在网络中添加spp模块中的注意点

spp模块借鉴了空间金字塔的思想，通过SPP模块实现了局部特征和全局特征融合，丰富了特征图的表达能力，有利于待检测图像中目标大小差异较大的情况，所以对检测的精度上有了很大的提升。有很多yolov3的版本加了spp模块，所以我也在我的yolov3（bubbliiiing版）中尝试加了spp模块。具体代码如下：

class SPPBottleneck(nn.Module):
    """Spatial pyramid pooling layer used in YOLOv3-SPP"""

    def __init__(
        self, in_channels, out_channels, kernel_sizes=(5, 9, 13)
     ):
        super().__init__()
        hidden_channels = in_channels // 2
        self.conv1 = nn.Sequential(nn.Conv2d(in_channels, hidden_channels, 1, stride=1),
                                   nn.ReLU(),
                                   nn.BatchNorm2d(hidden_channels)
                                   )
        self.m = nn.ModuleList(
            [
                nn.MaxPool2d(kernel_size=ks, stride=1, padding=ks // 2)
                for ks in kernel_sizes
            ]
        )
        conv2_channels = hidden_channels * (len(kernel_sizes) + 1)
        self.conv2 = nn.Sequential(nn.Conv2d(conv2_channels, out_channels, 1, stride=1),
                                   nn.ReLU(),
                                   nn.BatchNorm2d(out_channels)
                                   )

    def forward(self, x):
       x = self.conv1(x)
       x = torch.cat([x] + [m(x) for m in self.m], dim=1)
       x = self.conv2(x)
       return x

其中输入和输出为darknet中最后一个卷积层的输出channel，这两个channel的大小是一样的。

在网络的body中添加self.spp

self.spp = SPPBottleneck(1024,1024)

随后将darknet第一个输出载入spp模块中即可

x0 = self.spp(x0)

此外，再添加网络中出了个小问题，忘记加入bn层了，导致loss居高不下，又是一个小细节，嘻嘻嘻。