- 博客(4)
- 收藏
- 关注
RSS订阅原创 YOLOv8如何实现注意力？逐行解读ultralytics/nn/modules/conv.py(3)
算法小白从0学习YOLOv8，代码看不懂一点儿！呜呜呜~于是翻译成中文人话，方便自己理解，顺便记录一下自己的学习过程，说的不全面的地方请友友在评论区补充指正~这篇博客记录了YOLOv8里的注意力实现方式：Focus注意力 (缩HW增C)、通道注意力(ChannelAttention)、空间注意力(SpatialAttention)、注意力(Convolutional Block Attention Module)，有需要请目录跳转。源代码摘自。
2024-05-31 19:46:56
978
原创 YOLOv8如何实现卷积？逐行解读ultralytics/nn/modules/conv.py(2)
函数接收一个参数branch，表示需要融合的网络分支，这里的branch可以是self.conv1这样的Conv类实例，这个函数的功能是根据输入的branch信息，生成合适的卷积核和偏置。RepConv类在训练的时候使用三个并列的分支(self.conv1是3x3卷积、self.conv2是1x1卷积、self.bn是BN层)，前向传播使用forward函数，在通过反向传播训练好三个分支的参数后，使用函数、函数、函数、fuse_convs函数去融合三个分支，并获得融合后的单分支(一层卷积)，用于最后的推理。
2024-05-28 19:12:36
963
原创 YOLOv8如何实现卷积？逐行解读ultralytics/nn/modules/conv.py(1)
这一句中，c1是输入通道数，c2是输出通道数，k是卷积核大小，s是卷积步幅大小，autopad(k, p, d)定义了填充方式，g是分组方式，d是扩张卷积的参数扩张率，bias决定输入与权重相乘后是否要加上偏差。但是假如使用普通卷积，g=1，分为1组，每一组的输入为32层，输出为64层，则每一组的过滤器数量为64个，每一个过滤器都要和32层的输入进行卷积操作，假如c1=32，c2=64，并且使用深度卷积，那么g=32，分为32组，每一组的输入为1层，输出为2层，每一组的过滤器数量也为2个，
2024-05-23 05:07:45
1029
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人