芒果YOLOv5改进39：主干Backbone篇之RepLKNet：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点

已于 2024-03-14 20:49:14 修改
阅读量7.8k 收藏 32
点赞数 9
CC 4.0 BY-SA版权
分类专栏： 目标检测YOLO改进指南 芒果YOLOv5原创改进 文章标签： 深度学习 pytorch 目标检测
于 2022-10-07 18:11:04 首次发布
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_38668236/article/details/127196758
本文介绍如何将RepLKDeXt超大卷积核架构应用于YOLOv5和YOLOv7模型，通过对比展示在减小参数量和计算量的同时实现性能提升。详细步骤包括创建replkdext.py模块，配置yaml文件，并给出代码示例。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本专栏包含大量的首发原创改进方式🚀, 所有文章都是全网首发内容。🌟

降低改进难度,改进点包含最新最全的Backbone部分、Neck部分、Head部分、注意力机制部分、自注意力机制部分等完整教程 🚀

💡本篇文章基于 YOLOv5、YOLOv7、YOLOv7-Tiny、YOLOv8 进行 RepLKDeXt 超大卷积核架构 改进。
重点：🔥🔥🔥涨点神器！！！有几个同学已经反应 该教程 提供的网络结构配置 在自有数据集上有效涨点!!!

文章目录

一、网络模型部分

在这里插入图片描述

二、RepLKNet 论文理论部分 + YOLOv5、YOLOv8代码改进

当你在卷积网络（CNN）的深度、宽度、groups、输入分辨率上调参调得不可开交的时候，是否会在不经意间想起，有一个设计维度，kernel size，一直如此显而易见却又总是被忽视，总是被默认设为3x3或5x5？

CNN中的kernel size是一个非常重要但总是被人忽略的设计维度，在现代模型设计的加持下，卷积核越大越暴力，既涨点又

了解本专栏 订阅专栏 解锁全文
清华和旷视提出RepLKNet：采用31×31大kernel的CNN网络，性能超过Swin
jacke121的专栏
03-16 2165
开源地址： https://github.com/DingXiaoH/RepLKNet-pytorch 有论文： https://github.com/megvii-research/RepLKNet CVPR22最新论文，RepVGG作者提出RepLKNet：采用31×31大kernel的CNN网络，性能超过Swin，作者在论文中提出了大kernel size卷积的4个设计准则，并设计了31x32的纯CNN结构，在图像分类和下游检测分割上超过Swin！ In this paper we
芒果YOLOv9改进23：主干Backbone篇之RepLKNet：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 119
YOLOv9改进：主干Backbone篇之RepLKNet：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点
RepLKNet-YoloV5
m0_46179553的博客
03-27 4812
背景简介 自从VGG提出以后，各种CNN网络层出不穷，但是他们都遵循了VGG的设计思想，通过多个小卷积核叠加来得到大的感受野同时保证较少的参数量（2个3x3的卷积核感受野和5x5的卷积核感受野相同，但是参数18<25）。随着ViT逐渐在各类视觉任务中拿到SOTA的表现，CNN似乎有点后继无力。RepLKNet打破了这种现象，旷世科技研究员发现，kernel szie对模型性能尤其是分割、检测等下游任务至关重要，提出在CNN网络中大量采用超大卷积核的模型并结合结构重参数化、depthwise等，RepL
毕业设计 yolov8叶片病害检测系统（源码+论文）
最新发布
mabile123444的博客
07-21 1024
本文介绍了一个基于YOLOv8的叶片病害检测系统，该系统通过深度学习技术为农业生产提供智能化病害检测方案。项目采用PyQt5开发交互界面，实现了图像识别和实时检测功能，具有检测速度快（160 FPS）、精度高（较YOLOv5提升15% mAP）的技术优势。系统设计包含数据采集、模型训练、检测应用全流程，创新性地将YOLOv8算法与传统框架结合，并针对农业应用场景优化了交互设计。该项目不仅为毕业设计提供了完整参考，也为解决植物病害早期检测难题提供了技术方案，具有显著的农业现代化应用价值。
RepLKnet
weixin_50096533的博客
04-21 151
RepLKNet
AI浩
05-27 2468
replknet.py # Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs (https://arxiv.org/abs/2203.06717) # Github source: https://github.com/DingXiaoH/RepLKNet-pytorch # Licensed under The MIT License [see LICENSE for details] # Based on C
RepLKNet（CVPR 2022, MEGVII）
00000cj的博客
07-16 1554
本文的出发点是探讨在现代CNN中引入大卷积核的设计，试图通过使用大卷积核来缩小CNN与ViT之间的性能差距。
芒果YOLOv8改进34：主干Backbone篇之RepLKNet：首发结合 RepLKNet 构建 最新 RepLKDeXt 结构｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-18 1822
YOLOv8代码实践｜CVPR2022 超大卷积核, 越大越暴力,大到31x31, 涨点高效！
芒果YOLOv5改进73：主干Backbone篇之RepLKNet：首发最新改进23年11月份论文，极简高效，RepLKNet改进升级版UniRepLKNet(博客内附源代码)，适用于图像识别，即插即
包括YOLOv5、YOLOv7、YOLOv8等模型改进
12-01 1400
YOLOv5最新改进 | 极简高效，RepLKNet改进升级版UniRepLKNet(博客内附源代码)
芒果YOLOv5改进41：主干Backbone篇之DenseNet：首发Dense设计核心最新提出DenseOne密集网络，从另一个视角改进YOLO目标检测模型，打造高性能检测器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-29 2996
基于 YOLOv5 模型 首发最新结合核心DenseNet 改进提出 DenseOne密集网络，从另一个视角改进YOLO神经网络模型，打造高性能检测器。
芒果YOLOv5改进32：主干Backbone篇之EfficientRep：2023年最新论文出品｜结合设计硬件感知神经网络设计的高效 Repvgg 式 ConvNet 网络结构 ，该网络涨点利器
包括YOLOv5、YOLOv7、YOLOv8等模型改进
02-10 4428
YOLOv5代码实践 + 结合设计硬件感知神经网络设计的高效 Repvgg 式 ConvNet 网络结构
RepLKNet实战：使用RepLKNet实现对植物幼苗的分类（非官方）
05-25
本文通过对植物幼苗分类的实际例子来感受一下超大核的魅力所在。这篇文章能让你学到： 通过对论文的解读，了解RepLKNet超大核的设计思想和架构。 如何使用数据增强，包括transforms的增强、CutOut、MixUp、CutMix等增强手段？ 如何调用自定义的模型？ 如何使用混合精度训练？ 如何使用梯度裁剪防止梯度爆炸？ 如何使用DP多显卡训练？ 如何绘制loss和acc曲线？ 如何生成val的测评报告？ 如何编写测试脚本测试测试集？ 如何使用余弦退火策略调整学习率？ 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/124959038
【论文解读】RepLKNet，基于Swin架构的超大核网络
AI浩
05-24 2838
摘要 pytoch代码：https://github.com/DingXiaoH/RepLKNet-pytorch 论文翻译：https://wanghao.blog.csdn.net/article/details/124875771?spm=1001.2014.3001.5502 RepLKNet的作者受vision transformers (ViT) 最新进展的启发,提出了31×31的超大核模型，与小核 CNN 相比，大核 CNN 具有更大的有效感受野和更高的形状偏差而不是纹理偏差。借鉴 Swin
RepLKNet 学习笔记
jacke121的专栏
01-21 1204
RepLKNet 学习笔记
【论文笔记】RepLKNet论文阅读笔记
AI爱好者的博客，分享计算机领域相关知识
03-21 2596
自从VGG提出以后，各种CNN网络层出不穷，但是他们都遵循了VGG的设计思想，通过多个小卷积核叠加来得到大的感受野同时保证较少的参数量（2各3x3的卷积核感受野和5x5的卷积核感受野相同，但是参数18<25）。随着ViT逐渐在各类视觉任务种拿到SOTA的表现，CNN似乎有点后继无力。RepLKNet打破了这种现象，提出使用在CNN网络中使用大的卷积核，RepLKNet在各类视觉任务中获得了SOTA表现。
YOLOv8最新改进系列：YOLOv8+RepLKNet，超大核模型，精度嘎嘎提升，小目标检测性能嘎嘎提升，提升效果拉满！！！
B站 Ai学术叫叫兽的文案地
09-11 3466
RepLKNet的作者受到了vision transformers (ViT) 最新进展的启发,提出了31×31的超大核模型，与小核 CNN 相比，大核 CNN 具有更大的有效感受野和更高的形状偏差而不是纹理偏差。借鉴 Swin Transformer 的宏观架构，提出了一种架构 RepLKNet。在 ImageNet 上获得 87.8% 的 top-1 准确率，在 ADE20K 上获得 56.0% mIoU，这在具有相似模型大小的最先进技术中非常具有竞争力。
RepLKNet学习笔记
QT-Smile
03-17 252
RepLKNet学习笔记
【亲测免费】 RepLKNet: 大核卷积网络的新探索
gitblog_00387的博客
08-15 1255
RepLKNet: 大核卷积网络的新探索 RepLKNet 是一款基于深度学习的卷积神经网络(CNN)，由Megvii Research开发并在CVPR 2022上发表。该网络重新审视了大型卷积核在CNN设计中的作用，利用重参数化技术和Depthwise卷积，实现了高性能、高精度和高速度的平衡。 1. 项目介绍 RepLKNet 突破了传统的CNN架构，提出了使用超大的Depthwise卷积来代替...
探索深度学习新边界：RepLKNet（CVPR 2022）
gitblog_00009的博客
05-25 646
探索深度学习新边界：RepLKNet（CVPR 2022） 在深度学习领域中，卷积神经网络的设计一直是核心议题。近年来，随着模型的不断演进，设计思路也在不断创新。RepLKNet，这个出自CVPR 2022的最新研究成果，为我们揭示了大核设计在CNN中的潜力，重新定义了我们对高效卷积的理解。 项目介绍 RepLKNet，全称为Revisiting Large Kernel Design in CN...
评论 1
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

芒果学AI

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