YoloV8改进策略：Hiera改进YoloV8，实现精度和速度的双提升！
YoloV8改进策略：Hiera改进YoloV8，实现精度和速度的双提升！
AI浩
发布于 2024-10-22 12:19:59
发布于 2024-10-22 12:19:59
代码可运行
运行总次数：0
代码可运行
论文：《Hiera:一个没有花哨的分层视觉转换器》
https://arxiv.org/pdf/2306.00989.pdf 现代分层视觉转换器在追求监督分类性能时增加了几种视觉特定组件。 虽然这些组件可以提高准确性和吸引人的浮点运算次数，但增加的复杂性实际上使这些转换器比普通ViT转换器慢。 在本文中，我们认为这种额外的复杂性是不必要的。 通过使用强大的视觉预训练任务(MAE)进行预训练，我们可以从最先进的视觉转换器中去除所有花里胡哨的东西，同时不会丢失准确性。 在此过程中，我们创建了Hiera，这是一种极其简单的分层视觉转换器，它比以前的模型更准确，同时在推理和训练过程中速度更快。 我们在各种图像和视频识别任务上评估了Hiera。 我们的代码和模型可以在https://github.com/facebookresearch/hiera上找到。
完整链接：
https://jingjing.blog.csdn.net/article/details/134578172?spm=1001.2014.3001.5502YoloV8的官方结果
YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 29/29 [
all 230 1412 0.922 0.957 0.986 0.737
c17 230 131 0.973 0.992 0.995 0.825
c5 230 68 0.945 1 0.995 0.836
helicopter 230 43 0.96 0.907 0.951 0.607
c130 230 85 0.984 1 0.995 0.655
f16 230 57 0.955 0.965 0.985 0.669
b2 230 2 0.704 1 0.995 0.722
other 230 86 0.903 0.942 0.963 0.534
b52 230 70 0.96 0.971 0.978 0.831
kc10 230 62 0.999 0.984 0.99 0.847
command 230 40 0.97 1 0.995 0.811
f15 230 123 0.891 1 0.992 0.701
kc135 230 91 0.971 0.989 0.986 0.712
a10 230 27 1 0.555 0.899 0.456
b1 230 20 0.972 1 0.995 0.793
aew 230 25 0.945 1 0.99 0.784
f22 230 17 0.913 1 0.995 0.725
p3 230 105 0.99 1 0.995 0.801
p8 230 1 0.637 1 0.995 0.597
f35 230 32 0.939 0.938 0.978 0.574
f18 230 125 0.985 0.992 0.987 0.817
v22 230 41 0.983 1 0.995 0.69
su-27 230 31 0.925 1 0.995 0.859
il-38 230 27 0.972 1 0.995 0.811
tu-134 230 1 0.663 1 0.995 0.895
su-33 230 2 1 0.611 0.995 0.796
an-70 230 2 0.766 1 0.995 0.73
tu-22 230 98 0.984 1 0.995 0.831
Speed: 0.2ms preprocess, 3.8ms inference, 0.0ms loss, 0.8ms postprocess per image
改进一
测试结果
YOLOv8l summary: 364 layers, 35794608 parameters, 0 gradients, 144.6 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 6.48it/s]
all 230 1412 0.971 0.982 0.993 0.763
c17 230 131 0.99 0.992 0.995 0.85
c5 230 68 0.956 1 0.995 0.864
helicopter 230 43 0.964 0.977 0.983 0.617
c130 230 85 1 0.984 0.995 0.67
f16 230 57 0.996 0.965 0.992 0.694
b2 230 2 0.91 1 0.995 0.851
other 230 86 1 0.974 0.978 0.567
b52 230 70 0.986 0.978 0.989 0.87
kc10 230 62 1 0.983 0.99 0.856
command 230 40 0.993 1 0.995 0.82
f15 230 123 0.993 0.976 0.995 0.704
kc135 230 91 0.989 0.979 0.992 0.71
a10 230 27 1 0.761 0.989 0.474
b1 230 20 0.987 1 0.995 0.717
aew 230 25 0.951 1 0.995 0.789
f22 230 17 0.983 1 0.995 0.774
p3 230 105 0.999 1 0.995 0.812
p8 230 1 0.848 1 0.995 0.796
f35 230 32 1 0.962 0.995 0.567
f18 230 125 0.991 0.992 0.99 0.847
v22 230 41 0.993 1 0.995 0.724
su-27 230 31 0.99 1 0.995 0.874
il-38 230 27 0.989 1 0.995 0.863
tu-134 230 1 0.826 1 0.995 0.895
su-33 230 2 1 1 0.995 0.697
an-70 230 2 0.897 1 0.995 0.854
tu-22 230 98 0.999 1 0.995 0.844
运算量下降，精度提升！！！
改进二
测试结果
YOLOv8l summary (fused): 277 layers, 46783152 parameters, 0 gradients, 172.5 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 15/15 [00:02<00:00, 5.55it/s]
all 230 1412 0.962 0.973 0.992 0.75
c17 230 131 0.979 0.992 0.995 0.826
c5 230 68 0.958 0.995 0.994 0.841
helicopter 230 43 0.977 0.972 0.982 0.614
c130 230 85 1 0.99 0.995 0.656
f16 230 57 0.991 0.965 0.992 0.674
b2 230 2 0.887 1 0.995 0.648
other 230 86 0.949 0.942 0.974 0.538
b52 230 70 0.986 0.979 0.989 0.845
kc10 230 62 0.993 0.984 0.989 0.84
command 230 40 0.989 1 0.995 0.85
f15 230 123 0.973 0.992 0.994 0.715
kc135 230 91 0.976 0.989 0.992 0.712
a10 230 27 1 0.586 0.967 0.523
b1 230 20 1 0.967 0.995 0.722
aew 230 25 0.922 1 0.995 0.79
f22 230 17 0.98 1 0.995 0.778
p3 230 105 0.992 1 0.995 0.809
p8 230 1 0.816 1 0.995 0.697
f35 230 32 0.968 0.932 0.992 0.573
f18 230 125 0.989 0.992 0.992 0.844
v22 230 41 0.992 1 0.995 0.734
su-27 230 31 0.989 1 0.995 0.86
il-38 230 27 0.987 1 0.995 0.854
tu-134 230 1 0.806 1 0.995 0.995
su-33 230 2 1 1 0.995 0.734
an-70 230 2 0.879 1 0.995 0.751
tu-22 230 98 0.996 1 0.995 0.833
Speed: 0.2ms preprocess, 4.8ms inference, 0.0ms loss, 0.7ms postprocess per image
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：2024-01-22，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
