV3(nn.Module):
  67.     def __init__(self, inp, oup, hidden_dim, kernel_size, stride, use_se, use_hs):
  68.         super(MobileNetV3, self).__init__()
  69.         assert stride in [1, 2]
  70.  
  71.         self.identity = stride == 1 and inp == oup
  72.  
  73.         # 输入通道数=扩张通道数 则不进行通道扩张
  74.         if inp == hidden_dim:
  75.             self.conv = nn.Sequential(
  76.                 # dw
  77.                 nn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups=hidden_dim,
  78.                           bias=False),
  79.                 nn.BatchNorm2d(hidden_dim),
  80.                 h_swish() if use_hs else nn.ReLU(inplace=True),
  81.                 # Squeeze-and-Excite
  82.                 SELayer(hidden_dim) if use_se else nn.Sequential(),
  83.                 # pw-linear
  84.                 nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
  85.                 nn.BatchNorm2d(oup),
  86.             )
  87.         else:
  88.             # 否则 先进行通道扩张
  89.             self.conv = nn.Sequential(
  90.                 # pw
  91.                 nn.Conv2d(inp, hidden_dim, 1, 1, 0, bias=False),
  92.                 nn.BatchNorm2d(hidden_dim),
  93.                 h_swish() if use_hs else nn.ReLU(inplace=True),
  94.                 # dw
  95.                 nn.Conv2d(hidden_dim, hidden_dim, kernel_size, stride, (kernel_size - 1) // 2, groups=hidden_dim,
  96.                           bias=False),
  97.                 nn.BatchNorm2d(hidden_dim),
  98.                 # Squeeze-and-Excite
  99.                 SELayer(hidden_dim) if use_se else nn.Sequential(),
  100.                 h_swish() if use_hs else nn.ReLU(inplace=True),
  101.                 # pw-linear
  102.                 nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
  103.                 nn.BatchNorm2d(oup),
  104.             )
  105.  
  106.     def forward(self, x):
  107.         y = self.conv(x)
  108.         if self.identity:
  109.             return x + y
  110.         else:
  111.             return y

第二步：在yolo.py的parse_model函数中添加类名

（1）在YOLOv5/v7项目文件下的models/yolo.py中在文件首部添加代码

from models.common import *

（2）添加内容：

h_sigmoid, h_swish, SELayer, conv_bn_hswish, MobileNetV3

（3）添加效果：

第三步：制作模型配置文件

1、复制models/yolov5s.yaml文件，并重命名

2、根据MobileNetv3的网络结构修改配置文件

根据网络结构我们可以看出MobileNetV3模块包含六个参数[out_ch, hidden_ch, kernel_size, stride, use_se, use_hs]：
• out_ch： 输出通道
• hidden_ch： 表示在Inverted residuals中的扩张通道数
• kernel_size： 卷积核大小
• stride： 步长
• use_se： 表示是否使用 SELayer，使用了是1，不使用是0
• use_hs： 表示使用 h_swish 还是 ReLU，使用h_swish是1，使用 ReLU是0

修改的时候，需要注意/8，/16，/32等位置特征图的变换

3、修改head部分concat的层数

修改完成代码如下：

  1. # YOLOv5 
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/酷酷是懒虫/article/detail/894240
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。