YOLOv10全网最新创新点改进系列：YOLOv10改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
所有改进代码均经过实验测试跑通！截止发稿时YOLOv10已改进40+！自己排列组合2-4种后，考虑位置不同后可排列组合上千万种！改进不重样！！专注AI学术，关注B站up主：Ai学术叫叫兽er！
购买相关资料后畅享一对一答疑！
# YOLOv10全网最新创新点改进系列：YOLOv10改进ShuffleNetV2，手把手教学、保姆级实操、必须有效涨点！！！
改进方法详细教学 欢迎讨论交流
本文章包含YOLOv8主干网络改进方法教学，一通百通。可直接复制使用，仅供参考。
AI学术叫叫兽er在这！家人们，给我遥遥领先！！！
一 ShuffleNetV2简介（大概了解一下即可）
主干网络为ShuffleNetV2, 其主要结构Inverted_residual_unit的组成单元如下图 c、d所示:
(a): the basic ShuffleNet-V1 unit; (b) the ShuffleNet-V1 unit for spatial down sampling (2×); © ShuffleNet-V2 basic unit; (d) ShuffleNet-V2 unit for spatial down sampling (2×)
ShuffleNetV1结构的问题：
如上图(a)(b)在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。
ShuffleNetV2改进：
为了改善v1的缺陷，v2版本引入了一种新的运算：channel split。具体来说，在开始时先将输入特征图在通道维度分成两个分支：通道数分别为c{'}和c-c{‘} ，实际实现时 c^{’}=c/2 。左边分支做同等映射，右边的分支包含3个连续的卷积，并且输入和输出通道相同，这符合G1。而且两个1x1卷积不再是组卷积，这符合G2，另外两个分支相当于已经分成两组。两个分支的输出不再是Add元素，而是concat在一起，紧接着是对两个分支concat结果进行channle shuffle，以保证两个分支信息交流。其实concat和channel shuffle可以和下一个模块单元的channel split合成一个元素级运算，这符合原则G4。
对于下采样模块，不再有channel split，而是每个分支都是直接copy一份输入，每个分支都有stride=2的下采样，最后concat在一起后，特征图空间大小减半，但是通道数翻倍。
在同等条件下，ShuffleNetv2相比其他模型速度稍快，而且准确度也稍好一点。同时作者还设计了大的ShuffleNetv2网络，相比ResNet结构，其效果照样具有竞争力。
二 YOLOv10改进ShuffleNetV2教学
2.1 第一步 替换yaml文件
直接上YAML文件
在YOLOv8包中找到YOLOv8.yaml文件后进行内容替换即可。
最新版的路径为：ultralytics/ultralytics/cfg/models/v8/yolov8.yaml
# Ultralytics YOLO
标签：涨点,nn,self,args,ShuffleNetV2,改进,YOLOv10,c2
From： https://blog.csdn.net/weixin_51692073/article/details/140596051