【轻量化网络】实战：更改SqueezeNet网络&MobileNet网络& ShuffleNet网络输出替换yolo的backbone部分

前言

  因此我们可以在“写（水）”论文的时候更换yolo的主干网络进行实验获取实验参数。在本文中将介绍ShuffleNetV2网络以及MobilenetV2网络更改的主干网络。

  轻量化网络相比于 YOLO 系列网络的主干网络，具有以下优势：

1. 更快的推理速度：轻量化网络通常具有更少的参数和计算量，因此在推理时可以更快地处理输入数据。
2. 更小的模型尺寸：轻量化网络通常具有更小的模型尺寸，这使得它们更容易部署到嵌入式设备或移动设备上。
3. 更低的计算资源需求：轻量化网络需要更少的计算资源来运行，这使得它们更适合于在资源受限的环境中使用。
4. 更好的泛化能力：轻量化网络通常具有更好的泛化能力，可以在小数据集上训练，并且可以更好地应对数据集的变化。
5. 更容易优化：由于轻量化网络具有更少的参数，因此可以更容易地进行优化和调整，以在特定的任务上实现更好的性能

轻量化移植

   本文以yolov5作为例子向大家介绍如何进行轻量化替代迁移。这里我们主要是替代“三张图”

yolo5主干

  YOLOv5的主干网络采用的是CSPNet（Cross Stage Partial Network）结构，它是一种轻量级的卷积神经网络，可以有效地减少参数数量和计算量，提高模型的速度和精度。CSPNet结构的具体实现包括以下几个部分：

1. CSPDarknet：包括多个卷积层和残差块，用于从图像中提取特征；
2. SPP（Spatial Pyramid Pooling）模块：用于在不同尺度下对特征图进行池化操作，以提取更全局和丰富的特征信息；
3. CSP Bottleneck Block：包括多个卷积层和残差块，用于进一步加深网络结构和提取更复杂的特征；
4. PAN（Path Aggregation Network）模块：用于将不同层级的特征图进行融合，以提高检测精度；
5. Detection Head：包括多个卷积层和全连接层，用于对特征图进行分类和回归，以得到目标的位置和类别。

MobilenetV2&ShuffleNetV2迁移

移植步骤：

1. 使用torchvision.models中自带的MobilenetV2的网络当作模板进行使用；
2. 修改YOLOv5的代码：需要将MobilenetV2的卷积层、批归一化层、激活函数等等替换为原来的CSPDarknet中的对应层次。同时，你还需要调整一些超参数，例如输入图像的大小、通道数、卷积核大小等等，以适应MobilenetV2网络的结构和特点；
3. 加载MobilenetV2的预训练权重文件；
4. 对新的模型进行微调.

代码示例

python

复制代码

import torch
import torchvision
from torch import nn
class MobilenetV2(nn.Module):
    def __init__(self, pretrained=False):
        super(MobilenetV2, self).__init__()
        self.model = torchvision.models.mobilenet_v2(pretrained=pretrained)
    def forward(self, x):
        out3 = self.model.features[:7](x)
        out4 = self.model.features[7:14](out3)
        out5 = self.model.features[14:18](out4)
        return out3, out4, out5
class Shufflenetv2_x0_5(nn.Module):
    def __init__(self, pretrained=False):
        super(Shufflenetv2_x0_5, self).__init__()
        self.model = torchvision.models.shufflenet_v2_x0_5(pretrained=pretrained)
    def forward(self, x):
        x1 = self.model.conv1(x)
        x2 = self.model.maxpool(x1)
        out3 = self.model.stage2(x2)
        out4 = self.model.stage3(out3)
        out5 = self.model.stage4(out4)
        return out3, out4, out5
if __name__ == "__main__":
    x = torch.zeros([1, 3, 640, 640])
    model = Shufflenetv2_x0_5()
    out3, out4, out5 = model(x)
    print(out3.shape)
    print(out4.shape)
    print(out5.shape)