YOLOv5中Focus块与6x6卷积块之间的联系与对比

已于 2023-11-17 22:30:32 修改
阅读量534 收藏 2
点赞数
文章标签： YOLO 深度学习 人工智能 计算机视觉
于 2023-11-15 15:35:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/XDXDXDXDX111/article/details/134421115
版权
本文讨论了Yolov5s中Focus结构与6x6卷积层的理论等价性，指出Focus通过切片和3x3conv减少参数和计算量，但在大量图片处理时，6x6conv的效率更高，因此在yolov6.0中进行了替换。
摘要由CSDN通过智能技术生成

    以yolov5s为例，原始的640\times 640\times 3的图像输入Focus结构，采用切片操作，先变成320\times 320\times 12的特征图，再经过一次卷积操作，最终变成320\times 320\times 32的特征图。

    下面介绍为什么k=6卷积层在理论上等价于Focus结构。 

（1）Focus层的参数量与计算量(忽略bias)

计算量FLOPS=(3\times 4)\times 32\times 3\times 3\times 320\times 320=353894400

参数量 Params=3\times 4\times 32\times 3\times 3=3456

（2）k=6卷积层的参数量与计算量(忽略bias)

计算量FLOPS=3\times 32\times 6\times 6\times 320\times 320=353894400

参数量Params=3\times 32\times 6\times 6=3456

   通过上面的计算也解释通了为什么使用6x6卷积块（改变以往一般都是用卷积核为奇数的卷积块的做法） 

  在yolov5中，作者提出单层Focus结构来替换了yolov3的backbone中的前三层，具体如下图所示。

   图片在经过Focus模块后，最直观的是起到了下采样的作用，在这个下采样的过程相比于以前的卷积操作减少了层数、参数，以及 FLOPs，同时对mAP影响较小。

   Focus结构将原图切分并堆叠在一起，再用3x3的conv进行特征提取，Focus结构与一个6x6的conv的感受野、计算量以及参数量是相同的，所以在理论上与6x6的conv完全等价。

   但作者可能是因为训练过程中图片数量较多，Focus结构对图片进行拆分提取再堆叠这个过程没有直接conv的计算高效（对于现有的一些GPU设备以及相应的优化算法，使用6x6的conv更高效），所以才在yolov6.0的版本中把Focus换成了6x6的conv。

o涂鸦小巷的菇凉o
关注
YOLOv5系列(二十六) 本文(1万字) | C3 | Focus | 替换为6*6卷积 |
weixin_44302770的博客
12-27 540
为了保持图像大小卷积前后一致,就需要用到自动paddingdef autopad(k, p=None): # kernel padding 根据卷积核大小k自动计算卷积核padding数（0填充）""":param k: 卷积核的 kernel_size:param p: 卷积的padding 一般是None:return: 自动计算的需要pad值(0填充)"""# k 是 int 整数则除以2, 若干的整数值则循环整除return pFoucs模块使将原本的按下图方式分成四份，再。
YOLOv5 目标检测
黎国溥
09-01 6239
前言 YOLOv5官方发布的代码中，检测网络共有四个版本，依次为YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 。其中YOLOv5s是“深度”和“特征图宽度”均最小的网络，另外三种可以认为是在其基础上，进行了加深、加宽。 看一下YOLOv5各个版本，在 COCO 数据集中的性能对比： Model size (pixels) mAPval 0.5:0.95 mAPtest 0.5:0.95 mAPval 0.5 Speed
YOLOv5之Focus与6x6卷积的理解
xiahan_qian的博客
06-02 7620
最近正在学习yolov5算法，以yolov5s模型为例，其中的foucs模块有何作用？之后被改成了一个k=6的卷积层，为什么较大的卷积核进行卷积比focus模块更有效呢？
YOLOv5中 FOCUS模块
lbr15660656263的博客
06-07 1107
Focus层原理和PassThrough层很类似。它采用切片操作把高分辨率的图片 （特征图）拆分成多个低分辨率的图片/特征图，即隔列采样+拼接。原理图如 下：原始的640 × 640 × 3的图像输入Focus结构，采用切片（slice）操作，先 变成320 × 320 × 12的特征图，拼接（Concat）后，再经过一次卷积（CBL(后 期改为SiLU，即为CBS)）操作，最终变成320 × 320 × 64的特征图。
【Yolov系列】Yolov5学习（一）补充2：Focus模块详解
qq_43737512的博客
04-22 3137
Yolov5学习（一）补充2：Focus模块详解
yolov5s_模型.zip
06-16
yolov5s_模型.zip
yolov5源码解析(0)--focus层哪去了？
05-21 2048
很多介绍yolov5的文章都会讲到focus层，但是如果你去看yolov5的源码（比如yolov5-6.2, yolov5-7.0等较新的版本），你会发现代码里还有focus层，但是没用到它。原因是focus层已经被6乘6步长2的卷积层替代了，因为它们的计算过程是等价的，而后者的性能更好，对于端侧设备也跟友好。本文详细分析了它们为何等价，以及如何等价替换。
yolov5 转 onnx 模型focus哪去了
sandieago的博客
06-04 826
yolov5用6*6的卷积替代了focus
Yolov5技术总结
Q1u1NG的博客
09-25 9107
Yolov5技术总结Backbone：Detection (YOLO) layer：损失函数：Yolov5-1.0、2.0、3.0： Backbone： Focus： 网络第一层进行 pixel un-shuffling而不是stride=2的卷积；该模块的设计主要是减少计算量加快速度； 作者原话：https://github.com/ultralytics/yolov5/issues/847 Focus() module is designed for FLOPS reduction and speed
YOLOv5基础 | 万字长文带你深度解析yolov5s.yaml配置文件
突然好想你
10-29 5225
万字长文帮你深度解析YOLOv5算法之yolov5s.yaml配置文件，小白必学！
YOLOv5改进策略|YOLO模型优化|YOLOv5人脸检测、人脸识别、人脸检测,准确率94.27-96.06%
最新发布
sybh的博客
06-16 1025
人脸检测是一项非常重要的计算机视觉任务。自从深度学 习，特别是卷积神经网络(CNN)被用于这项任务以来，已 经取得了巨大的进展。作为人脸识别、验证、跟踪、对⻬、 表情分析等许多任务的第一步，人脸检测吸引了学术界和工 业界的许多研究和开发。多年来，人脸检测的性能有了显着 提高。有关人脸检测的调查，请参考基准测试结果[1],[2]。这个领域有很多方法，从不同的⻆度来看。研究方向包括 CNN网络的设计、损失函数、数据增强和训练策略。
【YOLOv5学习笔记】夏侯南溪的学习笔记
墨门
01-21 3667
1 前言 此博文记录了YOLOv5的学习笔记~
yolov5原理详解 (涉及内容：Yolov5框架，各组件分析，特征融合是怎么实现的？yolov5的具体特征融合方式等)
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
09-25 3万+
大小的输入图片 4 个像素分别取 1 个（类似于邻近下采样）形成新的图片，这样 1 个通道的输入图片会被划分成 4 个通道，每个通道对应的 WH 尺寸大小都为原来的 1/2，并将这些通道组合在一起。以 Yolov5s 的结构为例，原始 640x640x3 的图像输入 Focus 结构，采用切片操作，先变成 320×320×12 的特征图，再经过一次 32 个卷积核的卷积操作，最终变成 320×320×32 的特征图。最后，输出端是模型预测的结果，包括每个目标的类别和其对应的边界框坐标等信息。
YOLO系列梳理（三）YOLOv5
CV技术指南（微信公众号）
04-24 1万+
前言YOLOv5 是在 YOLOv4 出来之后没多久就横空出世了。今天笔者介绍一下 YOLOv5 的相关知识。目前 YOLOv5 发布了新的版本，6.0版本。在这里，YOLOv5 也在5.0基础上集成了更多特性，同时也对模型做了微调，并且优化了模型大小，减少了模型的参数量。那么这样，就更加适合移动端了。 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 YOLOv5 网络模型结构 与之前的 YOLOv3、YOLOv4 不同，v3、v4 除..
YOLOv5中的Focus层详解|CSDN创作打卡
tt丫的博客
01-17 3万+
第一次写CSDN博客嘻嘻，深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。 文章目录 背景介绍 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 背景介绍 Focus层是在YOLOv5中被提出来的。感觉像是一种特殊的下采样的方式。 1.下采样 下采样就是一种缩小图像的手法，用来降低特征的维度并保留有效信息，一定程度上避免过拟合。下采样就是池化操作。但是池化的目的不仅如此，还需要考虑旋
yolov5 Focus模块详解
11-22 1299
千呼万唤始出来的结论，终于解开了我这么长时间的疑惑，虽然之前文中的结论和作者实际的结论是相反的；主要原因还是因为不知道作者改进的出发点在哪里，所以分析过程虽然是对的，但是结论却是反着了；知道了改进的出发点后，再把过程重新梳理一下，就很好理解了。道作者改进的出发点在哪里，所以分析过程虽然是对的，但是结论却是反着了；知道了改进的出发点后，再把过程重新梳理一下，就很好理解了。
yolov5s.yaml中各参数作用意义及使用netron工具来可视化yolov5s的结构
沉醉于风中的博客
03-16 1万+
一、yolov5s.yaml中各行（参数）所表示的意义 # parameters nc: 20 # number of classes depth_multiple: 0.33 # model depth multiple 控制模型的深度（BottleneckCSP个数） width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数（卷积核数量） # depth_multiple表示BottleneckCSP模块的缩放因子，将所有Bot
yolov5中的Focus模块的理解
热门推荐
小菜的博客
01-16 7万+
序言 v5出来这么久，一直搜不到网上对Focus的理解，还想着白嫖一下结论，但是发现搜出来的都是一知半解，讲的全都是Focus做了什么，愣是没说为什么要这么做。没办法只好自己花点时间深入学习一下，本人也记录一下本人对Focus模块的一些理解，如果有理解错误的地方，还请评论区告知。 一、Focus模块的原理 Focus模块在v5中是图片进入backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了四张图片，四张图片互补，长的差不多，但是没有信息丢失，这
YOLOV5-网络结构和组件介绍
daweq的博客
11-20 5136
总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。采用上，下采样灵活的构造特征金字塔。在Yolov5中也是通过这样的方式 ，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以增加运行的速度。这四种结构其实本质上没有区别，它们的主要差别是在于，用两个不同的参数，控制了网络的深度和宽度。在Yolov3、Yolov4中，训练不同的数据集时，计算初始锚框的值是通过单独的程序运行的。
yolov5中Focus
05-18
在 YOLOv5 中，Focus 是指一种特殊的卷积操作，它能够提取输入特征图中的局部区域并对其进行下采样。具体来说，Focus 操作将输入特征图分为若干个小块，然后将这些小块沿着通道维度串联起来，形成一个新的特征图。这个新的特征图具有更小的尺寸和更多的通道数，可以提供更丰富的特征表示。在 YOLOv5 中，Focus 操作被广泛应用于检测头（Detection Head）中，以提高检测精度和速度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值