一种基于YOLO改进的高效且轻量级的表面缺陷检测网络， NEU-DET和GC10-DET涨点明显-Toy模板网

这篇具有很好参考价值的文章主要介绍了一种基于YOLO改进的高效且轻量级的表面缺陷检测网络， NEU-DET和GC10-DET涨点明显。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

💡💡💡本文摘要：一种基于YOLO改进的高效且轻量级的表面缺陷检测，在NEU-DET和GC10-DET任务中涨点明显

1.轻量且高效的YOLO

1.1 SCRB介绍

1.1.1 ScConv介绍

1.2 GSConvns

1.3 od_mobilenetv2_050

1.4 对应yaml

2.实验结果

3.源码获取

1.轻量且高效的YOLO

轻量且高效的YOLO网络结构

一种基于YOLO改进的高效且轻量级的表面缺陷检测网络， NEU-DET和GC10-DET涨点明显,深度学习实战应用案列108篇,YOLO,计算机视觉,人工智能,机器学习,深度学习

1.1 SCRB介绍

其实ScConv和Bottleneck的基础上，和C3进行结合。

1.1.1 ScConv介绍

原文链接：Yolov8引入CVPR2023 SCConv：空间和通道重建卷积，即插即用，助力检测_scconv 2023-CSDN博客

论文：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf

卷积神经网络（CNN）已经实现在各种计算机视觉任务中表现出色，但这是以巨大的计算成本为代价的资源，部分原因是卷积层提取冗余特征。在本文中，我们尝试利用特征之间的空间和通道冗余，针对 CNN 压缩，提出了一种高效的卷积模块，称为 SCConv（空间和通道重建卷积），以减少冗余计算，并促进代表性特征学习。提出的 SCConv 由两个单元组成：空间重建单元（SRU）和通道重建单元（CRU）。 SRU利用分离重建方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。此外，SCConv 是一个即插即用的架构单元，可以可以直接用来替代各种卷积神经网络中的标准卷积。实验结果表明SCConv 嵌入式模型能够实现更好的效果
通过减少冗余特征来显着降低复杂性和计算成本来提高性能。

SCConv 的结构包括了空间重建单元（SRU）和通道重建单元（CRU）。下图显示了我们的 SCConv 模块添加在 ResBlock 中的确切位置。

SRU结构：

CRU结构：

1.2 GSConvns

YoloV8优化：轻量级Slim-Neck | 即插即用系列_slim-neck 是怎么改进-CSDN博客

论文地址：https://arxiv.org/ftp/arxiv/papers/2206/2206.02424.pdf

github: GitHub - AlanLi1997/slim-neck-by-gsconv: Pytorch implementation of the 'Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles'

本文贡献：

引入了一种新方法 GSConv 来代替 SC 操作。该方法使卷积计算的输出尽可能接近 SC，同时降低计算成本；
提供了一种新的设计范式，即带有标准 Backbone 的 Slim-Neck 设计；

图2（a）和（b）展示了深度可分离卷积（DSC ）和标准卷积（SC）的网络结构，但是深度可分离卷积这种设陷导致特征提取和融合能力比 SC 低得多。

为了使 DSC 的输出尽可能接近 SC，引入了一种新方法——GSConv，使用 shuffle 将 SC 生成的信息（密集卷积操作）渗透到 DSC 生成的信息的每个部分。

采用 GSConv 方法的 Slim-Neck 可缓解 DSC 缺陷对模型的负面影响，并充分利用深度可分离卷积 DSC 的优势。

1.3 od_mobilenetv2_050

其实就是od_mobilenetv2_050替换了backbone

1.4 对应yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # 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

# 0-P1/2
# 1-P2/4
# 2-P3/8
# 3-P4/16
# 4-P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, od_mobilenetv2_050, [odconv4x mobilenetv2 050.pth.tar path, 4]], # 4
   [-1, 1, SPPF, [1024, 5]],  # 5
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, GSConvns, [512, 1, 1]], # 6
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],# 7
   [[-1, 3], 1, Concat, [1]],  # cat backbone P4 8
   [-1, 3, SCRB, [512, False]],  # 9

   [-1, 1, GSConvns, [256, 1, 1]], # 10
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], # 11
   [[-1, 2], 1, Concat, [1]],  # cat backbone P3 12
   [-1, 3, SCRB, [256, False]],  # 13 (P3/8-small)

   [-1, 1, GSConvns, [256, 3, 2]], # 14
   [[-1, 10], 1, Concat, [1]],  # cat head P4 15
   [-1, 3, SCRB, [512, False]],  # 16 (P4/16-medium)

   [-1, 1, GSConvns, [512, 3, 2]], # 17
   [[-1, 5], 1, Concat, [1]],  # cat head P5 18
   [-1, 3, SCRB, [1024, False]],  # 19 (P5/32-large)

   [[13, 16, 19], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]