YOLOv11模型轻量化改进：使用MobileOne模块实现高效检测

YOLOv11模型轻量化改进：使用MobileOne模块实现高效检测

本文介绍了一种基于MobileOne的YOLOv11骨干网络改进方法。通过使用MobileOne模块并引入结构重参数化，可以在保持模型性能的同时显著降低参数量和计算量，从而提高模型的检测效率。

MobileOne Block原理

结构原理

MobileOne Block基于MobileNetV1的块（3x3深度卷积后跟1x1点卷积）设计，引入了可重参数化的跳跃连接以及复制该结构的分支，同时还引入了多个过参数化分支。在训练时和推理时，MobileOne Block的结构有所不同：

训练步骤

1. 输入特征图首先经过一个基于MobileNetV1的基本块，包括3x3深度卷积和1x1点卷积。
2. 引入可重参数化跳跃连接（reparameterizable skip connection），该连接带有批归一化（batchnorm）。
3. 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。
4. 此时，模块具有分支结构。

推理步骤

1. 通过重参数化过程移除训练时的分支。
2. 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。
3. 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。

优势

1. 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。
2. 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。
3. 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。

YOLOv11改进效果

通过将MobileOne模块应用于YOLOv11的骨干网络，可以实现模型的轻量化。具体效果如下：

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：
MobileOne详细实现

参考资料

• 论文：MobileOne: Lightweight Model for Mobile Applications
• 源码：MobileOne GitHub仓库