原论文摘要目前，神经网络架构设计主要依赖于计算复杂度的间接指标，即浮点运算次数（FLOPs）。然而，直接指标（如速度）还取决于其他因素，如内存访问成本和平台特性。因此，本研究建议在目标平台上评估直接指标，而不仅仅考虑FLOPs。基于一系列受控实验，本研究提出了若干高效网络设计的实用

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

主干网络篇|YOLOv5/v7更换主干网络之ShuffleNetv2|高效CNN架构设计的实用指南概述YOLOv5和YOLOv7是目前主流的轻量级目标检测模型，在速度和精度方面取得了良好的平衡。然而，传统的YOLOv5/v7模型使用FPN和CSPNet等结构作为主干网络，在移动设备和嵌入式系统等资源受限的场景