摘要
PP-LCNetV2 是在图像分类任务中提出的一种轻量级卷积神经网络，用于在边缘设备上实现高效的推理。PP-LCNet 系列模型的设计旨在提高移动和边缘设备上的推理性能，同时保持较高的准确率。PP-LCNetV2 是在 PP-LCNetV1 基础上改进的。
理论介绍
PP-LCNetV2模型结构如下：
在PP-LCNetV1基础上重参数化策略组合了不同大小卷积核的深度卷积，并优化了点卷积、Shortcut等。
- Rep 策略
卷积核的大小决定了卷积层感受野的大小，通过组合使用不同大小的卷积核，能够获取不同尺度的特征，因此 PPLCNetV2 在 Stage4、Stage5 中，在同一层组合使用 kernel size 分别为 5、3、1 的 DW 卷积，同时为了避免对模型效率的影响，使用重参数化（Re parameterization，Rep）策略对同层的 DW 卷积进行融合。如下图所示：
- shortcut（跳跃连接）
PP-LCNetV2 增加了 shortcut，并且在 RepDepthwiseSeparable 模块中实现了这一优化。shortcut（跳跃连接）可以有效提升模型的训练效果和推理表现，尤其是在深层网络中，它能够缓解梯度消失问题，提升网络的表达能力和优化效率。在 Block 中增加 Shortcut，如下所示：
- 改进的激活函数
PP-LCNetV2 改进了激活函数的使用，采用了 Hardswish 激活函数替代了部分模块中的 ReLU。Hardswish 是一种结合了线性与非线性特性的激活函数，在维持性能的同时减少了计算量和内存开销。该函数能提供比 ReLU 更高效的非线性表达能力，在边缘设备的推理任务中，表现出更好的性能。 - SE 模块
PP-LCNetV2 还引入了 SE模块（Squeeze-and-Excitation），该模块可以动态学习特征通道的重要性，并通过调整每个通道的权重，提升网络的特征表达能力。
代码可在这个链接找到：代码地址
本文在 YOLOv9 中的主干网络替换成PP-LCNetV2(百度飞浆视觉团队自研，轻量化架构)，全网独发，代码已经整理好了，跟着文章复制粘贴，即可直接运行
<
