YOLO系列算法改进 | 主干改进篇 | 替换ParameterNet参数优先网络 | 利用动态卷积自适应调整卷积核，助力模型低光照下增强边缘响应 | CVPR 2024

0. 前言

本文介绍了ParameterNet网络，并将其集成到ultralytics最新发布的YOLO26目标检测算法中，替换原有Backbone网络。ParameterNet的创新在于重新定义了轻量级网络的设计哲学——不再追求参数量的极致压缩，而是在不增加推理计算量的前提下，尽可能增加参数量，让轻量网络也能享受大规模预训练的红利。此外，利用动态卷积自适应调整卷积核，助力模型低光照下增强边缘响应。

专栏链接：YOLO系列算法改进专栏链接

专栏文章：YOLO26改进系列 | 卷积篇、轻量化、注意力、损失函数、Backbone、SPPF、C2PSA、Neck、检测头全方面保姆级优化合集 | 同样适配YOLOv11改进！！！

目录

0. 前言

1. ParameterNet网络简介

2. ParameterNet网络原理与创新点

🧠 ParameterNet网络基本原理

🎯 ParameterNet网络创新点

3. 具体改进步骤

🍀🍀步骤1：创建ParameterNet.py文件

🍀🍀步骤2：tasks.py文件修改

⚡1. ParameterNet网络导入

⚡2. ParameterNet网络注册

⚡3. 其他修改1（Ctrl+F搜索定位一下）

⚡4. 其他修改2（Ctrl+F搜索定位一下）

⚡5. 其他修改3（_predict_once函数修改）

🍀🍀步骤3：创建YAML配置文件

🍀🍀步骤4：新建train.py文件训练模型

🍀🍀步骤5：模型结构打印结果

1. ParameterNet网络简介

大规模视觉预训练显著提升了大型视觉模型的性能。然而，我们观察到一个现象——低FLOPs陷阱，即现有的低FLOPs模型无法从大规模预训练中受益。在本文中，我们引入了一种新颖的设计原则，称为ParameterNet，旨在在大规模视觉预训练模型中增加参数数量的同时，最小化FLOPs的增加。我们利用动态卷积在网络中引入额外参数，而FLOPs的增加仅为微量。ParameterNet方法使低FLOPs网络能够利用大规模视觉预训练。此外，我们将ParameterNet概念扩展到语言领域，以在保持推理速度的同时增强推理结果。在大规模ImageNet-22K数据集上的实验表明了ParameterNet方案的优越性。例如，ParameterNet-600M在ImageNet上的准确率比广泛使用的Swin Transformer更高（81.6% vs. 80.9%），且其FLOPs更低（0.6G vs. 4.5G）。在语言领域，增强了ParameterNet的LLaMA-1B比原始LLaMA提高了2%的准确率。