记录yolov5目标检测算法学习（主要模块学习之conv模块）23/10/14

在上一篇我们从整体出发，初步了解了yolov5的整体框架模型，在整个模型中涉及到诸多模块，那么本篇就来细谈其中的conv模块的内部结构

conv

conv是框架中出现的，次数最多的模块。由一个Conv2d、一个BatchNorm2d和激活函数构成。

可以理解为：在整个模型框架中，每经过一个conv模块，就需要经过一次Conv2d，一次BatchNorm2d以及一次激活函数，其中——

Conv2d是卷积神经网络中的一种操作，用于提取图像特征，它是指在二维图像上进行的卷积操作。

BatchNorm2d是PyTorch中的一个函数，用于对输入的4D张量([b,c,h,w])进行批量归一化。这里涉及到一个知识点batchnormalization(批标准化)，能够有效地加速神经网络的训练过程，提高模型的泛化能力。举一个形象的例子，在学校上课，老师经常给学生做思想工作，无非是说些要好好学习努力上进之类，总之目的就是让你持续保持在认真学习的正路上，batchnormalization(批标准化)进行的就是这样一步类似的操作，及时纠正、控制模型的学习方向，往我们需要的方向进行。

激活函数用于引入非线性因素，增强模型的表达能力，很好理解——曲线自然比单一的直线能表达更多的东西。conv模块中的激活函数是一个名为silu的非线性函数，具体表达式：Silu (x)=x∗ sigmoid(x)，其中sigmoid(x)=1/（1+exp(−x)），exp是自然对数e的指数函数，exp(-x)即exp的-x次方，因此函数公式可写作如下：

                                                

接着我们介绍conv的参数：k，s，p，c

在yolov5的模型结构图中，可以看见conv下面有4个参数kspc，例如backbone部分中深度为1的conv模块，其参数为k3，s2，p1，c128

k：指的是kernel_size，即卷积核的大小，通常用3*3，6*6这种左右两个数相同的卷积核，因此k只有一个数字，k3或k6这样

s：指的是stride，即步长，用来控制卷积核在图像窗口上每次平移的间隔

p：指的是padding，即灰度填充，对图像的分辨率处理时，为了不改变它原有的特征，不采取拉拽某边的方式而是在其外部填充灰度，需要注意的是这里的填充包括图像的上下左右。举一个例子，要将分辨率分别为2*2和4*4的两张图片进行特征融合，则对2*2的图片进行padding为1的灰度填充，这样它就变成分辨率为4*4的图片（长宽各加2），也就能和第二张图片进行特征融合了

c：指的是channels，即输出通道数，通道数是图像的一个很重要的概念（参考这篇博客学习），按个人理解简单总结成一个例子——现有一个3*3的矩阵，如果矩阵中的每个元素有n种取值，就说这个矩阵的通道数为n。比如一张图片，显示器大都是采用了RGB颜色标准，也就是说每个像素点需要有3种取值分别是红绿蓝，故通道数为3

经过对conv模块的进一步分析，相信你对yolo的模型及原理也有了更深刻的理解。

比如在backbone部分和neck部分的右支路中conv模块（不包括c3模块里的）的kernel均为3，stride全部为2，padding全部为1（yolov5的6.0版本之后的第一个conv模块除外，6.0之前backbone部分的第一个模块原本是focus模块，6.0后替换为k6，s2，p2，c64的conv模块）即k3，s2，p1，因此Conv每次会将特征图的宽高减半，channels每次扩大一倍，故特征图虽然变小了，但其中单个像素点包含的特征信息在不断增大（但信息损失是不可避免的），通过这种方式来下采样特征图，同时提取到目标特征。