改进YOLO系列：YOLOv8结合G-GhostNet轻量化设计，保持精度，计算量缩小
- 轻量化网络
-
- 常见的轻量化网络设计方法
- 常见的YOLO结合轻量化骨干方法
- 一、理论介绍
- 二、改进方法
-
- yaml文件
- 另外需要修改的地方
- 三、运行测试
- 建议
轻量化网络
深度神经网络模型被广泛应用在图像分类、物体检测，目标跟踪等计算机视觉任务中，并取得了巨大成功。随着时代发展，人们更加关注深度神经网络的实际应用性能，人工智能技术的一个趋势是在边缘端平台上部署高性能的神经网络模型，并能在真实场景中实时(>30帧)运行，如移动端/嵌入式设备，这些平台的特点是内存资源少，处理器性能不高，功耗受限，这使得目前精度最高的模型根本无法在这些平台进行部署和达到实时运行。由于存储空间和算力资源限制，神经网络模型在移动设备和嵌入式设备上的存储与计算仍然是一个巨大的挑战。
常见的轻量化网络设计方法
轻量化网络设计是一种针对移动设备等资源受限环境的深度学习模型设计方法。下面是一些常见的轻量化网络设计方法：
-
网络剪枝
