YoloV8改进策略：卷积篇|ACConv2d模块在YoloV8中的创新应用与显著性能提升|简单易用|即插即用

AI浩

发布于 2024-10-22 12:42:21

4640

文章被收录于专栏：AI智韵AI智韵

摘要

在本文中，我们创新性地将ACConv2d模块引入到YoloV8目标检测模型中，通过对YoloV8中原有的Conv卷积层进行替换，实现了模型性能的大幅提升。ACConv2d模块基于不对称卷积块（ACB）的设计思想，利用1D非对称卷积（1×3和3×1卷积）来增强标准方形卷积核（如3×3卷积）的表征能力。这一创新不仅增强了模型的特征提取能力，还通过引入分组卷积的策略进一步降低了运算量，从而在保证模型精度的同时，提升了运行效率。

链接：https://jingjing.blog.csdn.net/article/details/141495495?spm=1001.2014.3001.5502

核心改进概述：

ACConv2d模块替换：我们直接替换YoloV8中的所有标准Conv卷积层为ACConv2d模块。ACConv2d模块内部集成了3×3、1×3和3×1三种不同尺寸的卷积核，并通过并行处理及特征图融合的方式，显著增强了模型的表征能力。
分组卷积优化：为了进一步降低运算量，我们对ACConv2d模块中的3×3卷积层进行了分组卷积改造。分组卷积通过将输入特征图分成多个小组，并在每个小组内独立进行卷积操作，有效减少了模型参数和计算复杂度，同时保持了良好的性能。

主要优点：

性能显著提升：实验结果表明，使用ACConv2d模块替换后的YoloV8模型在多个基准数据集上均取得了显著的性能提升，验证了ACConv2d模块在增强模型特征提取能力方面的有效性。
计算效率优化：通过引入分组卷积策略，我们在提升模型精度的同时，有效降低了运算量，使得模型在保持高性能的同时，能够更快地进行推理，适应于实时检测等应用场景。
易于实现与集成：ACConv2d模块作为一种即插即用的架构中立结构，可以方便地集成到各种成熟的CNN模型中，无需对现有模型结构进行大幅修改，降低了使用门槛。
增强模型鲁棒性：进一步的研究表明，ACConv2d模块还有助于增强模型对旋转畸变等变换的鲁棒性，这对于处理实际场景中的复杂变化具有重要意义。

ACConv2d模块在YoloV8中的创新应用不仅显著提升了模型的检测精度和计算效率，还增强了模型的鲁棒性，为目标检测领域的研究和应用提供了新的思路和方法。我们期待ACConv2d模块在未来能够在更多模型中发挥重要作用，推动目标检测技术的持续进步。

测试结果

YOLOv8l summary (fused): 388 layers, 35,725,872 parameters, 0 gradients, 133.5 GFLOPs
                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95): 100%|██████████| 15/15 [00:02<00:00,  7.44it/s]
                   all        230       1412      0.968      0.975      0.992      0.764
                   c17         40        131      0.992      0.995      0.995      0.852
                    c5         19         68      0.987          1      0.995      0.847
            helicopter         13         43      0.959          1      0.979      0.611
                  c130         20         85          1      0.987      0.995      0.677
                   f16         11         57      0.996      0.965      0.991      0.681
                    b2          2          2      0.903          1      0.995      0.796
                 other         13         86      0.936      0.965      0.979      0.541
                   b52         21         70      0.986      0.982      0.989      0.854
                  kc10         12         62      0.996      0.984      0.989      0.856
               command         12         40      0.994          1      0.995      0.849
                   f15         21        123      0.992      0.995      0.994      0.698
                 kc135         24         91      0.977      0.989      0.991      0.697
                   a10          4         27          1      0.557      0.959      0.481
                    b1          5         20      0.988          1      0.995      0.712
                   aew          4         25       0.95          1      0.995       0.79
                   f22          3         17      0.982          1      0.995      0.777
                    p3          6        105      0.989          1      0.995      0.802
                    p8          1          1      0.827          1      0.995      0.796
                   f35          5         32          1      0.913      0.995      0.584
                   f18         13        125      0.991      0.992      0.992      0.835
                   v22          5         41      0.988          1      0.995      0.707
                 su-27          5         31      0.988          1      0.995      0.877
                 il-38         10         27      0.989          1      0.995      0.867
                tu-134          1          1      0.826          1      0.995      0.995
                 su-33          1          2      0.998          1      0.995      0.752
                 an-70          1          2      0.894          1      0.995      0.852
                 tu-22          8         98      0.997          1      0.995      0.839

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2024-08-24，如有侵权请联系 cloudcommunity@tencent.com 删除

效率