【Week Y9】yolo-v8网络结构的主要模块学习

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制

文件路径：...\ultralytics-main\ultralytics\nn\modules\***.py

一、...\ultralytics-main\ultralytics\nn\modules\conv.py：

（1）__all__说明：

（2）autopad()说明：

这段代码定义了一个名为 autopad 的函数

• 功能：

  • 在卷积操作中实现 ‘same’ 填充，使输入和输出具有相同的空间维度

• 参数说明：

  • k：卷积核的大小。可以是单个整数，也可以是整数列表（对于不同维度的卷积核）。
  • p：填充大小。如果未提供，函数将自动计算。
  • d：膨胀率（dilation rate），默认为1。膨胀卷积是一种可以增大卷积核感受野的卷积方式，不影响参数数量。

autopad 函数在实现卷积神经网络时非常有用，特别是在需要保持特征图尺寸不变的情况下。通过自动计算填充大小，它简化了卷积层的实现过程。

（3）conv()说明：

这段代码定义了一个名为 conv的函数，继承自nn.Module，通过参数(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)来定义卷积层的行为。

通过将卷积(nn.Conv2d)、批量归一化(nn.BatchNorm2d)和激活函数(default_act，默认是nn.SiLU（）)组合在一起，简化了模型构建过程，并提高了代码的可读性和可维护性。

• 类属性default_act：定义了默认的激活函数，这里使用的是 SiLU 激活函数。

• 构造函数 __init__：初始化卷积层，接受多个参数：

  • c1：输入通道数。
  • c2：输出通道数。
  • k：卷积核大小，默认为1。
  • s：步长，默认为1。
  • p：填充大小。如果没有提供，将使用 autopad 函数自动计算。
  • g：groups参数，用于控制分组卷积，默认为1。
  • d：膨胀率，默认为1。
  • act：激活函数。如果为True，则使用默认的SiLU激活函数；如果是一个 nn.Module 实例，则使用该实例；否则不使用激活函数。
    在构造函数中，创建了 nn.Conv2d、nn.BatchNorm2d 和激活函数实例。

• 前向传播函数 forward：定义了数据通过层的传播方式。它首先应用卷积，然后是批量归一化，最后是激活函数。

• 前向融合函数 forward_fuse：与 forward 类似，但没有使用批量归一化，用于执行卷积转置操作。它直接在卷积操作后应用激活函数。这个函数可能在某些特定情况下使用，例如当模型需要融合某些层以优化性能时。

（4）Focus()说明：

Focus模块结构如下所示：

Focus类实现了一个特殊的操作，将宽度和高度信息“聚焦”到通道空间中，这通常用于减少图像的分辨率同时增加其深度。下面是对这个类的详细解释：

• 构造函数 init：
  • 初始化 Focus 层。它接受多个参数，与 Conv 类似，包括输入和输出通道数、卷积核大小、步长、填充、分组等。
  • 在构造函数中，创建了一个 Conv 实例，其输入通道数是原始通道数的4倍。这是因为 Focus 层会将输入图像分割成四个部分并沿通道维度拼接。
• 前向传播函数 forward：
  • 定义了数据通过层的传播方式。首先将输入图像 x 沿宽度和高度维度切分成四个部分，然后将这四个部分沿通道维度拼接。拼接后的张量随后被送入卷积层进行处理。
    输出张量的形状是 (b, 4c, w/2, h/2)，其中 b 是批量大小，c 是原始通道数，w 和 h 是宽度和高度的一半。

Focus 类是 YOLOv8 中的一个关键组件，它通过将图像分割成四个部分并沿通道维度拼接，有效地减少了图像的分辨率，同时增加了通道数。这种方法有助于网络关注更细粒度的特征，同时保持计算效率。

二、...\ultralytics-main\ultralytics\nn\modules\block.py：

（1）C2f()说明：

C2f层：快速实现带有2个卷积的CSP Bottleneck

• 初始化函数：def init(self, c1, c2, n=1, shortcut=False, g=1, e=0.5)

  • c1：输入通道
  • c2：输出通道
  • n：Bottleneck的重复次数
  • shortcut：是否使用捷径连接
  • g：分组数
  • e：膨胀系数，用于计算隐藏层通道数
  • 创建了两个卷积层 cv1 和 cv2，以及一个 nn.ModuleList(nn.ModuleList包含 n 个 Bottleneck 模块)

• 前向传播函数 forward：定义了数据通过层的传播方式。

  • 首先，输入 x 通过 cv1 卷积层，然后其输出被分割成两部分。分割后的两部分以及通过 Bottleneck 模块的输出被连接起来，然后通过 cv2 卷积层。
  • 使用chunk()方法来分割张良

• 前向分割函数 forward_split：使用 split()方法 来分割张量