YOLOV5/V7/V8改进：添加CARAFE: 轻量级通用上采样算子

 特征上采样是许多现代卷积网络体系结构中的一个关键操作，例如特征金字塔。它的设计对于目标检测和语义/实例分割等密集的预测任务至关重要。在这项工作中，我们提出了内容感知的特征重组（CARAFE），一个通用的、轻量级的和高效的操作符来实现这一目标。CARAFE有几个吸引人的特性： (1)大视野。与以前只利用亚像素邻域的工作（例如双线性插值）不同，CARAFE可以在一个大的接受域内聚合上下文信息。(2)具有内容感知的处理。CARAFE不是对所有样本使用固定的内核（例如反褶积），而是支持特定于实例的内容感知处理，从而实时生成自适应内核。(3)重量轻，计算速度快。卡拉菲引入的计算开销很小，并且可以很容易地集成到现代网络架构中。我们对目标检测、实例/语义分割和绘制的标准基准进行综合评估。卡拉菲显示出了持续的和实质性的收益

YOLOV5/V7改进步骤： 

1.在common.py中添加如下代码：

class CARAFE(nn.Module):
    #CARAFE: Content-Aware ReAssembly of FEatures       https://arxiv.org/pdf/1905.02188.pdf
    def __init__(self, c1, c2, kernel_size=3, up_factor=2):