YOLOv7-tiny改进轻量级PP-LCNet主干系列：最新使用超强悍CPU级骨干网络PP-LCNet，在CPU上让模型起飞，速度比MobileNetV3+快3倍，又轻又快
芒果学AI
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2.6k累计阅读
2.6k平均单平台
已同步平台
CSDN
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要 →
码龄9年
关注
原创
2023-07-04 11:25:30
2.6k 阅读
AI 写同款·
GEO 优化
›
芒果YOLO轻量化改进-2025
专栏收录该内容
¥49.90
¥99.00
17篇文章
订阅专栏
💡本篇文章 基于 YOLOv7-tiny 芒果改进YOLO系列：YOLOv7改进轻量级主干系列：最新使用超强悍CPU级骨干网络PP-LCNet，在CPU上让模型起飞，速度比MobileNetV3+快3倍、打造全新YOLOv7检测器。
🚀🚀🚀内含改进源代码，按步骤操作运行改进后的代码即可
参数量和计算量均下降
重点：🔥🔥🔥有不少同学已经反应有效涨点!!! 🌟
文章目录
参数量和计算量均下降
超强悍CPU级骨干网络PP-LCNet，快到起飞
PP-LCNet论文部分
论文贡献
论文方法
Larger dimensional 1×1 conv layer after GAP
实验
YOLOv7-tiny 结合PP-LCNet应用核心代码改进
改进 YOLOv7-tiny 核心代码
修改部分
新增代码
YOLOv7-Tiny-PP-LCNet代码配置
训练实验
超强悍CPU级骨干网络PP-LCNet，快到起飞
论文提出了一种基于 MKLDNN 加速策略的轻量级 CPU 网络，名为 PP-LCNet，它提高了轻量级模型在多个任务上的性能。论文列出了可以在延迟几乎不变的情况下提高网络准确性的技术。通过这些改进，PP-LCNet在分类推理时间相同的情况下，准确率可以大大超越之前的网络结构。如图 1 所示，它优于最先进的模型。并且对于计算机视觉的下游任务，它也有很好的表现，比如目标检测，语义分割等。
参数量和计算量均下降
改进前
Model Summary: 263 layers, 6228762 parameters, 6228762 gradients, 13.9 GFLOPs
改进后
Model Summary: 301 layers, 5312717 parameters, 5312717 gradients, 9.9 GFLOPs
文章目录
参数量和计算量均下降
超强悍CPU级骨干网络PP-LCNet，快到起飞
PP-LCNet论文部分
论文贡献
论文方法
Larger dimensional 1×1 conv layer after GAP
实验
YOLOv7-tiny 结合PP-LCNet应用核心代码改进
改进 YOLOv7-tiny 核心代码
修改部分
新增代码
YOLOv7-Tiny-PP-LCNet代码配置
训练实验
PP-LCNet论文部分
论文地址：https://arxiv.org/pdf/2109.15099.pdf
随着模型特征提取能力的提高以及模型参数和FLOPs数量的增加，在基于ARM架构的移动设备或基于x86架构的CPU设备上实现快速推理变得困难。在这种情况下，已经提出了许多优秀的Mobile网络，但由于MKLDNN的限制，这些网络的速度在启用MKLDNN的Intel CPU上并不理想。
在本文中，作者重新思考了在Intel-CPU上设计网络的轻量级模型元素。作者特别考虑以下三个基本问题。
如何在不增加延迟的情况下促进网络学习更强的特性展示。
在CPU上提高轻量级模型精度的要素是什么?
如何有效结合不同的策略在CPU上设计轻量级模型。
论文贡献
本文的主要贡献是总结了一系列在不增加推理时间的情况下提高精度的方法，以及如何将这些方法结合起来以获
了解本专栏
订阅专栏 解锁全文
·
收录于
当前文章被以下社区和专栏收录：
标签
#YOLO
#网络
#深度学习
[YOLOv7/YOLOv5系列算法改进NO.40]轻量化mobileone主干网络引入
YOLOv5、v7改进之四十：轻量化mobileone主干网络引入。
阅读详情
相关推荐
改进YOLOv7系列：YOLOv7_最新MobileOne重参数化结构，苹果最新移动端高效Backbone主干网络模型，超轻量型架构
YOLOv7 +MobileOne苹果最新移动端高效Backbone主干网络模型，超轻量型架构，移动端仅需1ms推理
包括YOLOv5、YOLOv7、YOLOv8等模型改进
7981
CSDN芒果独家原创YOLOv5改进、YOLOv7改进（适用YOLOv8改进）专栏 | 《芒果YOLO改进系列进阶指南》来自人工智能专家老师联袂推荐专栏
芒果改进YOLO进阶指南，更快的改进YOLO模型
包括YOLOv5、YOLOv7、YOLOv8等模型改进
1万+
改进YOLOv7-Tiny系列：BiFPN特征融合网络实现目标检测
其中，p4_bu表示来自p3_td通道中提取的特征向量，p5_bu表示来自p4_bu通道中提取的特征向量，p6_bu表示来自p5_bu通道中提取的特征向量，p7_bu表示来自p6_bu通道中提取的特征向量。同样地，我们利用这些特征向量通过不同的比例缩放与相应的特征向量进行相加，构建特征金字塔向上的路径。其中，p6_td表示从C6通道中提取的特征向量，p5_td表示从C5中提取的特征向量，p4_td表示从C4中提取的特征向量，p3_td表示从C3中提取的特征向量。
带你成为别人眼中的大佬！
2590
改进YOLO系列 | CVPR2023最新 PConv | 提供 YOLOv5 / YOLOv7 / YOLOv7-tiny 模型 YAML 文件
PConv 使用方式
Coding...
1万+
YOLOv7升级换代：EfficientNet骨干网络助力更精准目标检测
目标检测是计算机视觉中的重要研究方向，其应用广泛，例如自动驾驶、安防监控等。目前，基于深度学习的目标检测方法已经取得了很大进展，其中YOLO（You Only Look Once）系列模型以其快速且准确的特点备受关注。
学Java，找哪吒
1万+
yolov8 模型架构轻量化 | 极致提速度
当想要提升模型在通用计算平台上的FPS（每秒帧数或帧率）时，可以从模型架构的三个关键角度出发进行优化：模型的参数数量、浮点数运算的复杂度以及模型架构的简洁性。1. 模型的参数是否足够少参数数量是影响模型推理速度的重要因素之一。参数越少的模型，其计算量和内存占用通常也越小，因此推理速度更快。优化策略模型剪枝：通过移除模型中不重要的参数（如权重较小的连接）来减少参数数量。知识蒸馏：使用一个更大的教师模型来指导一个小模型的训练，使得小模型能够学习到教师模型的性能，同时保持较小的参数规模。选择轻量级模型。
weixin_51988935的博客
7007
ENU坐标系实战：5分钟搞定无人机导航中的站心坐标转换
本文针对无人机导航中GPS坐标与视觉感知不匹配的定位漂移问题，提供了基于ENU坐标系的实战解决方案。通过Python代码演示了如何快速、精准地实现地心地固坐标与站心坐标之间的转换，并详细解释了转换原理、精度对比及工程优化技巧，帮助开发者从根本上解决局部相对定位不准的难题。
mqtt6iot的博客
547
深空探测处理软件USGS-ISIS的下载安装
深空探测处理软件USGS-ISIS下载安装教程
qq_31721595的博客
3301
人脸情绪识别（使用深度学习和OpenCV）
基于opencv与深度学习的人脸情绪识别系统
mx0390304的博客
8238
银河麒麟V10 SP3系统下如何安全安装gcc-toolset-10（附yum仓库避坑指南）
本文详细介绍了在银河麒麟V10 SP3系统中安全部署gcc-toolset-10的完整方案。核心在于通过配置默认禁用的yum仓库（如EPKL仓库）并配合--enablerepo参数进行精准安装，有效规避依赖冲突风险，实现与系统默认GCC 7.3的稳定共存。文章还提供了多版本环境切换、系统维护及故障排查的实用指南，确保操作的可控与可逆。
h0i1j2k3l的博客
579
暗黑破坏神2重制版 mod制作教程（一）
暗黑2重制版mod修改教程
hhhh2312的博客
7420
第44节：cesium 大雾效果（cesium自带）（含源码+视频）
cesium 大雾效果（cesium自带）
qq_29384639的博客
1699
UFS总体介绍及FPGA开发
通过实现UFS的主控制器、设备控制器等组件，我们可以在FPGA上进行UFS开发，并实现高速数据传输和低功耗特性的存储解决方案。物理层负责传输物理信号，数据链路层提供数据包的传输和错误检测功能，传输层处理数据包的分段、重组和重传，逻辑层管理设备和主控制器之间的命令和数据传输，文件系统层负责文件管理和数据存储。在本文中，我们将介绍UFS的总体架构和特性，并探讨如何在FPGA上进行UFS开发。这些组件的实现涉及到UFS协议的具体细节和硬件平台的特性，因此需要参考UFS协议规范和FPGA开发平台的相关文档。
PodProgram的博客
2113
第三篇：NVIDIA cuOpt Python API 详解：LP、QP、MILP 建模与求解，附核心术语名词解释
NVIDIA cuOpt是一款GPU加速的优化求解库，支持LP、QP、MILP和路径优化问题。本文详细介绍了其Python API使用方法，包括核心类Problem的变量定义、约束添加、目标设置和求解配置，并提供了术语解释。cuOpt通过GPU并行计算大幅提升大规模优化问题的求解效率，支持多种求解算法和参数配置，适用于需要高性能计算的优化场景。安装方式包含pip和Docker两种，验证安装后即可快速开始建模求解。
算法工程师
228
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
上一篇：
YOLOv7、YOLOv7-tiny改进GhostNet主干系列：高效结合GhostNet网络，华为出品
下一篇：
YOLOv7、YOLOv7-tiny改进 PicoDet 主干系列：0.99M，150FPS，移动端超轻量目标检测算法PicoDet
改进YOLOv7系列：YOLOv7_最新MobileOne重参数化结构，苹果最新移动端高效Backbone主干网络模型，超轻量型架构
包括YOLOv5、YOLOv7、YOLOv8等模型改进
10-10
7981
YOLOv7 +MobileOne苹果最新移动端高效Backbone主干网络模型，超轻量型架构，移动端仅需1ms推理
CSDN芒果独家原创YOLOv5改进、YOLOv7改进（适用YOLOv8改进）专栏 | 《芒果YOLO改进系列进阶指南》来自人工智能专家老师联袂推荐专栏
包括YOLOv5、YOLOv7、YOLOv8等模型改进
09-29
1万+
芒果改进YOLO进阶指南，更快的改进YOLO模型
改进YOLOv7-Tiny系列：BiFPN特征融合网络实现目标检测
带你成为别人眼中的大佬！
05-26
2590
其中，p4_bu表示来自p3_td通道中提取的特征向量，p5_bu表示来自p4_bu通道中提取的特征向量，p6_bu表示来自p5_bu通道中提取的特征向量，p7_bu表示来自p6_bu通道中提取的特征向量。同样地，我们利用这些特征向量通过不同的比例缩放与相应的特征向量进行相加，构建特征金字塔向上的路径。其中，p6_td表示从C6通道中提取的特征向量，p5_td表示从C5中提取的特征向量，p4_td表示从C4中提取的特征向量，p3_td表示从C3中提取的特征向量。
改进YOLO系列 | CVPR2023最新 PConv | 提供 YOLOv5 / YOLOv7 / YOLOv7-tiny 模型 YAML 文件
热门推荐
Coding...
03-16
1万+
PConv 使用方式
YOLOv7升级换代：EfficientNet骨干网络助力更精准目标检测
学Java，找哪吒
05-08
1万+
目标检测是计算机视觉中的重要研究方向，其应用广泛，例如自动驾驶、安防监控等。目前，基于深度学习的目标检测方法已经取得了很大进展，其中YOLO（You Only Look Once）系列模型以其快速且准确的特点备受关注。
yolov8 模型架构轻量化 | 极致提速度
weixin_51988935的博客
05-16
7007
当想要提升模型在通用计算平台上的FPS（每秒帧数或帧率）时，可以从模型架构的三个关键角度出发进行优化：模型的参数数量、浮点数运算的复杂度以及模型架构的简洁性。1. 模型的参数是否足够少参数数量是影响模型推理速度的重要因素之一。参数越少的模型，其计算量和内存占用通常也越小，因此推理速度更快。优化策略模型剪枝：通过移除模型中不重要的参数（如权重较小的连接）来减少参数数量。知识蒸馏：使用一个更大的教师模型来指导一个小模型的训练，使得小模型能够学习到教师模型的性能，同时保持较小的参数规模。选择轻量级模型。
ENU坐标系实战：5分钟搞定无人机导航中的站心坐标转换
mqtt6iot的博客
03-05
547
本文针对无人机导航中GPS坐标与视觉感知不匹配的定位漂移问题，提供了基于ENU坐标系的实战解决方案。通过Python代码演示了如何快速、精准地实现地心地固坐标与站心坐标之间的转换，并详细解释了转换原理、精度对比及工程优化技巧，帮助开发者从根本上解决局部相对定位不准的难题。
深空探测处理软件USGS-ISIS的下载安装
qq_31721595的博客
04-17
3301
深空探测处理软件USGS-ISIS下载安装教程
人脸情绪识别（使用深度学习和OpenCV）
mx0390304的博客
04-15
8238
基于opencv与深度学习的人脸情绪识别系统
银河麒麟V10 SP3系统下如何安全安装gcc-toolset-10（附yum仓库避坑指南）
h0i1j2k3l的博客
03-11
579
本文详细介绍了在银河麒麟V10 SP3系统中安全部署gcc-toolset-10的完整方案。核心在于通过配置默认禁用的yum仓库（如EPKL仓库）并配合--enablerepo参数进行精准安装，有效规避依赖冲突风险，实现与系统默认GCC 7.3的稳定共存。文章还提供了多版本环境切换、系统维护及故障排查的实用指南，确保操作的可控与可逆。
暗黑破坏神2重制版 mod制作教程（一）
hhhh2312的博客
02-08
7420
暗黑2重制版mod修改教程
第44节：cesium 大雾效果（cesium自带）（含源码+视频）
qq_29384639的博客
07-10
1699
cesium 大雾效果（cesium自带）
UFS总体介绍及FPGA开发
PodProgram的博客
09-18
2113
通过实现UFS的主控制器、设备控制器等组件，我们可以在FPGA上进行UFS开发，并实现高速数据传输和低功耗特性的存储解决方案。物理层负责传输物理信号，数据链路层提供数据包的传输和错误检测功能，传输层处理数据包的分段、重组和重传，逻辑层管理设备和主控制器之间的命令和数据传输，文件系统层负责文件管理和数据存储。在本文中，我们将介绍UFS的总体架构和特性，并探讨如何在FPGA上进行UFS开发。这些组件的实现涉及到UFS协议的具体细节和硬件平台的特性，因此需要参考UFS协议规范和FPGA开发平台的相关文档。
第三篇：NVIDIA cuOpt Python API 详解：LP、QP、MILP 建模与求解，附核心术语名词解释
最新发布
算法工程师
03-27
228
NVIDIA cuOpt是一款GPU加速的优化求解库，支持LP、QP、MILP和路径优化问题。本文详细介绍了其Python API使用方法，包括核心类Problem的变量定义、约束添加、目标设置和求解配置，并提供了术语解释。cuOpt通过GPU并行计算大幅提升大规模优化问题的求解效率，支持多种求解算法和参数配置，适用于需要高性能计算的优化场景。安装方式包含pip和Docker两种，验证安装后即可快速开始建模求解。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
