YOLOv13改进策略【Backbone/主干网络】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型

于 2025-08-14 13:27:00 发布
阅读量94 收藏
点赞数 5
CC 4.0 BY-SA版权
分类专栏： YOLOv13改进专栏 文章标签： YOLO 目标检测 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42591591/article/details/150344733

一、本文介绍

本文记录的是基于 GhostNetV3 的 YOLOv13轻量化改进方法研究。

GhostNetV3的轻量模块采用重参数化方法，训练时为深度可分离卷积和1×1卷积添加线性并行分支，推理时通过逆重参数化移除分支、折叠操作，能够在不增加推理成本的同时提高性能，从而实现YOLOv13的轻量化改进。

文章目录

二、GhostNet V3模型轻量化设计

GhostNetV3: Exploring the Training Strategies for Compact Models

GhostNetV3旨在为边缘设备设计高效的轻量模型，通过独特的模块设计，在保持模型较小尺寸和快速推理速度的同时，提高模型性能。

2.1 出发点

为满足边缘设备有限的内存和计算资源需求，需要设计计算成本低、推理速度快的轻量模型。深度可分离卷积和1×1卷积

了解本专栏 订阅专栏 解锁全文
YOLOv12改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型
Limiiiing的博客
03-07 299
本文记录的是基于 GhostNetV3 的 YOLOv12轻量化改进方法研究。GhostNetV3的轻量模块采用方法，训练时为深度可分离卷积和1×1卷积添加，推理时通过移除分支、折叠操作，能够在不增加推理成本的同时提高性能，从而实现YOLOv12的轻量化改进。
YOLOv8改进策略【模型轻量化】| 替换骨干网络为 GhostNet V3 2024华为的重参数轻量化模型
Limiiiing的博客
02-09 875
本文记录的是基于 GhostNetV3 的 YOLOv8 轻量化改进方法研究。GhostNetV3的轻量模块采用方法，训练时为深度可分离卷积和1×1卷积添加，推理时通过移除分支、折叠操作，能够在不增加推理成本的同时提高性能，从而实现YOLOv8的轻量化改进。
YOLOv9改进，YOLOv9改进主干网络为GhostNetV3(2024年华为提出的轻量化架构，全网首发)，助力涨点
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
09-26 887
GhostNetV3引入了多分支重参数化机制，通过在卷积层中添加额外的平行分支来改善性能。这些分支在训练过程中提供更多的表征能力，最终通过将多个分支重组为一个卷积层来实现推理时的高效性。通过添加配备 BatchNorm 层的重复分支将再参数化引入紧凑型模型。
YOLOv8改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
12-24 6668
1️⃣本专栏已更新150多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-24。项目介绍在大家购买专栏后，加入学
YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
热门推荐
Limiiiing的博客
10-11 3万+
如今各种网络模型更新迭代越来越快，计算机视觉相关的文章也越来越多，多到一些普通，通用的改进点无法达到发表的要求。本专栏正是解决这个问题！如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
03-10 9491
1️⃣ 什么！不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行，性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，并进行二次创新，新颖度高，创新度高，能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容，非常适合新手。4️⃣ 团队内发表数篇SCI论
YOLOv10改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
Limiiiing的博客
10-11 7563
如何寻找创新点？为什么要使用这个模块？如何才能提升模型的精度？这是贯穿我们研究始终的问题。创新点在这个专栏中我已经整理好了，这已经省去了大部分时间，但是当我们使用这些新的模块去优化已有的模型，如何才能提升模型的精度，才是我们要达到的最终目标。当然我们可以使用传统的A+B+C的方法去堆积模块，然后是进行大量的实验去排列组合以实现最终的精度提升，这无可厚非。
目标检测YOLO实战应用案例100讲-结合YOLOv5神经网络轻量化改进的视觉SLAM（续）
qq_36130719的博客
12-28 1739
（1）首先对应backbone部分，使用轻量级的模型进行替换，传统选择有 EfficientNet B0、ShuffleNet V2、MobileNet V3等，这些模型不仅具有较少的参 数量，还可以在保持较高准确率的情况下，实现较快的推理速度。个可选的残差链接组成，1x1卷积层可以有效地在不改变特征图尺寸的情况下 进行通道间的信息融合，3x3卷积层是卷积神经网络中的常见组件，可以在保 持较低计算复杂度的同时提取丰富的特征信息，残差连接有助于梯度在网络中。的传播，提高训练稳定性。的设计结构相结合完成改进。
神经网络学习小记录58——Keras GhostNet模型的复现详解
Bubbliiiing的学习小课堂
07-29 7725
神经网络学习小记录60——Keras GhostNet模型的复现详解学习前言什么是GhostNet模型GhostNet模型的实现思路1、Ghost Module2、Ghost Bottlenecks3、Ghostnet的构建GhostNet的代码构建 学习前言 GhostNet是华为诺亚方舟实验室提出来的一个非常有趣的网络，我们一起来学习一下。 什么是GhostNet模型 2020年，华为新出了一个轻量级网络，命名为GhostNet。 在优秀CNN模型中，特征图存在冗余是非常重要的。如图所示，这个是对Re
9_基于深度学习的车型检测识别系统（yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集）
you 是 mine
08-10 863
本项目基于PyQt5构建了一个图形化目标检测系统，支持图片、视频、摄像头等多种输入源，具备批量处理、结果导出和检测目标切换等功能。系统采用YOLOv5/YOLOv8深度学习模型，提供完整的环境配置文档和训练参数说明，包含GPU加速支持。项目附带详细数据集介绍、模型训练流程说明及可视化增强策略，适合学习或二次开发。亮点包括完整的系统级架构、模型可扩展性以及清晰的代码结构，可作为课程设计或毕业设计项目。
YOLO-v2-tiny 20种物体检测模型
Alex_XT的博客
08-13 442
YOLO-v2-tiny是基于YOLO(You Only Look Once)实时目标检测算法的轻量级版本，专门为嵌入式设备和资源受限环境优化。本模型能够检测20种常见物体类别，在保持较高检测精度的同时大幅减少了计算量和模型大小。20种物体检测模型， 使用 YOLO v2 tiny 网络， 具体的20种类别看详情介绍。
【YOLOV8】小目标困难场景优化
weixin_37763484的博客
08-12 322
yolov8 小目标困难场景优化
YOLO11 改进、魔改｜层次化双路径注意力机制HDPA,通过融合全局与局部特征的注意力权重，精准捕捉不同尺度的关键信息
qq_64693987的博客
08-13 455
HDPA（层次化双路径注意力机制）是一种轻量级注意力模型，旨在解决传统方法难以平衡全局语义与局部细节的问题。它通过双路径架构：全局路径捕获场景级上下文，局部路径聚焦边缘纹理等细节，经动态融合实现协同优化。在目标检测中，HDPA能提升小目标和遮挡目标的识别能力；在图像分割中可增强边缘精度。该机制计算高效，适配YOLO等模型时既能保持推理速度，又能显著提升多尺度目标检测性能。代码实现可通过GitHub获取，集成时需修改模型配置文件和任务脚本。
【模型剪枝2】不同剪枝方法实现对 yolov5n 剪枝测试及对比
csdnn345的博客
08-12 679
本文对比测试了三种剪枝方法在 YOLOv5n6 模型上的应用效果。通过对比验证了不同剪枝方法的优劣，为进一步研究模型优化（如结合量化、蒸馏等方法）奠定了基础。
【论文复现】YOLOv13的使用 | 训练、验证、预测以及导出模型等
静谧、淡雅
08-11 40
■Yolov13架构 ■主要结果 ▲MS COCO Benchmark ▲可视化 ■Yolov13的使用 ▲安装依赖 ▲验证 ▲训练 ▲预测 ▲导出模型
yolov11 标注 部署 训练 全流程
qq_40725313的博客
08-12 296
这是一个 YOLO 数据集格式的示例，其中单张图像包含两个对象，分别由一个 3 点分割和一个 5 点分割组成。数据标注，对于目标检测的数据标注一般用labelimg，对于图像分割的数据集的标注我一般用ISAT。可以自己去添加标签，然后点击SAM2加载模型，利用SAM2进行相对自动的标注，效率提高。ISAT有他自己的格式转换器，也可以自己写一个脚本进行格式转换。只针对目标检测的数据集，不针对图像分割的数据集。数据采集最好用实际用到的摄像头采集的数据。yolov11 分割标签的格式是。
YOLOv11+TensorRT部署实战：从训练到超高速推理的全流程
最新发布
wwwwww7733的博客
08-13 100
本文全面介绍了YOLOv11模型在NVIDIA GPU上使用TensorRT进行部署和加速的全流程。文章首先解析了TensorRT的工作原理，包括计算图优化、算子级优化和内存执行优化三大核心技术。随后详细演示了从YOLOv11模型导出ONNX格式，到使用trtexec构建FP16/INT8引擎的具体步骤，并提供了完整的Python推理代码实现。在性能优化方面，文章给出了固定输入尺寸、启用多精度推理、并行处理等实用技巧。实测数据显示，在RTX 3090上，YOLOv11通过TensorRT优化后推理速度可达5
【完整源码+数据集+部署教程】西红柿叶片病害检测图像分割系统源码和数据集：改进yolo11-ELA-HSFPN
2301_78772942的博客
08-12 836
【完整源码+数据集+部署教程】西红柿叶片病害检测图像分割系统源码和数据集：改进yolo11-ELA-HSFPN
Baumer高防护相机如何通过YoloV8深度学习模型实现木板表面缺陷的检测识别（C#代码UI界面版）
xianzuzhicai的博客
08-12 695
Baumer高防护相机如何通过YoloV8深度学习模型实现木板表面缺陷的检测识别（C#代码UI界面版）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Limiiiing

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值