一、本文介绍

本文记录的是基于MobileOne的YOLOv11骨干网络改进方法研究。MobileOne的基础模块通过重参数化，==降低了模型在推理过程中的参数量和计算量，降低推理延迟，提高内存访问效率==。在将其替换YOLOv11的骨干网络后，实现模型轻量化。

专栏目录：YOLOv11改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
专栏地址：YOLOv11改进专栏——以发表论文的角度，快速准确的找到有效涨点的创新点！

MobileOne Block是MobileOne架构中的基本模块。

二、MobileOne Block原理

2.1. 结构原理

基于MobileNetV1：以MobileNetV1的块（3x3深度卷积后跟1x1点卷积）为基础。

引入可重参数化跳过连接和分支：引入了可重参数化的跳跃连接以及复制该结构的分支，同时还引入了多个的过参数化分支。

根据文档内容，MobileOne Block的结构在训练时和推理时有所不同，具体步骤如下：

2.2 MobileOne Block训练步骤

• 输入特征图首先经过一个基于MobileNet - V1的基本块，包括3x3深度卷积和1x1点卷积。
  • 然后，引入可重参数化跳跃连接（reparameterizable skip connection），该连接带有批归一化（batchnorm）。
  • 同时，引入分支来复制上述结构，这些分支具有不同的超参数k（trivial over - parameterization factor），k的取值范围为1到5，通过实验来调整以获得最佳性能。
  • 此时，模块具有分支结构。

    2.3 MobileOne Block推理步骤

  • 通过重参数化过程移除训练时的分支。
  • 卷积和批归一化操作被折叠到一个单一的卷积层中，具体来说，对于卷积层，其权重W和偏置b通过对各分支相应参数进行求和计算得到；对于跳过连接的批归一化，被折叠到一个具有1x1恒等核的卷积层中，并通过填充K - 1个零来实现。
  • 此时，模型具有简单的前馈结构，没有任何分支或跳跃连接，从而降低了内存访问成本。

综上所述，特征图在经过MobileOne Block时，经历了训练时的分支处理和推理时的重参数化以简化结构的步骤，以在保证性能的同时降低延迟和内存消耗。

2.4 优势

• 提高准确性：通过引入可重参数化分支和琐碎的过参数化分支，提高性能，优化损失。
• 降低内存访问成本：在推理时，MobileOne模型没有任何分支，这是通过重参数化过程实现的，从而降低了内存访问成本。
• 有利于模型扩展：模型的这种结构和参数化方式使其能够更好地扩展模型参数，与其他多分支架构（如MobileNetV2、EfficientNets等）相比，能够在不产生显著延迟成本的情况下增加参数数量，从而使模型能够更好地泛化到其他计算机视觉任务。

论文：https://arxiv.org/abs/2206.04040
源码：https://github.com/apple/ml-mobileone

三、实现代码及YOLOv11修改步骤

模块完整介绍、个人总结、实现代码、模块改进、二次创新以及各模型添加步骤参考如下地址：

https://blog.csdn.net/qq_42591591/article/details/142887745