目标检测YOLO实战应用案例100讲-基于深度学习的 无人机图像轻量化目标检测（续）

目录

3.2模块改进

3.2.1 GhostNet轻量化模块

3.2.2通道与空间注意力机制

3.2.3 Double Head模块

3.2.4 StemBlock模块

3.3交并比算法

3.3.1 IoU算法

3.3.2 GIoU算法

3.3.3 CIoU算法

3.4实验结果与分析

3.4.1数据集简介

3.4.2实验评价指标

3.4.3实验设计

3.4.4消融实验与结果分析

4基于Transformer结构的YOLOV7目标检测算法

4.1 MobileVIT-YOLO-Tiny模型

4.2模块改进

4.2.1 Transformer结构

4.2.2 MobileVITv3模块

4.2.3 CARAFE上采样算子

4.2.4 Coordinate Attention注意力机制

4.3数据集预处理

4.3.1 Mosaic数据增强

4.3.2 MixUp数据混合

4.4实验结果与分析

4.4.1实验设计

4.4.2实验结果与分析

---

本文篇幅较长，分为上下两篇，上篇详见基于深度学习的 无人机图像轻量化目标检测

3.2模块改进

3.2.1 GhostNet轻量化模块

GhostNet算法的核心思想是将常规卷积替换为Ghost模块。Ghost模块将普通卷积分
解成两步，第一步使用逐点卷积生成少量廉价的特征图，第二步对第一步生成的特征图 使用深度可分离卷积获得另一部分特征图，最后将两部分获取的特征图进行拼接。与常
规卷积相比，Ghost模块把相乘的卷积分解为两个乘法相加，其中两步卷积分别使用逐 点卷积和深度可分离卷积进一步减少参数量。图3-2为Ghos