1.FasterNet简介
摘要:为了设计快速的神经网络,许多研究工作一直专注于减少浮点运算(FLOPs)的数量。然而,我们观察到,FLOPs的这种减少,并不一定导致相似水平的延迟降低。这主要是由于低效的每秒浮点运算数(FLOPS)造成的。为了实现更快的网络,我们重审了流行的运算符,并演示了这种低FLOPS主要是由于运算符的频繁内存访问,特别是深度卷积。因此,
我们提出了一种新颖的局部卷积(PConv),它通过削减冗余计算和内存访问,更高效地提取空间特征。
在我们的PConv上,我们进一步提出了FasterNet,一个新的神经网络家族,它在广泛的设备上实现了比其他网络更高的运行速度,同时在各种视觉任务上的精度不打折扣。例如,在ImageNet-1k上,我们的小型FasterNet-T0在GPU、CPU和ARM处理器上分别比MobileViT-XXS快3.1倍、3.1倍和2.5倍,同时精度提高了2.9%
。我们的大型FasterNet-L取得了令人印象深刻的83.5%的top-1精度
,与新兴的Swin-B不相上下,同时在GPU上的推理吞吐量提高了49%,以及在CPU上节省了42%的计算时间。
论文主要亮点如下:
• 强调了为了实现更快的神经网络,提升每秒浮点运算数(FLOPS)的重要性,而不仅仅是减少FLOPs。
• 引入了一个简单但快速且有效的运算符,称为PConv,它具有很高的潜力来替代现有的首选选项,即深度卷积(DWConv)。
• 介绍了FasterNet,它在GPU、CPU和ARM处理器等各种设备上都能流畅且普遍地快速运行。
• 在各种任务上进行了广泛的实验,并验证了我们的PConv和FasterNet的高速度和有效性。
1.1 网络结构
1.2 性能对比
2.YOLOv8替换主干步骤
YOLOv8网络结构前后对比
定义FasterNet相关类
在ultralytics/nn/modules/block.py
中添加如下代码块,为FasterNet
源码:
并在ultralytics/nn/modules/block.py
中最上方添加如下代码:
修改指定文件
在ultralytics/nn/modules/__init__.py
文件中的添加如下代码:
在 ultralytics/nn/tasks.py
上方导入相应类名,并在parse_model
解析函数中添加如下代码:
elif m in [BasicStage]: args.pop(1)
在 ultralytics/nn/tasks.py
中搜索self.model.modules()
,定位到如下代码,并且在下方添加如下方框中的代码内容:
在ultralytics/cfg/models/v8
文件夹下新建yolov8-FasterNet.yaml
文件,内容如下:
# Ultralytics YOLO 🚀, AGPL-3.0 license # YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect # Parameters nc: 80 # number of classes scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs # YOLOv8.0n backbone backbone: # [from, repeats, module, args] - [-1, 1, PatchEmbed_FasterNet, [40, 4, 4]] # 0-P1/4 - [-1, 1, BasicStage, [40, 1]] # 1 - [-1, 1, PatchMerging_FasterNet, [80, 2, 2]] # 2-P2/8 - [-1, 2, BasicStage, [80, 1]] # 3-P3/16 - [-1, 1, PatchMerging_FasterNet, [160, 2, 2]] # 4 - [-1, 8, BasicStage, [160, 1]] # 5-P4/32 - [-1, 1, PatchMerging_FasterNet, [320, 2, 2]] # 6 - [-1, 2, BasicStage, [320, 1]] # 7 - [-1, 1, SPPF, [320, 5]] # 8 # YOLOv8.0n head head: - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 5], 1, Concat, [1]] # cat backbone P4 - [-1, 1, C2f, [512]] # 11 - [-1, 1, nn.Upsample, [None, 2, 'nearest']] - [[-1, 3], 1, Concat, [1]] # cat backbone P3 - [-1, 1, C2f, [256]] # 14 (P3/8-small) - [-1, 1, Conv, [256, 3, 2]] - [[-1, 11], 1, Concat, [1]] # cat head P4 - [-1, 1, C2f, [512]] # 17 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]] - [[-1, 8], 1, Concat, [1]] # cat head P5 - [-1, 1, C2f, [1024]] # 20 (P5/32-large) - [[14, 17, 20], 1, Detect, [nc]] # Detect(P3, P4, P5)
3.加载配置文件并训练
加载yolov8-BiLevelRoutingAttention.yaml
配置文件,并运行train.py
训练代码:
#coding:utf-8 from ultralytics import YOLO if __name__ == '__main__': model = YOLO('ultralytics/cfg/models/v8/yolov8-FasterNet.yaml') model.load('yolov8n.pt') # loading pretrain weights model.train(data='datasets/TomatoData/data.yaml', epochs=30, batch=4)
注意观察,打印出的网络结构是否正常修改,如下图所示:
4.模型推理
模型训练完成后,我们使用训练好的模型对图片进行检测:
#coding:utf-8 from ultralytics import YOLO import cv2 # 所需加载的模型目录 # path = 'models/best2.pt' path = 'runs/detect/train/weights/best.pt' # 需要检测的图片地址 img_path = "TestFiles/Riped tomato_8.jpeg" # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model = YOLO(path, task='detect') # 检测图片 results = model(img_path) res = results[0].plot() # res = cv2.resize(res,dsize=None,fx=2,fy=2,interpolation=cv2.INTER_LINEAR) cv2.imshow("YOLOv8 Detection", res) cv2.waitKey(0)