YOLOv8改进 | 主干篇 | 轻量级网络ShuffleNetV1（附代码+修改教程）

一、本文内容

本文给大家带来的改进内容是ShuffleNetV1，这是一种为移动设备设计的高效CNN架构。它通过使用点群卷积和通道混洗等操作，减少了计算成本，同时保持了准确性，通过这些技术，ShuffleNet在降低计算复杂度的同时，也优化了内存使用，使其更适合低功耗的移动设备(我在YOLOv8n上修改该主干计算量仅为2GFLOPs,但是参数量还是有一定上涨，其非常适合轻量化的读者来使用)。本文通过介绍其主要框架原理，然后教你如何添加该网络结构到网络模型中。

适用检测目标：这个模型非常适合轻量化的读者来使用。

推荐指数：⭐⭐⭐⭐

专栏回顾：YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备

效果回顾展示->

一、本文内容

二、ShuffleNetV1框架原理编辑

三、ShuffleNetV1核心代码

四、手把手教你添加ShuffleNetV1网络结构

修改一

修改二

修改三

修改四

修改五

修改六

修改七

修改八

五、ShuffleNetV1的yaml文件

六、成功运行记录

七、本文总结

二、ShuffleNetV1框架原理

官方论文地址： 官方论文地址

官方代码地址： 官方代码地址

ShuffleNet的创新机制为点群卷积和通道混：使用了新的操作点群卷积（pointwise group convolution）和通道混洗（channel shuffle），以减少计算成本，同时保持网络精度

您上传的图片展示的是ShuffleNet架构中的通道混洗机制。这一机制通过两个堆叠的分组卷积（GConv）来实现：

图示(a)：展示了两个具有相同分组数量的堆叠卷积层。每个输出通道仅与同一组内的输入通道相关联。
图示(b)：在不使用通道混洗的情况下，展示了在GConv1之后，GConv2从不同分组获取数据时输入和输出通道是如何完全相关联的。
图示(c：提供了与(b)相同的实现，但使用了通道混洗来允许跨组通信，从而使网络内更有效和强大的特征学习成为可能。

上面的图片描述了ShuffleNet架构中的ShuffleNet单元。这些单元是网络中的基本构建块，具体包括：

图示(a)：一个基本的瓶颈单元，使用了深度可分离卷积（DWConv）和一个简单的加法（Add）来融合特征。
图示(b)：在标准瓶颈单元的基础上，引入了点群卷积（GConv）和通道混洗操作，以增强特征的表达能力。
图示(c)：适用于空间下采样的ShuffleNet单元，使用步长为2的平均池化（AVG Pool）和深度可分离卷积，再通过通道混洗和点群卷积进一步处理特征，最后通过连接操作（Concat）合并特征。

三、ShuffleNetV1核心代码

下面的代码是整个ShuffleNetV1的核心代码，其中有个版本，对应的GFLOPs也不相同，使用方式看章节四。

# Copyright 2022 Dakewe Biotech Corporation. All Rights Reserved.
# Licensed under the Apache License, Version 2.0 (the "License");
#   you may not use this file except in compliance with the License.
#   You may obtain a copy of the License at
#
#       http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
# ==============================================================================
from typing import Any, List, Optionalimport torch
from torch import Tensor
from torch import nn__all__ = ["ShuffleNetV1","shufflenet_v1_x0_5", "shufflenet_v1_x1_0", "shufflenet_v1_x1_5", "shufflenet_v1_x2_0",
]class ShuffleNetV1(nn.Module):def __init__(self,repeats_times: List[int],stages_out_channels: List[int],groups: int = 8,num_classes: int = 1000,) -> None:super(ShuffleNetV1, self).__init__()in_channels = stages_out_channels[0]self.first_conv = nn.Sequential(nn.Conv2d(3, in_channels, (3, 3), (2, 2), (1, 1), bias=False),nn.BatchNorm2d(in_channels),nn.ReLU(True),)self.maxpool = nn.MaxPool2d((3, 3), (2, 2), (1, 1))features = []for state_repeats_times_index in range(len(repeats_times)):out_channels = stages_out_channels[state_repeats_times_index + 1]for i in range(repeats_times[state_repeats_times_index]):stride = 2 if i == 0 else 1first_group = state_repeats_times_index == 0 and i == 0features.append(ShuffleNetV1Unit(in_channels,out_channels,stride,groups,first_group,))in_channels = out_channelsself.features = nn.Sequential(*features)self.globalpool = nn.AvgPool2d((7, 7))self.classifier = nn.Sequential(nn.Linear(stages_out_channels[-1], num_classes, bias=False),)# Initialize neural network weightsself._initialize_weights()self.index = stages_out_channels[-3:]self.width_list = [i.size(1) for i in self.forward(torch.randn(1, 3, 640, 640))]def forward(self, x: Tensor) -> list[Optional[Any]]:x = self.first_conv(x)x = self.maxpool(x)results = [None, None, None, None]for index, model in enumerate(self.features):x = model(x)# results.append(x)if index == 0:results[index] = xif x.size(1) in self.index:position = self.index.index(x.size(1))  # Find the position in the index listresults[position + 1] = xreturn resultsdef _initialize_weights(self) -> None:for name, module in self.named_modules():if isinstance(module, nn.Conv2d):if 'first' in name:nn.init.normal_(module.weight, 0, 0.01)else:nn.init.normal_(module.weight, 0, 1.0 / module.weight.shape[1])if module.bias is not None:nn.init.constant_(module.bias, 0)elif isinstance(module, nn.BatchNorm2d):nn.init.constant_(module.weight, 1)if module.bias is not None:nn.init.constant_(module.bias, 0.0001)nn.init.constant_(module.running_mean, 0)elif isinstance(module, nn.BatchNorm1d):nn.init.constant_(module.weight, 1)if module.bias is not None:nn.init.constant_(module.bias, 0.0001)nn.init.constant_(module.running_mean, 0)elif isinstance(module, nn.Linear):nn.init.normal_(module.weight, 0, 0.01)if module.bias is not None:nn.init.constant_(module.bias, 0)class ShuffleNetV1Unit(nn.Module):def __init__(self,in_channels: int,out_channels: int,stride: int,groups: int,first_groups: bool = False,) -> None:super(ShuffleNetV1Unit, self).__init__()self.stride = strideself.groups = groupsself.first_groups = first_groupshidden_channels = out_channels // 4if stride == 2:out_channels -= in_channelsself.branch_proj = nn.AvgPool2d((3, 3), (2, 2), (1, 1))self.branch_main_1 = nn.Sequential(# pwnn.Conv2d(in_channels, hidden_channels, (1, 1), (1, 1), (0, 0), groups=1 if first_groups else groups,bias=False),nn.BatchNorm2d(hidden_channels),nn.ReLU(True),# dwnn.Conv2d(hidden_channels, hidden_channels, (3, 3), (stride, stride), (1, 1), groups=hidden_channels,bias=False),nn.BatchNorm2d(hidden_channels),)self.branch_main_2 = nn.Sequential(# pw-linearnn.Conv2d(hidden_channels, out_channels, (1, 1), (1, 1), (0, 0), groups=groups, bias=False),nn.BatchNorm2d(out_channels),)self.relu = nn.ReLU(True)def channel_shuffle(self, x):batch_size, channels, height, width = x.data.size()assert channels % self.groups == 0group_channels = channels // self.groupsout = x.reshape(batch_size, group_channels, self.groups, height, width)out = out.permute(0, 2, 1, 3, 4)out = out.reshape(batch_size, channels, height, width)return outdef forward(self, x: Tensor) -> Tensor:identify = xout = self.branch_main_1(x)out = self.channel_shuffle(out)out = self.branch_main_2(out)if self.stride == 2:branch_proj = self.branch_proj(x)out = self.relu(out)out = torch.cat([branch_proj, out], 1)return outelse:out = torch.add(out, identify)out = self.relu(out)return outdef shufflenet_v1_x0_5(**kwargs: Any) -> ShuffleNetV1:model = ShuffleNetV1([4, 8, 4], [16, 192, 384, 768], 8, **kwargs)return modeldef shufflenet_v1_x1_0(**kwargs: Any) -> ShuffleNetV1:model = ShuffleNetV1([4, 8, 4], [24, 384, 768, 1536], 8, **kwargs)return modeldef shufflenet_v1_x1_5(**kwargs: Any) -> ShuffleNetV1:model = ShuffleNetV1([4, 8, 4], [24, 576, 1152, 2304], 8, **kwargs)return modeldef shufflenet_v1_x2_0(**kwargs: Any) -> ShuffleNetV1:model = ShuffleNetV1([4, 8, 4], [48, 768, 1536, 3072], 8, **kwargs)return modelif __name__ == "__main__":# Generating Sample imageimage_size = (1, 3, 640, 640)image = torch.rand(*image_size)# Modelmodel = shufflenet_v1_x0_5()out = model(image)print(out)

四、手把手教你添加ShuffleNetV1网络结构

这个主干的网络结构添加起来算是所有的改进机制里最麻烦的了，因为有一些网略结构可以用yaml文件搭建出来，有一些网络结构其中的一些细节根本没有办法用yaml文件去搭建，用yaml文件去搭建会损失一些细节部分(而且一个网络结构设计很多细节的结构修改方式都不一样，一个一个去修改大家难免会出错)，所以这里让网络直接返回整个网络，然后修改部分 yolo代码以后就都以这种形式添加了，以后我提出的网络模型基本上都会通过这种方式修改，我也会进行一些模型细节改进。创新出新的网络结构大家直接拿来用就可以的。下面开始添加教程->

(同时每一个后面都有代码，大家拿来复制粘贴替换即可，但是要看好了不要复制粘贴替换多了)

修改一

我们复制网络结构代码到“ultralytics/nn/modules”目录下创建一个py文件复制粘贴进去，我这里起的名字是ShuffleNetV1。

修改二

找到如下的文件"ultralytics/nn/tasks.py" 在开始的部分导入我们的模型如下图。

修改三

添加如下两行代码！！！

修改四

找到七百多行大概把具体看图片，按照图片来修改就行，添加红框内的部分，注意没有()只是函数名，我这里只添加了部分的版本，大家有兴趣这个ShuffleNetV1还有更多的版本可以添加，看我给的代码函数头即可。

        elif m in {自行添加对应的模型即可，下面都是一样的}:m = m()c2 = m.width_list  # 返回通道列表backbone = True

修改五

下面的两个红框内都是需要改动的。

        if isinstance(c2, list):m_ = mm_.backbone = Trueelse:m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args)  # modulet = str(m)[8:-2].replace('__main__.', '')  # module typem.np = sum(x.numel() for x in m_.parameters())  # number paramsm_.i, m_.f, m_.type = i + 4 if backbone else i, f, t  # attach index, 'from' index, type

修改六

如下的也需要修改，全部按照我的来。

代码如下把原先的代码替换了即可。

        if verbose:LOGGER.info(f'{i:>3}{str(f):>20}{n_:>3}{m.np:10.0f}  {t:<45}{str(args):<30}')  # printsave.extend(x % (i + 4 if backbone else i) for x in ([f] if isinstance(f, int) else f) if x != -1)  # append to savelistlayers.append(m_)if i == 0:ch = []if isinstance(c2, list):ch.extend(c2)if len(c2) != 5:ch.insert(0, 0)else:ch.append(c2)

修改七

修改七和前面的都不太一样，需要修改前向传播中的一个部分，已经离开了parse_model方法了。

可以在图片中开代码行数，没有离开task.py文件都是同一个文件。同时这个部分有好几个前向传播都很相似，大家不要看错了，是70多行左右的！！！，同时我后面提供了代码，大家直接复制粘贴即可，有时间我针对这里会出一个视频。

代码如下->

    def _predict_once(self, x, profile=False, visualize=False):"""Perform a forward pass through the network.Args:x (torch.Tensor): The input tensor to the model.profile (bool):  Print the computation time of each layer if True, defaults to False.visualize (bool): Save the feature maps of the model if True, defaults to False.Returns:(torch.Tensor): The last output of the model."""y, dt = [], []  # outputsfor m in self.model:if m.f != -1:  # if not from previous layerx = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layersif profile:self._profile_one_layer(m, x, dt)if hasattr(m, 'backbone'):x = m(x)if len(x) != 5: # 0 - 5x.insert(0, None)for index, i in enumerate(x):if index in self.save:y.append(i)else:y.append(None)x = x[-1] # 最后一个输出传给下一层else:x = m(x)  # runy.append(x if m.i in self.save else None)  # save outputif visualize:feature_visualization(x, m.type, m.i, save_dir=visualize)return x

到这里就完成了修改部分，但是这里面细节很多，大家千万要注意不要替换多余的代码，导致报错，也不要拉下任何一部，都会导致运行失败，而且报错很难排查！！！很难排查！！！

修改八

我们找到如下文件'ultralytics/utils/torch_utils.py'按照如下的图片进行修改，否则容易打印不出来计算量。

五、ShuffleNetV1的yaml文件

复制如下yaml文件进行运行！！！

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPss: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPsm: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPsl: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOP# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, shufflenet_v1_x0_5, []]  # 4- [-1, 1, SPPF, [1024, 5]]  # 5# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 6- [[-1, 3], 1, Concat, [1]]  # 7 cat backbone P4- [-1, 3, C2f, [512]]  # 8- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 9- [[-1, 2], 1, Concat, [1]]  # 10 cat backbone P3- [-1, 3, C2f, [256]]  # 11 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]] # 12- [[-1, 8], 1, Concat, [1]]  # 13 cat head P4- [-1, 3, C2f, [512]]  # 14 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]] # 15- [[-1, 5], 1, Concat, [1]]  # 16 cat head P5- [-1, 3, C2f, [1024]]  # 17 (P5/32-large)- [[11, 14, 17], 1, Detect, [nc]]  # Detect(P3, P4, P5)

六、成功运行记录

下面是成功运行的截图，已经完成了有1个epochs的训练，图片太大截不全第2个epochs了。

七、本文总结

到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，目前本专栏免费阅读(暂时，大家尽早关注不迷路~)，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~