YOLOv9全網(wǎng)最新改進(jìn)系列：：YOLOv9完美融合雙卷積核（DualConv）來(lái)構(gòu)建輕量級(jí)深度神經(jīng)網(wǎng)絡(luò),目標(biāo)檢測(cè)模型有效漲點(diǎn)神器！！！

YOLOv9原文鏈接戳這里，原文全文翻譯請(qǐng)關(guān)注B站Ai學(xué)術(shù)叫叫首er

B站全文戳這里！

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！祝科研遙遙領(lǐng)先！

---

DualConv: Dual Convolutional Kernels for
Lightweight Deep Neural Networks（提出原文戳這）

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！?？蒲羞b遙領(lǐng)先！
截止到發(fā)稿時(shí)，B站YOLOv9最新改進(jìn)系列的源碼包，已更新了16種的改進(jìn)！自己排列組合2-4種后，考慮位置不同后可排列組合上千種！！專注AI學(xué)術(shù)，關(guān)注B站博主：Ai學(xué)術(shù)叫叫獸er！

摘要

CNN 架構(gòu)通常對(duì)內(nèi)存和計(jì)算要求很高，這使得它們對(duì)于硬件資源有限的嵌入式系統(tǒng)不可行。 我們提出雙卷積核（DualConv）來(lái)構(gòu)建輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)。 DualConv 結(jié)合了 3×3 和 1×1 卷積核來(lái)同時(shí)處理相同的輸入特征圖通道，并利用組卷積技術(shù)來(lái)有效地排列卷積濾波器。 DualConv 可用于任何 CNN 模型，例如用于圖像分類(lèi)的 VGG-16 和 ResNet-50、用于對(duì)象檢測(cè)的 YOLO 和 R-CNN 或用于語(yǔ)義分割的 FCN。 在本文中，我們廣泛測(cè)試了 DualConv 的分類(lèi)功能，因?yàn)檫@些網(wǎng)絡(luò)架構(gòu)構(gòu)成了許多其他任務(wù)的骨干。 我們還在 YOLO-V3 上測(cè)試了 DualConv 的圖像檢測(cè)功能。 實(shí)驗(yàn)結(jié)果表明，結(jié)合我們的結(jié)構(gòu)創(chuàng)新，DualConv 顯著降低了深度神經(jīng)網(wǎng)絡(luò)的計(jì)算成本和參數(shù)數(shù)量，同時(shí)在某些情況下令人驚訝地實(shí)現(xiàn)了比原始模型略高的精度。 我們使用 DualConv 將輕量級(jí) MobileNetV2 的參數(shù)數(shù)量進(jìn)一步減少了 54%，而在 CIFAR-100 數(shù)據(jù)集上的準(zhǔn)確率僅下降了 0.68%。 當(dāng)參數(shù)數(shù)量不是問(wèn)題時(shí)，DualConv 在相同數(shù)據(jù)集上將 MobileNetV1 的準(zhǔn)確率提高了 4.11%。 此外，DualConv 顯著提高了 YOLO-V3 目標(biāo)檢測(cè)速度，并將其在 PASCAL VOC 數(shù)據(jù)集上的準(zhǔn)確率提高了 4.4%。

(a) 標(biāo)準(zhǔn)卷積、(b) 深度可分離卷積、? 組卷積、(d) 異構(gòu)卷積和 (e) 所提出的雙卷積的卷積濾波器設(shè)計(jì)。 M是輸入通道數(shù)（即輸入特征圖的深度），N是卷積濾波器的數(shù)量，也是輸出通道的數(shù)量（即輸出特征圖的深度），Di是寬度和高度維度 輸入特征圖的，K×K是卷積核大小，G是組卷積和對(duì)偶卷積中的組數(shù)，1/P是異構(gòu)卷積中3×3卷積核的比例。 請(qǐng)注意，異構(gòu)濾波器以移位的方式排列[18]。

我們提出了 DualConv，它將 3×3 組卷積與 1×1 逐點(diǎn)卷積相結(jié)合，解決了跨通道通信和原始輸入特征圖中信息保存的問(wèn)題。 與 HetConv 相比，DualConv 通過(guò)添加最少的參數(shù)來(lái)提高網(wǎng)絡(luò)性能。 DualConv應(yīng)用于常見(jiàn)的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)執(zhí)行圖像分類(lèi)和目標(biāo)檢測(cè)。 通過(guò)比較標(biāo)準(zhǔn)卷積和 DualConv 的實(shí)驗(yàn)結(jié)果，證明了所提出的 DualConv 的有效性和效率。 從實(shí)驗(yàn)結(jié)果可以看出，DualConv 可以集成在標(biāo)準(zhǔn)網(wǎng)絡(luò)架構(gòu)和輕量級(jí)網(wǎng)絡(luò)架構(gòu)中，以提高網(wǎng)絡(luò)精度并減少網(wǎng)絡(luò)參數(shù)、計(jì)算成本和推理時(shí)間。 我們還證明了 DualConv 可以很好地適應(yīng)各種圖像數(shù)據(jù)集，并具有很強(qiáng)的泛化能力。 未來(lái)的研究工作將集中在嵌入式設(shè)備上的部署，以進(jìn)一步證明 DualConv 在實(shí)際應(yīng)用中的效率。

跑出結(jié)果后-相關(guān)方法詳情請(qǐng)結(jié)合B站視頻閱讀全文，融入自己文章中！！！

2 修改步驟！

2.1 修改YAML文件

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！?？蒲羞b遙領(lǐng)先！

2.2 新建.py

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸er 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！?？蒲羞b遙領(lǐng)先！

2.3 修改tasks.py

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸er 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！?？蒲羞b遙領(lǐng)先！

三、驗(yàn)證是否成功即可

執(zhí)行命令

python train.py

改完收工！
關(guān)注B站：Ai學(xué)術(shù)叫叫獸er
從此走上科研快速路
遙遙領(lǐng)先同行！！！！

詳細(xì)的改進(jìn)教程以及源碼，戳這！戳這！！戳這！！！B站：AI學(xué)術(shù)叫叫獸er 源碼在相簿的鏈接中，動(dòng)態(tài)中也有鏈接，感謝支持！?？蒲羞b遙領(lǐng)先！