yolox Neck-fpn源码解读

目录

前言

yolox网络结构

yolox Neck网络结构

Neck组件

Neck组件源码

Neck FPN源码实现

---

前言

yolox backbone部分介绍

yolox:https://github.com/Megvii-BaseDetection/YOLOX

yolox详细解读可参考：https://jishuin.proginn.com/p/763bfbd628ce

yolox网络结构

yolox Neck网络结构

 可以发现，yolox Neck部分和yolox v3的neck是一样的，且都是fpn结构。对应的源码在文件yolo_fpn.py。

Neck组件

 由上图可知有四种组件：

CBL：conv1x1的卷积+BN+LeakyReLU，不改变HW；

上采样：H,W各放大一倍；

Concat：channel维度拼接；

 CBL*5：conv1x1, conv3x3, conv1x1, conv3x3, conv1x1

Neck组件源码

CBL

self.out1_cbl = self._make_cbl(512, 256, 1)

def _make_cbl(self, _in, _out, ks):
	return BaseConv(_in, _out, ks, stride=1, act="lrelu")

上采样

self.upsample = nn.Upsample(scale_factor=2, mode="nearest")

Concat

x1_in = torch.cat([x1_in, x1], 1)

CBL*5

self.out1 = self._make_embedding([256, 512], 512 + 256)

def _make_embedding(self, filters_list, in_filters):  # filters_list是掩藏层通道数，in_filters是输入通道数
	m = nn.Sequential(
		*[
			self._make_cbl(in_filters, filters_list[0], 1),
			self._make_cbl(filters_list[0], filters_list[1], 3),
			self._make_cbl(filters_list[1], filters_list[0], 1),
			self._make_cbl(filters_list[0], filters_list[1], 3),
			self._make_cbl(filters_list[1], filters_list[0], 1),
		]
	)
	return m

Neck FPN源码实现

def forward(self, inputs):
	"""
	Args:
		inputs (Tensor): input image.

	Returns:
		Tuple[Tensor]: FPN output features..
	"""
	#  backbone
	out_features = self.backbone(inputs)
	x2, x1, x0 = [out_features[f] for f in self.in_features]  # 缩放倍数逐渐变大。["dark3", "dark4", "dark5"]

	#  yolo branch 1，中间尺度输出
	x1_in = self.out1_cbl(x0)  # 最小尺度特征x0，下采样了5次。这里先是1x1的卷积。
	x1_in = self.upsample(x1_in)  # 然后上采样，得到x0的中间尺度
	x1_in = torch.cat([x1_in, x1], 1)  # 然后，将x0的中间尺度，和中间尺度x1，通道维度拼接。
	out_dark4 = self.out1(x1_in)  # 最后是5个CBL。中间尺度out_dark4输出

	#  yolo branch 2，最大尺度输出
	x2_in = self.out2_cbl(out_dark4)  # 1x1卷积
	x2_in = self.upsample(x2_in)      # 上采样
	x2_in = torch.cat([x2_in, x2], 1)  # 拼接
	out_dark3 = self.out2(x2_in)      # 5个CBL

	outputs = (out_dark3, out_dark4, x0)  # 特征图尺度逐渐变小。
	return outputs