网站上面的内容里面放照片怎么做的,ui设计就业方向,手机排行榜,做一款网站一、本文介绍
本文给大家来的改进机制是华为最新VanillaNet网络#xff0c;其是今年最新推出的主干网络#xff0c;VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单#xff0c;层数较少#xff0c;避免了像深度架构和自注意力这样的复杂操作(需要注意的是…一、本文介绍
本文给大家来的改进机制是华为最新VanillaNet网络其是今年最新推出的主干网络VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单层数较少避免了像深度架构和自注意力这样的复杂操作(需要注意的是该网络结构的通道数会被放大GFLOPs的量会很高)。我将其替换整个YOLOv5的Backbone在一些大目标和小目标检测上均有涨点效果比上一篇RepViT的效果要好。我的实验数据集是一个包含1000张图片包含大中小的检测目标的数据集上(共有20类别)下面我会附上基础版本和修改版本的训练对比图同时我会手把手教你添加该网络结构。
推荐指数⭐⭐⭐⭐⭐ 专栏回顾YOLOv5改进专栏——持续复现各种顶会内容——内含100创新 训练结果对比图-
(有效性先用YOLOv8上的实验对比后期会给大家补上) 目录
一、本文介绍
二、VanillaNet原理
2.2 VanillaNet的基本原理
2.2.1 深度训练策略
2.2.2 串联激活函数
三、VanillaNet的核心代码 四、手把手教你添加VanillaNet网络结构
修改一
修改二
修改三
修改四
修改五
修改五
修改六
修改七
五、VanillaNet的yaml文件
六、成功运行记录
七、本文总结 二、VanillaNet原理 论文地址 官方论文地址
代码地址 官方代码地址 2.2 VanillaNet的基本原理
VanillaNet是一种注重极简主义和效率的神经网络架构。它的设计简单层数较少避免了像深度架构和自注意力这样的复杂操作。VanillaNet的关键特性包括深度训练策略最初使用激活函数训练两个卷积层随后这个激活函数逐渐简化为恒等映射允许层合并。此外VanillaNet还使用并行堆叠的激活函数来提高非线性从而提升简单网络的性能。
VanillaNet的原理包括以下几个关键点
1. 深度训练策略初始阶段采用两个卷积层和一个激活函数进行训练随着训练进程激活函数逐渐转化为恒等映射允许这些层合并从而减少推断时间。
2. 串联激活函数VanillaNet引入了并行堆叠激活函数来增强非线性这对于简单网络的性能至关重要。
下面为大家展示了VanillaNet-6模型的架构 它仅由6个卷积层构成。输入特征的尺寸会在每个阶段降低而通道数则会翻倍这一设计借鉴了如AlexNet和VGGNet这类经典神经网络的设计理念。通过这种方式VanillaNet-6模型能够以较低的计算成本处理图像数据同时通过增加通道数来保持足够的特征表达能力。 2.2.1 深度训练策略
深度训练策略是指在神经网络训练初期采用比标准配置更多的层和更复杂的结构这通过增加模型的非线性和表示能力来提高训练效果。这是一种现在比较流行的网络设计方式在训练的时候使用复杂的结构推理的时候使用简单的结构。训练的后期这些额外层会通过技术手段合并或简化以减少模型的复杂性和提高推理时的效率。
这种策略允许在初期利用深层结构的强大能力在不牺牲推理速度的前提下随着训练的进行逐步优化模型结构最终达到一个既能保持良好性能又能高效运行的平衡点。这样做的目的是在保持推理效率的同时利用深度结构在训练过程中提供的额外能力。 2.2.2 串联激活函数
串联激活函数是指在一个神经网络的相同层或连续层中使用多个激活函数这样可以增强网络处理非线性问题的能力。传统的神经网络可能只在每个卷积层后使用一个激活函数而串联激活函数的做法是将多个激活函数按序排列每个函数的输出成为下一个函数的输入。这种串联可以创建更复杂的函数映射从而允许模型捕捉到更丰富的数据表示和特征。 三、VanillaNet的核心代码
下面的代码是整个VanillaNet的核心代码其中有个版本对应的GFLOPs也不相同使用方式看章节四。
# Copyright (C) 2023. Huawei Technologies Co., Ltd. All rights reserved.# This program is free software; you can redistribute it and/or modify it under the terms of the MIT License.# This program is distributed in the hope that it will be useful, but WITHOUT ANY WARRANTY; without even the implied warranty of MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the MIT License for more details.import torch
import torch.nn as nn
from timm.layers import weight_init__all__ [vanillanet_5, vanillanet_6, vanillanet_7, vanillanet_8, vanillanet_9, vanillanet_10,vanillanet_11, vanillanet_12, vanillanet_13, vanillanet_13_x1_5, vanillanet_13_x1_5_ada_pool]class activation(nn.ReLU):def __init__(self, dim, act_num3, deployFalse):super(activation, self).__init__()self.deploy deployself.weight torch.nn.Parameter(torch.randn(dim, 1, act_num * 2 1, act_num * 2 1))self.bias Noneself.bn nn.BatchNorm2d(dim, eps1e-6)self.dim dimself.act_num act_numweight_init.trunc_normal_(self.weight, std.02)def forward(self, x):if self.deploy:return torch.nn.functional.conv2d(super(activation, self).forward(x),self.weight, self.bias, padding(self.act_num * 2 1) // 2, groupsself.dim)else:return self.bn(torch.nn.functional.conv2d(super(activation, self).forward(x),self.weight, paddingself.act_num, groupsself.dim))def _fuse_bn_tensor(self, weight, bn):kernel weightrunning_mean bn.running_meanrunning_var bn.running_vargamma bn.weightbeta bn.biaseps bn.epsstd (running_var eps).sqrt()t (gamma / std).reshape(-1, 1, 1, 1)return kernel * t, beta (0 - running_mean) * gamma / stddef switch_to_deploy(self):if not self.deploy:kernel, bias self._fuse_bn_tensor(self.weight, self.bn)self.weight.data kernelself.bias torch.nn.Parameter(torch.zeros(self.dim))self.bias.data biasself.__delattr__(bn)self.deploy Trueclass Block(nn.Module):def __init__(self, dim, dim_out, act_num3, stride2, deployFalse, ada_poolNone):super().__init__()self.act_learn 1self.deploy deployif self.deploy:self.conv nn.Conv2d(dim, dim_out, kernel_size1)else:self.conv1 nn.Sequential(nn.Conv2d(dim, dim, kernel_size1),nn.BatchNorm2d(dim, eps1e-6),)self.conv2 nn.Sequential(nn.Conv2d(dim, dim_out, kernel_size1),nn.BatchNorm2d(dim_out, eps1e-6))if not ada_pool:self.pool nn.Identity() if stride 1 else nn.MaxPool2d(stride)else:self.pool nn.Identity() if stride 1 else nn.AdaptiveMaxPool2d((ada_pool, ada_pool))self.act activation(dim_out, act_num)def forward(self, x):if self.deploy:x self.conv(x)else:x self.conv1(x)x torch.nn.functional.leaky_relu(x, self.act_learn)x self.conv2(x)x self.pool(x)x self.act(x)return xdef _fuse_bn_tensor(self, conv, bn):kernel conv.weightbias conv.biasrunning_mean bn.running_meanrunning_var bn.running_vargamma bn.weightbeta bn.biaseps bn.epsstd (running_var eps).sqrt()t (gamma / std).reshape(-1, 1, 1, 1)return kernel * t, beta (bias - running_mean) * gamma / stddef switch_to_deploy(self):if not self.deploy:kernel, bias self._fuse_bn_tensor(self.conv1[0], self.conv1[1])self.conv1[0].weight.data kernelself.conv1[0].bias.data bias# kernel, bias self.conv2[0].weight.data, self.conv2[0].bias.datakernel, bias self._fuse_bn_tensor(self.conv2[0], self.conv2[1])self.conv self.conv2[0]self.conv.weight.data torch.matmul(kernel.transpose(1, 3),self.conv1[0].weight.data.squeeze(3).squeeze(2)).transpose(1, 3)self.conv.bias.data bias (self.conv1[0].bias.data.view(1, -1, 1, 1) * kernel).sum(3).sum(2).sum(1)self.__delattr__(conv1)self.__delattr__(conv2)self.act.switch_to_deploy()self.deploy Trueclass VanillaNet(nn.Module):def __init__(self, in_chans3, num_classes1000, dims[96, 192, 384, 768],drop_rate0, act_num3, strides[2, 2, 2, 1], deployFalse, ada_poolNone, **kwargs):super().__init__()self.deploy deployif self.deploy:self.stem nn.Sequential(nn.Conv2d(in_chans, dims[0], kernel_size4, stride4),activation(dims[0], act_num))else:self.stem1 nn.Sequential(nn.Conv2d(in_chans, dims[0], kernel_size4, stride4),nn.BatchNorm2d(dims[0], eps1e-6),)self.stem2 nn.Sequential(nn.Conv2d(dims[0], dims[0], kernel_size1, stride1),nn.BatchNorm2d(dims[0], eps1e-6),activation(dims[0], act_num))self.act_learn 1self.stages nn.ModuleList()for i in range(len(strides)):if not ada_pool:stage Block(dimdims[i], dim_outdims[i 1], act_numact_num, stridestrides[i], deploydeploy)else:stage Block(dimdims[i], dim_outdims[i 1], act_numact_num, stridestrides[i], deploydeploy,ada_poolada_pool[i])self.stages.append(stage)self.depth len(strides)self.apply(self._init_weights)self.width_list [i.size(1) for i in self.forward(torch.randn(1, 3, 640, 640))]def _init_weights(self, m):if isinstance(m, (nn.Conv2d, nn.Linear)):weight_init.trunc_normal_(m.weight, std.02)nn.init.constant_(m.bias, 0)def change_act(self, m):for i in range(self.depth):self.stages[i].act_learn mself.act_learn mdef forward(self, x):results []if self.deploy:x self.stem(x)else:x self.stem1(x)x torch.nn.functional.leaky_relu(x, self.act_learn)x self.stem2(x)results.append(x)for i in range(self.depth):x self.stages[i](x)results.append(x)return resultsdef _fuse_bn_tensor(self, conv, bn):kernel conv.weightbias conv.biasrunning_mean bn.running_meanrunning_var bn.running_vargamma bn.weightbeta bn.biaseps bn.epsstd (running_var eps).sqrt()t (gamma / std).reshape(-1, 1, 1, 1)return kernel * t, beta (bias - running_mean) * gamma / stddef switch_to_deploy(self):if not self.deploy:self.stem2[2].switch_to_deploy()kernel, bias self._fuse_bn_tensor(self.stem1[0], self.stem1[1])self.stem1[0].weight.data kernelself.stem1[0].bias.data biaskernel, bias self._fuse_bn_tensor(self.stem2[0], self.stem2[1])self.stem1[0].weight.data torch.einsum(oi,icjk-ocjk, kernel.squeeze(3).squeeze(2),self.stem1[0].weight.data)self.stem1[0].bias.data bias (self.stem1[0].bias.data.view(1, -1, 1, 1) * kernel).sum(3).sum(2).sum(1)self.stem torch.nn.Sequential(*[self.stem1[0], self.stem2[2]])self.__delattr__(stem1)self.__delattr__(stem2)for i in range(self.depth):self.stages[i].switch_to_deploy()self.deploy Truedef vanillanet_5(pretrainedFalse,in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 256*4, 512*4, 1024*4], strides[2,2,2], **kwargs)return modeldef vanillanet_6(pretrainedFalse,in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 256*4, 512*4, 1024*4, 1024*4], strides[2,2,2,1], **kwargs)return modeldef vanillanet_7(pretrainedFalse,in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 1024*4, 1024*4], strides[1,2,2,2,1], **kwargs)return modeldef vanillanet_8(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 1024*4, 1024*4], strides[1,2,2,1,2,1], **kwargs)return modeldef vanillanet_9(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 512*4, 1024*4, 1024*4], strides[1,2,2,1,1,2,1], **kwargs)return modeldef vanillanet_10(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 512*4, 512*4, 1024*4, 1024*4],strides[1,2,2,1,1,1,2,1],**kwargs)return modeldef vanillanet_11(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 512*4, 512*4, 512*4, 1024*4, 1024*4],strides[1,2,2,1,1,1,1,2,1],**kwargs)return modeldef vanillanet_12(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 512*4, 512*4, 512*4, 512*4, 1024*4, 1024*4],strides[1,2,2,1,1,1,1,1,2,1],**kwargs)return modeldef vanillanet_13(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*4, 128*4, 256*4, 512*4, 512*4, 512*4, 512*4, 512*4, 512*4, 512*4, 1024*4, 1024*4],strides[1,2,2,1,1,1,1,1,1,2,1],**kwargs)return modeldef vanillanet_13_x1_5(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*6, 128*6, 256*6, 512*6, 512*6, 512*6, 512*6, 512*6, 512*6, 512*6, 1024*6, 1024*6],strides[1,2,2,1,1,1,1,1,1,2,1],**kwargs)return modeldef vanillanet_13_x1_5_ada_pool(pretrainedFalse, in_22kFalse, **kwargs):model VanillaNet(dims[128*6, 128*6, 256*6, 512*6, 512*6, 512*6, 512*6, 512*6, 512*6, 512*6, 1024*6, 1024*6],strides[1,2,2,1,1,1,1,1,1,2,1],ada_pool[0,38,19,0,0,0,0,0,0,10,0],**kwargs)return model 四、手把手教你添加VanillaNet网络结构
这个主干的网络结构添加起来算是所有的改进机制里最麻烦的了因为有一些网略结构可以用yaml文件搭建出来有一些网络结构其中的一些细节根本没有办法用yaml文件去搭建用yaml文件去搭建会损失一些细节部分(而且一个网络结构设计很多细节的结构修改方式都不一样一个一个去修改大家难免会出错)所以这里让网络直接返回整个网络然后修改部分 yolo代码以后就都以这种形式添加了以后我提出的网络模型基本上都会通过这种方式修改我也会进行一些模型细节改进。创新出新的网络结构大家直接拿来用就可以的。下面开始添加教程-
(同时每一个后面都有代码大家拿来复制粘贴替换即可但是要看好了不要复制粘贴替换多了) 修改一
我们复制网络结构代码到“yolov5-master/models”目录下创建一个目录我这里的名字是modules(如果将文件放在models下面随着改进机制越来越多不太好区分所以创建一个文件目录将改进机制全部放在里面) 然后创建一个py文件将代码复制粘贴到里面我这里起的名字是VanillaNet。 修改二
然后我们在我们创建的目录里面创建一个初始化文件__init__.py然后在里面导入我们同级目录的所有改进机制 修改三
我们找到如下文件models/yolo.py在开头里面导入我们的模块这里需要注意要将代码放在common导入的文件上面否则有一些模块会使用我们modules里面的可能同名导致报错这里如果你使用多个我的改进机制填写一个即可不用重复添加。 修改四
添加如下两行代码根据行数找相似的代码进行添加 修改五
找到七百多行大概把具体看图片按照图片来修改就行添加红框内的部分注意没有()只是函数名我这里只添加了部分的版本大家有兴趣这个VanillaNet还有更多的版本可以添加看我给的代码函数头即可。 elif m in {自行添加对应的模型即可下面都是一样的}:m m()c2 m.width_list # 返回通道列表backbone True 修改五
下面的两个红框内都是需要改动的。 if isinstance(c2, list):m_ mm_.backbone Trueelse:m_ nn.Sequential(*(m(*args) for _ in range(n))) if n 1 else m(*args) # modulet str(m)[8:-2].replace(__main__., ) # module typenp sum(x.numel() for x in m_.parameters()) # number paramsm_.i, m_.f, m_.type, m_.np i 4 if backbone else i, f, t, np # attach index, from index, type 修改六
如下的也需要修改全部按照我的来。 代码如下把原先的代码替换了即可。 save.extend(x % (i 4 if backbone else i) for x in ([f] if isinstance(f, int) else f) if x ! -1) # append to savelistlayers.append(m_)if i 0:ch []if isinstance(c2, list):ch.extend(c2)if len(c2) ! 5:ch.insert(0, 0)else:ch.append(c2) 修改七
修改七和前面的都不太一样需要修改前向传播中的一个部分 已经离开了parse_model方法了。
可以在图片中开代码行数没有离开task.py文件都是同一个文件。 同时这个部分有好几个前向传播都很相似大家不要看错了是70多行左右的同时我后面提供了代码大家直接复制粘贴即可有时间我针对这里会出一个视频。
找到如下的代码这里不太好找我给大家上传一个原始的样子。 然后我们用后面的代码进行替换替换完之后的样子如下-
代码如下- def _forward_once(self, x, profileFalse, visualizeFalse):y, dt [], [] # outputsfor m in self.model:if m.f ! -1: # if not from previous layerx y[m.f] if isinstance(m.f, int) else [x if j -1 else y[j] for j in m.f] # from earlier layersif profile:self._profile_one_layer(m, x, dt)if hasattr(m, backbone):x m(x)if len(x) ! 5: # 0 - 5x.insert(0, None)for index, i in enumerate(x):if index in self.save:y.append(i)else:y.append(None)x x[-1] # 最后一个输出传给下一层else:x m(x) # runy.append(x if m.i in self.save else None) # save outputif visualize:feature_visualization(x, m.type, m.i, save_dirvisualize)return x
到这里就完成了修改部分但是这里面细节很多大家千万要注意不要替换多余的代码导致报错也不要拉下任何一部都会导致运行失败而且报错很难排查很难排查 五、VanillaNet的yaml文件
复制如下yaml文件进行运行
# YOLOv5 by Ultralytics, AGPL-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] # P5/32backbone:# [from, number, module, args][[-1, 1, vanillanet_5, []], # 0-4-P1/[-1, 1, SPPF, [1024, 5]], # 5]# YOLOv5 v6.0 head
head:[[-1, 1, Conv, [512, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 3], 1, Concat, [1]], # cat backbone P4[-1, 3, C3, [512, False]], # 9[-1, 1, Conv, [256, 1, 1]],[-1, 1, nn.Upsample, [None, 2, nearest]],[[-1, 2], 1, Concat, [1]], # cat backbone P3[-1, 3, C3, [256, False]], # 13 (P3/8-small)[-1, 1, Conv, [256, 3, 2]],[[-1, 9], 1, Concat, [1]], # cat head P4[-1, 3, C3, [512, False]], # 16 (P4/16-medium)[-1, 1, Conv, [512, 3, 2]],[[-1, 5], 1, Concat, [1]], # cat head P5[-1, 3, C3, [1024, False]], # 19 (P5/32-large)[[13, 16, 19], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)] 六、成功运行记录
下面是成功运行的截图已经完成了有1个epochs的训练图片太大截不全第2个epochs了。
七、本文总结
到此本文的正式分享内容就结束了在这里给大家推荐我的YOLOv5改进有效涨点专栏本专栏目前为新开的平均质量分97分后期我会根据各种最新的前沿顶会进行论文复现也会对一些老的改进机制进行补充目前本专栏免费阅读(暂时大家尽早关注不迷路~)如果大家觉得本文帮助到你了订阅本专栏关注后续更多的更新~ 专栏回顾YOLOv5改进专栏——持续复现各种顶会内容——内含100创新
