shufflenet v2 yolo

设计理念

• 1x1卷积进行平衡输入和输出的通道大小；
• 组卷积要谨慎使用，注意分组数；
• 避免网络的碎片化；
• 减少元素级运算。

  
  

• ShuffleNet v2中弃用了1x1的group convolution操作，而直接使用了input/output channels数目相同的1x1普通conv。它更是提出了一种ChannelSplit新的类型操作，将module的输入channels分为两部分，一部分直接向下传递，另外一部分则进行真正的向后计算。到了module的末尾，直接将两分支上的output channels数目级连起来，从而规避了原来ShuffleNet v1中Element-wise sum的操作。然后我们再对最终输出的output feature maps进行RandomShuffle操作，从而使得各channels之间的信息相互交通。。精彩至极，看至此处已然拍案叫绝。

• backbone:
    # [from, number, module, args]
    # Shuffle_Block: [out, stride]
    [[ -1, 1, CBRM, [ 32 ] ], # 0-P2/4
     [ -1, 1, Shuffle_Block, [ 128, 2 ] ],  # 1-P3/8
     [ -1, 3, Shuffle_Block, [ 128, 1 ] ],  # 2
     [ -1, 1, Shuffle_Block, [ 256, 2 ] ],  # 3-P4/16
     [ -1, 7, Shuffle_Block, [ 256, 1 ] ],  # 4
     [ -1, 1, Shuffle_Block, [ 512, 2 ] ],  # 5-P5/32
     [ -1, 3, Shuffle_Block, [ 512, 1 ] ],  # 6
    ]
  
  # YOLOv5 v6.0 head
  head:
    [[-1, 1, Conv, [256, 1, 1]],
     [-1, 1, nn.Upsample, [None, 2, 'nearest']],
     [[-1, 4], 1, Concat, [1]],  # cat backbone P4
     [-1, 1, C3, [256, False]],  # 10
  
     [-1, 1, Conv, [128, 1, 1]],
     [-1, 1, nn.Upsample, [None, 2, 'nearest']],
     [[-1, 2], 1, Concat, [1]],  # cat backbone P3
     [-1, 1, C3, [128, False]],  # 14 (P3/8-small)
  
     [-1, 1, Conv, [128, 3, 2]],
     [[-1, 11], 1, Concat, [1]],  # cat head P4
     [-1, 1, C3, [256, False]],  # 17 (P4/16-medium)
  
     [-1, 1, Conv, [256, 3, 2]],
     [[-1, 7], 1, Concat, [1]],  # cat head P5
     [-1, 1, C3, [512, False]],  # 20 (P5/32-large)
  
     [[14, 17, 20], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
    ]

  
  
  

深度学习之图像分类（十四）--ShuffleNetV2 网络结构_木卯_THU的博客-CSDN博客
ShuffleNetV2：轻量级CNN网络中的桂冠 - 知乎 (zhihu.com)