文章目录前言一、Shufflenetv2论文简介模型概述加入YOLOv5二、Mobilenetv3论文简介模型概述深度可分离卷积逆残差结构SE通道注意力h-swish激活函数加入YOLOv5三、Ghostnet论文简介模型概述加入YOLOv5References前言本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学们，可以移步至：【YOLOv5-6.x】网络模型&源码解析另外，本文所使用的实验环境为1个GTX1080GPU，数据集为VOC2007，超参数为hyp.scratch-low.yaml，训练200个epoch，其他参数均为源码中默认设置的数值。YOLO

目录一.语义分割的含义二.DeepLabV3+模型三.模型整体框架四.模型检测效果五.代码实现 六.源码地址一.语义分割的含义        语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的。例如，我们可能需要区分图像中属于汽车的所有像素，并把这些像素涂成蓝色。我们将 图像分类，目标检测 和 语义分割进行对比可以让我们更好的理解语义分割。 图像分类： 通过 提取特征，输出待测图片趋向于某个种类 目标检测： 通过 提取特征，输出待测图片中不同物体的位置与种类  语义分割： 通过提取特征，输出待测图片的每个

目录一.语义分割的含义二.DeepLabV3+模型三.模型整体框架四.模型检测效果五.代码实现 六.源码地址一.语义分割的含义        语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的。例如，我们可能需要区分图像中属于汽车的所有像素，并把这些像素涂成蓝色。我们将 图像分类，目标检测 和 语义分割进行对比可以让我们更好的理解语义分割。 图像分类： 通过 提取特征，输出待测图片趋向于某个种类 目标检测： 通过 提取特征，输出待测图片中不同物体的位置与种类  语义分割： 通过提取特征，输出待测图片的每个

1、相关工作标准卷积分组卷积从Inceptionmodule到depthwiseseparableconvolutions2、MobileNets结构2.1，深度可分离卷积Depthwise卷积Pointwise卷积2.2、网络结构2.3、宽度乘系数-更小的模型2.4、分辨率乘系数-减少表示2.5、模型结构总结3、实验4、结论5、基准模型代码个人思考后续改进-MobileDets参考资料文章同步发于github、博客园和知乎。最新版以github为主。如果看完文章有所收获，一定要先点赞后收藏。毕竟，赠人玫瑰，手有余香。MobileNet论文的主要贡献在于提出了一种深度可分离卷积架构（DW+PW

1、相关工作标准卷积分组卷积从Inceptionmodule到depthwiseseparableconvolutions2、MobileNets结构2.1，深度可分离卷积Depthwise卷积Pointwise卷积2.2、网络结构2.3、宽度乘系数-更小的模型2.4、分辨率乘系数-减少表示2.5、模型结构总结3、实验4、结论5、基准模型代码个人思考后续改进-MobileDets参考资料文章同步发于github、博客园和知乎。最新版以github为主。如果看完文章有所收获，一定要先点赞后收藏。毕竟，赠人玫瑰，手有余香。MobileNet论文的主要贡献在于提出了一种深度可分离卷积架构（DW+PW