一种基于YOLO改进的高效且轻量级的表面缺陷检测， NEU-DET和GC10-DET涨点明显

原创

AI小怪兽

发布于 2024-01-17 08:49:19

57700

代码可运行

发布于 2024-01-17 08:49:19

文章被收录于专栏：YOLO大作战

运行总次数：0

代码可运行

💡💡💡本文摘要：一种基于YOLO改进的高效且轻量级的表面缺陷检测，在NEU-DET和GC10-DET任务中涨点明显

1.轻量且高效的YOLO

轻量且高效的YOLO网络结构

1.1 SCRB介绍

其实ScConv和Bottleneck的基础上，和C3进行结合。

1.1.1 ScConv介绍

论文：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_SCConv_Spatial_and_Channel_Reconstruction_Convolution_for_Feature_Redundancy_CVPR_2023_paper.pdf

卷积神经网络（CNN）已经实现在各种计算机视觉任务中表现出色，但这是以巨大的计算成本为代价的资源，部分原因是卷积层提取冗余特征。在本文中，我们尝试利用特征之间的空间和通道冗余，针对 CNN 压缩，提出了一种高效的卷积模块，称为 SCConv（空间和通道重建卷积），以减少冗余计算，并促进代表性特征学习。提出的 SCConv 由两个单元组成：空间重建单元（SRU）和通道重建单元（CRU）。 SRU利用分离重建方法来抑制空间冗余，而CRU使用分割-变换-融合策略来减少通道冗余。此外，SCConv 是一个即插即用的架构单元，可以可以直接用来替代各种卷积神经网络中的标准卷积。实验结果表明SCConv 嵌入式模型能够实现更好的效果通过减少冗余特征来显着降低复杂性和计算成本来提高性能。

SCConv 的结构包括了空间重建单元（SRU）和通道重建单元（CRU）。下图显示了我们的 SCConv 模块添加在 ResBlock 中的确切位置。

SRU结构：

CRU结构：

1.2 GSConvns

论文地址：https://arxiv.org/ftp/arxiv/papers/2206/2206.02424.pdf

github: GitHub - AlanLi1997/slim-neck-by-gsconv: Pytorch implementation of the 'Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles'

本文贡献：

引入了一种新方法 GSConv 来代替 SC 操作。该方法使卷积计算的输出尽可能接近 SC，同时降低计算成本；
提供了一种新的设计范式，即带有标准 Backbone 的 Slim-Neck 设计；

采用 GSConv 方法的 Slim-Neck 可缓解 DSC 缺陷对模型的负面影响，并充分利用深度可分离卷积 DSC 的优势。

1.3 od_mobilenetv2_050

其实就是od_mobilenetv2_050替换了backbone

1.4 对应yaml

# YOLOv5 🚀 by Ultralytics, GPL-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]  # P5/32

# 0-P1/2
# 1-P2/4
# 2-P3/8
# 3-P4/16
# 4-P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, od_mobilenetv2_050, [odconv4x mobilenetv2 050.pth.tar path, 4]], # 4
   [-1, 1, SPPF, [1024, 5]],  # 5
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, GSConvns, [512, 1, 1]], # 6
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],# 7
   [[-1, 3], 1, Concat, [1]],  # cat backbone P4 8
   [-1, 3, SCRB, [512, False]],  # 9

   [-1, 1, GSConvns, [256, 1, 1]], # 10
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], # 11
   [[-1, 2], 1, Concat, [1]],  # cat backbone P3 12
   [-1, 3, SCRB, [256, False]],  # 13 (P3/8-small)

   [-1, 1, GSConvns, [256, 3, 2]], # 14
   [[-1, 10], 1, Concat, [1]],  # cat head P4 15
   [-1, 3, SCRB, [512, False]],  # 16 (P4/16-medium)

   [-1, 1, GSConvns, [512, 3, 2]], # 17
   [[-1, 5], 1, Concat, [1]],  # cat head P5 18
   [-1, 3, SCRB, [1024, False]],  # 19 (P5/32-large)

   [[13, 16, 19], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]