def autopad(k, p=None, d=1): # kernel, padding, dilation
# Pad to 'same' shape outputs
if d > 1:
k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k] # actual kernel-size
if p is None:
p = k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-pad
return p
autopad函数用于计算卷积层自动填充（padding）大小的辅助函数，目的是为了在使用卷积层时保持输出特征图的尺寸不变（即所谓的'same' padding）。
-
参数：
k：卷积核的大小。可以是一个整数或一个整数列表（针对不同维度）。p：填充大小。默认为None，这时候会自动计算填充。d：膨胀系数。默认为1，表示不膨胀。
-
膨胀卷积调整：
- 如果膨胀系数
d大于1，函数会根据膨胀系数和卷积核大小重新计算实际的卷积核大小。 - 计算公式为
k = d * (k - 1) + 1。这是标准的膨胀卷积核尺寸计算公式。
- 如果膨胀系数
-
自动计算填充：
- 如果
p（填充大小）没有指定，函数会根据卷积核大小自动计算填充，以确保输出尺寸不变。 - 计算公式为
p = k // 2，即卷积核大小的一半（向下取整）。这是因为在'same'填充模式下，填充的总大小大致等于卷积核大小减1。
- 如果
-
返回值：
- 函数返回计算得到的填充大小
p。
- 函数返回计算得到的填充大小
class Conv(nn.Module):
# Standard convolution with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)
default_act = nn.SiLU() # default activation
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, d=1, act=True):
super().__init__()
self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p, d), groups=g, dilation=d, bias=False)
self.bn = nn.BatchNorm2d(c2)
self.act = self.default_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()
def forward(self, x):
return self.act(self.bn(self.conv(x)))
def forward_fuse(self, x):
return self.act(self.conv(x))
这个Conv类是一个封装好的标准卷积层，用于构建卷积神经网络。它继承自PyTorch的nn.Module，并在其基础上添加了卷积操作、批归一化（Batch Normalization）和激活函数。
-
初始化方法 (
__init__):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（stride），默认为1。p：填充（padding），默认为None，这时会使用autopad函数自动计算填充。g：组数（groups），默认为1。分组卷积可以减少参数数量。d：膨胀系数（dilation），默认为1。act：激活函数，默认为SiLU（也称为Swish）。如果act为True，使用默认的激活函数；如果为False，则不使用激活函数（即使用nn.Identity()）。
-
构造卷积层：
- 使用
nn.Conv2d创建二维卷积层。其参数包括输入通道数、输出通道数、卷积核大小、步长、自动计算的填充、分组和膨胀系数。 - 添加批归一化层
nn.BatchNorm2d，用于稳定训练过程并加速收敛。 - 根据
act参数选择激活函数。
- 使用
-
前向传播方法 (
forward):- 在前向传播时，输入张量
x首先通过卷积层，然后通过批归一化层，最后通过激活函数。 - 这是卷积神经网络中常见的“卷积-归一化-激活”模式。
- 在前向传播时，输入张量
-
融合前向传播方法 (
forward_fuse):- 这是一个特殊的前向传播方法，用于模型加速时的层融合。
- 在这种情况下，批归一化参数通常直接融合到卷积层中，因此不再单独应用批归一化。
class DWConv(Conv):
# Depth-wise convolution
def __init__(self, c1, c2, k=1, s=1, d=1, act=True): # ch_in, ch_out, kernel, stride, dilation, activation
super().__init__(c1, c2, k, s, g=math.gcd(c1, c2), d=d, act=act)
class DWConvTranspose2d(nn.ConvTranspose2d):
# Depth-wise transpose convolution
def __init__(self, c1, c2, k=1, s=1, p1=0, p2=0): # ch_in, ch_out, kernel, stride, padding, padding_out
super().__init__(c1, c2, k, s, p1, p2, groups=math.gcd(c1, c2))-
DWConv类：- 是
Conv类的子类，专门用于实现深度可分离卷积。 __init__方法中的参数与Conv类似，但在创建Conv对象时，它将groups参数设置为c1和c2的最大公约数（math.gcd(c1, c2)）。这样做使得卷积在每个输入通道上独立进行，实现深度可分离的效果。- 其他参数如卷积核大小
k、步长s、膨胀系数d和激活函数act与标准卷积一致。
- 是
-
DWConvTranspose2d类：- 这个类继承自PyTorch的
nn.ConvTranspose2d，用于实现深度可分离的转置卷积。 - 转置卷积通常用于上采样操作，例如在生成对抗网络（GANs）或自动编码器中。
- 构造函数的参数包括输入和输出通道数
c1、c2，卷积核大小k，步长s，输入和输出的填充p1和p2。 - 与
DWConv一样，它通过设置groups参数为c1和c2的最大公约数来实现深度可分离效果。
- 这个类继承自PyTorch的
class TransformerLayer(nn.Module):
# Transformer layer https://arxiv.org/abs/2010.11929 (LayerNorm layers removed for better performance)
def __init__(self, c, num_heads):
super().__init__()
self.q = nn.Linear(c, c, bias=False)
self.k = nn.Linear(c, c, bias=False)
self.v = nn.Linear(c, c, bias=False)
self.ma = nn.MultiheadAttention(embed_dim=c, num_heads=num_heads)
self.fc1 = nn.Linear(c, c, bias=False)
self.fc2 = nn.Linear(c, c, bias=False)
def forward(self, x):
x = self.ma(self.q(x), self.k(x), self.v(x))[0] + x
x = self.fc2(self.fc1(x)) + x
return x这个 TransformerLayer 类是一个实现了 Transformer 架构中的标准层的 PyTorch 模块。
-
初始化方法 (
__init__):c：特征的维度。这个参数决定了查询（Q）、键（K）和值（V）的线性变换的维度。num_heads：多头注意力的头数。在多头注意力机制中，输入会被分成多个头，每个头独立进行注意力运算，提高了模型对不同位置信息的捕获能力。- 定义了三个线性层（
self.q、self.k、self.v）用于生成查询（Q）、键（K）和值（V）。 - 创建一个
nn.MultiheadAttention层，用于执行多头注意力运算。
-
前向传播 (
forward):- 输入
x通过查询（Q）、键（K）和值（V）的线性变换。 - 应用多头注意力机制。
nn.MultiheadAttention输出一个元组，其中第一个元素是注意力操作的输出，第二个元素是注意力权重（在这里未使用）。 - 将多头注意力的输出与原始输入
x相加，实现残差连接。残差连接有助于缓解梯度消失问题，提高深层网络的训练效率。 - 进一步通过两个全连接层（
self.fc1和self.fc2）传递结果，并再次应用残差连接。
- 输入
-
注意事项：
这个实现中没有使用层归一化（LayerNorm），通常 Transformer 层中会包含层归一化以稳定训练过程并加速收敛。根据注释，这里为了更好的性能移除了层归一化，这可能是基于特定应用场景的决定。
class TransformerBlock(nn.Module):
# Vision Transformer https://arxiv.org/abs/2010.11929
def __init__(self, c1, c2, num_heads, num_layers):
super().__init__()
self.conv = None
if c1 != c2:
self.conv = Conv(c1, c2)
self.linear = nn.Linear(c2, c2) # learnable position embedding
self.tr = nn.Sequential(*(TransformerLayer(c2, num_heads) for _ in range(num_layers)))
self.c2 = c2
def forward(self, x):
if self.conv is not None:
x = self.conv(x)
b, _, w, h = x.shape
p = x.flatten(2).permute(2, 0, 1)
return self.tr(p + self.linear(p)).permute(1, 2, 0).reshape(b, self.c2, w, h)
这个 TransformerBlock 类是一个用于图像处理的 Transformer 模块，通常被称为 Vision Transformer (ViT)。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。如果c1不等于c2，则会应用一个卷积层 (Conv)，以使输入和输出通道数匹配。num_heads：多头注意力的头数。用于TransformerLayer的初始化。num_layers：Transformer 层的数量。用于创建num_layers个TransformerLayer的序列。
-
前向传播 (
forward):- 如果
c1不等于c2，会应用一个卷积层来进行通道数的匹配。这个卷积层由Conv类定义。 - 计算输入的宽度（
w）和高度（h），并将图像展平为一个序列，以便输入到 Transformer 中。这一步通常被称为位置嵌入 (Position Embedding)。 - 通过一个线性层 (
self.linear) 学习位置嵌入，将位置信息融入输入序列。 - 通过堆叠
num_layers个TransformerLayer来处理输入序列。每个TransformerLayer会应用多头注意力和残差连接来处理序列数据。 - 最后，将处理后的序列重塑回原来的图像形状，并返回结果。
- 如果
class Bottleneck(nn.Module):
# Standard bottleneck
def __init__(self, c1, c2, shortcut=True, g=1, e=0.5): # ch_in, ch_out, shortcut, groups, expansion
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c_, c2, 3, 1, g=g)
self.add = shortcut and c1 == c2
def forward(self, x):
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))这个 Bottleneck 类定义了一个标准的瓶颈块，通常用于深度卷积神经网络（CNNs）中。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定瓶颈块中隐藏通道的数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 使用一个 1x1 的卷积层 (
self.cv1) 对输入进行降维，将输入通道数从c1减少到c_，其中c_是输出通道数的扩展部分。 - 使用一个 3x3 的卷积层 (
self.cv2) 对降维后的特征进行卷积操作。这一步通常会增加非线性特征。 shortcut为True且输入通道数等于输出通道数（c1等于c2），则将输入与经过self.cv2和self.cv1的处理结果相加，形成一个快捷连接（残差连接）。否则，只返回self.cv2(self.cv1(x))的结果。
- 使用一个 1x1 的卷积层 (
class BottleneckCSP(nn.Module):
# CSP Bottleneck https://github.com/WongKinYiu/CrossStagePartialNetworks
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False)
self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False)
self.cv4 = Conv(2 * c_, c2, 1, 1)
self.bn = nn.BatchNorm2d(2 * c_) # applied to cat(cv2, cv3)
self.act = nn.SiLU()
self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))
def forward(self, x):
y1 = self.cv3(self.m(self.cv1(x)))
y2 = self.cv2(x)
return self.cv4(self.act(self.bn(torch.cat((y1, y2), 1))))这个 BottleneckCSP 类代表了 CSP Bottleneck 结构。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：表示要在内部重复多少次Bottleneck块。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定瓶颈块中隐藏通道的数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 使用一个 1x1 的卷积层 (
self.cv1) 对输入进行降维，将输入通道数从c1减少到c_，其中c_是输出通道数的扩展部分。 - 使用一个 1x1 的卷积层 (
self.cv2) 对输入进行降维，将输入通道数从c1减少到c_。 - 使用一个 1x1 的卷积层 (
self.cv3) 对经过self.cv1处理后的特征进行降维，将通道数从c_减少到c_。 - 将经过
self.cv3和self.cv2处理后的特征连接起来，并通过一个批量归一化层 (self.bn) 和激活函数进行处理。 - 将连接后的特征传递给一个序列模块 (
self.m)，其中包含多个Bottleneck块的重复。这些块会进一步处理特征。 - 将处理后的特征通过一个 1x1 的卷积层 (
self.cv4) 进行升维，将通道数从2 * c_增加到c2，并返回结果。
- 使用一个 1x1 的卷积层 (
class CrossConv(nn.Module):
# Cross Convolution Downsample
def __init__(self, c1, c2, k=3, s=1, g=1, e=1.0, shortcut=False):
# ch_in, ch_out, kernel, stride, groups, expansion, shortcut
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, (1, k), (1, s))
self.cv2 = Conv(c_, c2, (k, 1), (s, 1), g=g)
self.add = shortcut and c1 == c2
def forward(self, x):
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
这个 CrossConv 类代表了交叉卷积下采样模块。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。k：卷积核的大小，是一个元组，包括水平和垂直方向的大小。s：卷积的步幅，也是一个元组，包括水平和垂直方向的步幅。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。
-
前向传播 (
forward):- 使用一个 1xk 的卷积层 (
self.cv1) 对输入进行卷积操作，其中k是在水平方向上执行卷积的大小。 - 使用一个 kx1 的卷积层 (
self.cv2) 对经过self.cv1处理后的特征进行卷积操作，其中k是在垂直方向上执行卷积的大小。 - 如果
shortcut为True并且输入通道数等于输出通道数，则将原始输入与卷积后的结果相加，以添加快捷连接。 - 返回卷积后的结果。
- 使用一个 1xk 的卷积层 (
class C2(nn.Module):
# CSP Bottleneck with 3 convolutions
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 * c_, c2, 1) # optional act=FReLU(c2)
self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))
def forward(self, x):
return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))C2 类代表了一个包含3个卷积操作的CSP（Cross Stage Partial） Bottleneck 模块。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：要重复的Bottleneck块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 首先，使用一个 1x1 的卷积层 (
self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 同时，使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 接下来，将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 将拼接后的特征图传递给一个序列 (
self.m)，该序列包含多个Bottleneck块，这些块用于进一步处理特征。 - 最后，将
self.m(self.cv1(x))和self.cv2(x)的结果再次拼接，然后通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 首先，使用一个 1x1 的卷积层 (
class C3(nn.Module):
# CSP Bottleneck with 3 convolutions
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 * c_, c2, 1) # optional act=FReLU(c2)
self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))
def forward(self, x):
return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))
C3 类与 C2 类非常相似，它也代表了一个包含3个卷积操作的CSP（Cross Stage Partial） Bottleneck 模块。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：要重复的Bottleneck块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 使用一个 1x1 的卷积层 (
self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 将拼接后的特征图传递给一个序列 (
self.m)，该序列包含多个Bottleneck块，这些块用于进一步处理特征。 - 将
self.m(self.cv1(x))和self.cv2(x)的结果再次拼接，然后通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 使用一个 1x1 的卷积层 (
class C3x(C3):
# C3 module with cross-convolutions
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e)
self.m = nn.Sequential(*(CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)))
C3x 类是基于 C3 类的扩展版本，它包含了交叉卷积 (Cross Convolution) 操作。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：要重复的C3块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 与
C3类类似，首先，使用一个 1x1 的卷积层 (self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 不同之处在于，
C3x类将self.m定义为一个序列，其中包含多个CrossConv块，而不是Bottleneck块。每个CrossConv块包括了交叉卷积操作，以增强特征的表示能力。 - 将
self.m中所有块的结果进行拼接，然后通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 与
class C3TR(C3):
# C3 module with TransformerBlock()
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e)
self.m = TransformerBlock(c_, c_, 4, n)
C3TR 类是基于 C3 类的扩展版本，它包含了 TransformerBlock 操作。以下是该类的详细解释：
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：要重复的C3块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 与
C3类类似，C3T使用一个 1x1 的卷积层 (self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 不同之处在于，
C3TR类将self.m定义为一个TransformerBlock，并指定了num_layers参数为 4。这意味着在self.m中会有 4 个 Transformer 层堆叠在一起，用于对特征进行自注意力操作。 - 将
self.m的结果通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 与
class C3SPP(C3):
# C3 module with SPP()
def __init__(self, c1, c2, k=(5, 9, 13), n=1, shortcut=True, g=1, e=0.5):
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e)
self.m = SPP(c_, c_, k)
C3SPP 类是基于 C3 类的扩展版本，它包含了 SPP（Spatial Pyramid Pooling）操作。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。k：SPP 池化层的池化核大小，是一个包含池化核尺寸的元组或列表。例如，k=(5, 9, 13)表示使用三个不同尺寸的池化核进行 SPP。n：要重复的C3块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 与
C3类类似，C3SPP使用一个 1x1 的卷积层 (self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 同时，使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 不同之处在于，
C3SPP类将self.m定义为一个SPP层，并指定了k参数，以便进行 Spatial Pyramid Pooling 操作。这将在不同尺寸的池化核下对特征图进行池化，以捕获不同尺度的信息。 - 将
self.m的结果通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 与
class C3Ghost(C3):
# C3 module with GhostBottleneck()
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e) # hidden channels
self.m = nn.Sequential(*(GhostBottleneck(c_, c_) for _ in range(n)))
C3Ghost 类是基于 C3 类的扩展版本，它包含了 GhostBottleneck 操作。
-
初始化方法 (
__init__):c1和c2：输入和输出通道数。n：要重复的C3块的数量。shortcut：一个布尔值，表示是否使用快捷连接（残差连接）。如果为True，则会添加一个快捷连接，用于跳过某些层，以便保留原始输入信息。g：分组卷积的组数。默认为 1，表示标准卷积。分组卷积将输入通道分成几个组，并在每个组内执行卷积操作。e：扩展因子，用于确定卷积中的隐藏通道数量。通常是输出通道数的一部分。
-
前向传播 (
forward):- 与
C3类类似，C3Ghost使用一个 1x1 的卷积层 (self.cv1) 对输入进行卷积操作，将通道数从c1缩减到c_（c2的一半）。 - 使用另一个 1x1 的卷积层 (
self.cv2) 对输入进行卷积操作，也将通道数从c1缩减到c_（c2的一半）。 - 将
self.cv1(x)和self.cv2(x)的结果进行拼接，得到一个具有2 * c_个通道的特征图。 - 不同之处在于，
C3Ghost类将self.m定义为一个GhostBottleneck层，并使用nn.Sequential将多个GhostBottleneck堆叠在一起。每个GhostBottleneck层都有自己的一系列卷积操作，其中包括主要的卷积操作和影子卷积操作。 - 将
self.m的结果通过一个 1x1 的卷积层 (self.cv3) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 与
class SPP(nn.Module):
# Spatial Pyramid Pooling (SPP) layer https://arxiv.org/abs/1406.4729
def __init__(self, c1, c2, k=(5, 9, 13)):
super().__init__()
c_ = c1 // 2 # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c_ * (len(k) + 1), c2, 1, 1)
self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])
def forward(self, x):
x = self.cv1(x)
with warnings.catch_warnings():
warnings.simplefilter('ignore') # suppress torch 1.9.0 max_pool2d() warning
return self.cv2(torch.cat([x] + [m(x) for m in self.m], 1))
class SPPF(nn.Module):
# Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
def __init__(self, c1, c2, k=5): # equivalent to SPP(k=(5, 9, 13))
super().__init__()
c_ = c1 // 2 # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c_ * 4, c2, 1, 1)
self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)
def forward(self, x):
x = self.cv1(x)
with warnings.catch_warnings():
warnings.simplefilter('ignore') # suppress torch 1.9.0 max_pool2d() warning
y1 = self.m(x)
y2 = self.m(y1)
return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))
SPP 和 SPPF 类都是与空间金字塔池化（Spatial Pyramid Pooling, SPP）相关的层，用于提取输入特征的不同尺度的信息。以下是这两个类的详细解释：
SPP (Spatial Pyramid Pooling) 层：
- 初始化方法 (
__init__):c1和c2：输入和输出通道数。k：一个元组，包含不同大小的池化核的大小。默认为(5, 9, 13)，这意味着将使用3种不同大小的池化核进行池化操作。
- 前向传播 (
forward):- 使用一个 1x1 的卷积层 (
self.cv1) 对输入进行卷积操作，将通道数减半，得到c_个通道。 - 通过多个最大池化层 (
nn.MaxPool2d) 对输入进行不同尺度的池化操作。池化核的大小由k参数确定。 - 将池化后的结果拼接在一起，并使用一个 1x1 的卷积层 (
self.cv2) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 使用一个 1x1 的卷积层 (
SPPF (Spatial Pyramid Pooling - Fast) 层：
- 初始化方法 (
__init__):c1和c2：输入和输出通道数。k：一个整数，表示使用的池化核的大小。默认为5，这意味着将使用一个大小为5x5的池化核。SPPF是SPP的快速版本，等效于SPP中k=(5, 9, 13)的情况。
- 前向传播 (
forward):- 与
SPP类似，首先使用一个 1x1 的卷积层 (self.cv1) 对输入进行卷积操作，将通道数减半，得到c_个通道。 - 然后使用一个
kxk大小的最大池化层 (nn.MaxPool2d) 对输入进行池化操作。 - 最后将池化后的结果拼接在一起，并使用一个 1x1 的卷积层 (
self.cv2) 进行卷积操作，将通道数调整为c2，并返回卷积后的结果。
- 与
class Focus(nn.Module):
# Focus wh information into c-space
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups
super().__init__()
self.conv = Conv(c1 * 4, c2, k, s, p, g, act=act)
# self.contract = Contract(gain=2)
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
return self.conv(torch.cat((x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]), 1))
# return self.conv(self.contract(x))Focus 类是一个用于将输入的 wh 信息（宽度和高度信息）聚合到通道维度 c-space 的模块。
- 初始化方法 (
__init__):c1和c2：输入和输出通道数。k：卷积核的大小，默认为1。s：卷积的步幅，默认为1。p：卷积的填充大小，默认为None，表示自动填充。g：卷积的分组数，默认为1。act：是否使用激活函数，默认为True，表示使用激活函数。
- 前向传播 (
forward):- 输入
x的形状为(b, c, w, h)，其中b是批次大小，c是通道数，w是宽度，h是高度。 Focus模块首先将输入x沿通道维度进行分割成4个子张量，然后将这4个子张量按特定规则合并成一个张量。具体来说，它将输入张量x分为四个子张量：- 第一个子张量：包含原始张量中所有的偶数行和偶数列的元素。
- 第二个子张量：包含原始张量中所有的奇数行和偶数列的元素。
- 第三个子张量：包含原始张量中所有的偶数行和奇数列的元素。
- 第四个子张量：包含原始张量中所有的奇数行和奇数列的元素。
- 然后，这四个子张量被按通道维度拼接在一起，形成一个具有四倍通道数的张量。
- 最后，这个拼接后的张量被送入卷积层
self.conv进行卷积操作，将wh信息聚合到通道维度，得到输出。
- 输入
class GhostConv(nn.Module):
# Ghost Convolution https://github.com/huawei-noah/ghostnet
def __init__(self, c1, c2, k=1, s=1, g=1, act=True): # ch_in, ch_out, kernel, stride, groups
super().__init__()
c_ = c2 // 2 # hidden channels
self.cv1 = Conv(c1, c_, k, s, None, g, act=act)
self.cv2 = Conv(c_, c_, 5, 1, None, c_, act=act)
def forward(self, x):
y = self.cv1(x)
return torch.cat((y, self.cv2(y)), 1)
class GhostBottleneck(nn.Module):
# Ghost Bottleneck https://github.com/huawei-noah/ghostnet
def __init__(self, c1, c2, k=3, s=1): # ch_in, ch_out, kernel, stride
super().__init__()
c_ = c2 // 2
self.conv = nn.Sequential(
GhostConv(c1, c_, 1, 1), # pw
DWConv(c_, c_, k, s, act=False) if s == 2 else nn.Identity(), # dw
GhostConv(c_, c2, 1, 1, act=False)) # pw-linear
self.shortcut = nn.Sequential(DWConv(c1, c1, k, s, act=False), Conv(c1, c2, 1, 1,
act=False)) if s == 2 else nn.Identity()
def forward(self, x):
return self.conv(x) + self.shortcut(x)
GhostConv 和 GhostBottleneck 类实现了幽灵卷积（Ghost Convolution）和幽灵瓶颈（Ghost Bottleneck）的概念，这些技术用于减少卷积的计算成本，同时保持模型性能。这些技术是在 GhostNet 架构中引入的。
以下是对每个类的说明：
GhostConv（幽灵卷积）：
GhostConv是一个卷积层，由两个部分组成。- 第一部分（
self.cv1）是一个标准卷积层，它将输入通道数（c1）减少到一半（c_），如果act=True，则应用激活函数。 - 第二部分（
self.cv2）是一个深度卷积层，卷积核大小为 5x5，进一步处理减少通道数的特征。如果act=True，则也应用激活函数。 - 两部分的输出沿着通道维度进行连接，然后返回。
GhostBottleneck（幽灵瓶颈）：
GhostBottleneck是卷积神经网络中常用的瓶颈块。- 它由两个主要组件组成：卷积部分（
self.conv）和快捷连接（self.shortcut）。 - 卷积部分使用
GhostConv层进行第一次卷积（pw- 点卷积），然后如果步幅s为 2（以降低空间维度），则进行深度卷积（dw）。最后，再次应用GhostConv层进行第二次点卷积（pw-linear）。 - 快捷连接如果步幅
s为 2，则应用深度卷积，然后是标准卷积，以调整快捷连接的维度，以使其与主要卷积部分的维度匹配。 - 该块的输出是卷积部分和快捷连接的输出之和。
class Contract(nn.Module):
# Contract width-height into channels, i.e. x(1,64,80,80) to x(1,256,40,40)
def __init__(self, gain=2):
super().__init__()
self.gain = gain
def forward(self, x):
b, c, h, w = x.size() # assert (h / s == 0) and (W / s == 0), 'Indivisible gain'
s = self.gain
x = x.view(b, c, h // s, s, w // s, s) # x(1,64,40,2,40,2)
x = x.permute(0, 3, 5, 1, 2, 4).contiguous() # x(1,2,2,64,40,40)
return x.view(b, c * s * s, h // s, w // s) # x(1,256,40,40)
class Expand(nn.Module):
# Expand channels into width-height, i.e. x(1,64,80,80) to x(1,16,160,160)
def __init__(self, gain=2):
super().__init__()
self.gain = gain
def forward(self, x):
b, c, h, w = x.size() # assert C / s ** 2 == 0, 'Indivisible gain'
s = self.gain
x = x.view(b, s, s, c // s ** 2, h, w) # x(1,2,2,16,80,80)
x = x.permute(0, 3, 4, 1, 5, 2).contiguous() # x(1,16,80,2,80,2)
return x.view(b, c // s ** 2, h * s, w * s) # x(1,16,160,160)
class Concat(nn.Module):
# Concatenate a list of tensors along dimension
def __init__(self, dimension=1):
super().__init__()
self.d = dimension
def forward(self, x):
return torch.cat(x, self.d)Contract 模块
Contract模块的作用是将输入张量的宽度和高度合并成通道数。例如，将输入张量从维度(1, 64, 80, 80)转换为维度(1, 256, 40, 40)。gain参数用于控制合并的倍数，默认值为 2。- 在前向传播中，该模块首先计算输入张量的大小，并检查是否可以被
gain整除。 - 之后，它将宽度和高度按照
gain倍数进行合并，然后重新排列维度。 - 最后，输出合并后的张量。
Expand 模块
Expand模块的作用与Contract模块相反，它将通道数扩展为宽度和高度。例如，将输入张量从维度(1, 64, 80, 80)转换为维度(1, 16, 160, 160)。- 同样，
gain参数用于控制扩展的倍数，默认值为 2。 - 在前向传播中，该模块计算输入张量的大小，并检查是否可以被
gain整除。 - 之后，它将通道数按照
gain倍数进行扩展，然后重新排列维度。 - 最后，输出扩展后的张量。
Concat 模块
Concat模块用于将一组张量沿着指定维度进行拼接。dimension参数指定了要拼接的维度，默认为 1。- 在前向传播中，该模块接收一组张量作为输入，并将它们沿着指定的维度进行拼接。
- 输出是拼接后的张量。
class DetectMultiBackend(nn.Module):
# YOLOv5 MultiBackend class for python inference on various backends
def __init__(self, weights='yolov5s.pt', device=torch.device('cpu'), dnn=False, data=None, fp16=False, fuse=True):
# Usage:
# PyTorch: weights = *.pt
# TorchScript: *.torchscript
# ONNX Runtime: *.onnx
# ONNX OpenCV DNN: *.onnx --dnn
# OpenVINO: *_openvino_model
# CoreML: *.mlmodel
# TensorRT: *.engine
# TensorFlow SavedModel: *_saved_model
# TensorFlow GraphDef: *.pb
# TensorFlow Lite: *.tflite
# TensorFlow Edge TPU: *_edgetpu.tflite
# PaddlePaddle: *_paddle_model
from models.experimental import attempt_download, attempt_load # scoped to avoid circular import
super().__init__()
w = str(weights[0] if isinstance(weights, list) else weights)
pt, jit, onnx, xml, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle, triton = self._model_type(w)
fp16 &= pt or jit or onnx or engine or triton # FP16
nhwc = coreml or saved_model or pb or tflite or edgetpu # BHWC formats (vs torch BCWH)
stride = 32 # default stride
cuda = torch.cuda.is_available() and device.type != 'cpu' # use CUDA
if not (pt or triton):
w = attempt_download(w) # download if not local
if pt: # PyTorch
model = attempt_load(weights if isinstance(weights, list) else w, device=device, inplace=True, fuse=fuse)
stride = max(int(model.stride.max()), 32) # model stride
names = model.module.names if hasattr(model, 'module') else model.names # get class names
model.half() if fp16 else model.float()
self.model = model # explicitly assign for to(), cpu(), cuda(), half()
elif jit: # TorchScript
LOGGER.info(f'Loading {w} for TorchScript inference...')
extra_files = {'config.txt': ''} # model metadata
model = torch.jit.load(w, _extra_files=extra_files, map_location=device)
model.half() if fp16 else model.float()
if extra_files['config.txt']: # load metadata dict
d = json.loads(extra_files['config.txt'],
object_hook=lambda d: {
int(k) if k.isdigit() else k: v
for k, v in d.items()})
stride, names = int(d['stride']), d['names']
elif dnn: # ONNX OpenCV DNN
LOGGER.info(f'Loading {w} for ONNX OpenCV DNN inference...')
check_requirements('opencv-python>=4.5.4')
net = cv2.dnn.readNetFromONNX(w)
elif onnx: # ONNX Runtime
LOGGER.info(f'Loading {w} for ONNX Runtime inference...')
check_requirements(('onnx', 'onnxruntime-gpu' if cuda else 'onnxruntime'))
import onnxruntime
providers = ['CUDAExecutionProvider', 'CPUExecutionProvider'] if cuda else ['CPUExecutionProvider']
session = onnxruntime.InferenceSession(w, providers=providers)
output_names = [x.name for x in session.get_outputs()]
meta = session.get_modelmeta().custom_metadata_map # metadata
if 'stride' in meta:
stride, names = int(meta['stride']), eval(meta['names'])
elif xml: # OpenVINO
LOGGER.info(f'Loading {w} for OpenVINO inference...')
check_requirements('openvino>=2023.0') # requires openvino-dev: https://pypi.org/project/openvino-dev/
from openvino.runtime import Core, Layout, get_batch
core = Core()
if not Path(w).is_file(): # if not *.xml
w = next(Path(w).glob('*.xml')) # get *.xml file from *_openvino_model dir
ov_model = core.read_model(model=w, weights=Path(w).with_suffix('.bin'))
if ov_model.get_parameters()[0].get_layout().empty:
ov_model.get_parameters()[0].set_layout(Layout('NCHW'))
batch_dim = get_batch(ov_model)
if batch_dim.is_static:
batch_size = batch_dim.get_length()
ov_compiled_model = core.compile_model(ov_model, device_name='AUTO') # AUTO selects best available device
stride, names = self._load_metadata(Path(w).with_suffix('.yaml')) # load metadata
elif engine: # TensorRT
LOGGER.info(f'Loading {w} for TensorRT inference...')
import tensorrt as trt # https://developer.nvidia.com/nvidia-tensorrt-download
check_version(trt.__version__, '7.0.0', hard=True) # require tensorrt>=7.0.0
if device.type == 'cpu':
device = torch.device('cuda:0')
Binding = namedtuple('Binding', ('name', 'dtype', 'shape', 'data', 'ptr'))
logger = trt.Logger(trt.Logger.INFO)
with open(w, 'rb') as f, trt.Runtime(logger) as runtime:
model = runtime.deserialize_cuda_engine(f.read())
context = model.create_execution_context()
bindings = OrderedDict()
output_names = []
fp16 = False # default updated below
dynamic = False
for i in range(model.num_bindings):
name = model.get_binding_name(i)
dtype = trt.nptype(model.get_binding_dtype(i))
if model.binding_is_input(i):
if -1 in tuple(model.get_binding_shape(i)): # dynamic
dynamic = True
context.set_binding_shape(i, tuple(model.get_profile_shape(0, i)[2]))
if dtype == np.float16:
fp16 = True
else: # output
output_names.append(name)
shape = tuple(context.get_binding_shape(i))
im = torch.from_numpy(np.empty(shape, dtype=dtype)).to(device)
bindings[name] = Binding(name, dtype, shape, im, int(im.data_ptr()))
binding_addrs = OrderedDict((n, d.ptr) for n, d in bindings.items())
batch_size = bindings['images'].shape[0] # if dynamic, this is instead max batch size
elif coreml: # CoreML
LOGGER.info(f'Loading {w} for CoreML inference...')
import coremltools as ct
model = ct.models.MLModel(w)
elif saved_model: # TF SavedModel
LOGGER.info(f'Loading {w} for TensorFlow SavedModel inference...')
import tensorflow as tf
keras = False # assume TF1 saved_model
model = tf.keras.models.load_model(w) if keras else tf.saved_model.load(w)
elif pb: # GraphDef https://www.tensorflow.org/guide/migrate#a_graphpb_or_graphpbtxt
LOGGER.info(f'Loading {w} for TensorFlow GraphDef inference...')
import tensorflow as tf
def wrap_frozen_graph(gd, inputs, outputs):
x = tf.compat.v1.wrap_function(lambda: tf.compat.v1.import_graph_def(gd, name=''), []) # wrapped
ge = x.graph.as_graph_element
return x.prune(tf.nest.map_structure(ge, inputs), tf.nest.map_structure(ge, outputs))
def gd_outputs(gd):
name_list, input_list = [], []
for node in gd.node: # tensorflow.core.framework.node_def_pb2.NodeDef
name_list.append(node.name)
input_list.extend(node.input)
return sorted(f'{x}:0' for x in list(set(name_list) - set(input_list)) if not x.startswith('NoOp'))
gd = tf.Graph().as_graph_def() # TF GraphDef
with open(w, 'rb') as f:
gd.ParseFromString(f.read())
frozen_func = wrap_frozen_graph(gd, inputs='x:0', outputs=gd_outputs(gd))
elif tflite or edgetpu: # https://www.tensorflow.org/lite/guide/python#install_tensorflow_lite_for_python
try: # https://coral.ai/docs/edgetpu/tflite-python/#update-existing-tf-lite-code-for-the-edge-tpu
from tflite_runtime.interpreter import Interpreter, load_delegate
except ImportError:
import tensorflow as tf
Interpreter, load_delegate = tf.lite.Interpreter, tf.lite.experimental.load_delegate,
if edgetpu: # TF Edge TPU https://coral.ai/software/#edgetpu-runtime
LOGGER.info(f'Loading {w} for TensorFlow Lite Edge TPU inference...')
delegate = {
'Linux': 'libedgetpu.so.1',
'Darwin': 'libedgetpu.1.dylib',
'Windows': 'edgetpu.dll'}[platform.system()]
interpreter = Interpreter(model_path=w, experimental_delegates=[load_delegate(delegate)])
else: # TFLite
LOGGER.info(f'Loading {w} for TensorFlow Lite inference...')
interpreter = Interpreter(model_path=w) # load TFLite model
interpreter.allocate_tensors() # allocate
input_details = interpreter.get_input_details() # inputs
output_details = interpreter.get_output_details() # outputs
# load metadata
with contextlib.suppress(zipfile.BadZipFile):
with zipfile.ZipFile(w, 'r') as model:
meta_file = model.namelist()[0]
meta = ast.literal_eval(model.read(meta_file).decode('utf-8'))
stride, names = int(meta['stride']), meta['names']
elif tfjs: # TF.js
raise NotImplementedError('ERROR: YOLOv5 TF.js inference is not supported')
elif paddle: # PaddlePaddle
LOGGER.info(f'Loading {w} for PaddlePaddle inference...')
check_requirements('paddlepaddle-gpu' if cuda else 'paddlepaddle')
import paddle.inference as pdi
if not Path(w).is_file(): # if not *.pdmodel
w = next(Path(w).rglob('*.pdmodel')) # get *.pdmodel file from *_paddle_model dir
weights = Path(w).with_suffix('.pdiparams')
config = pdi.Config(str(w), str(weights))
if cuda:
config.enable_use_gpu(memory_pool_init_size_mb=2048, device_id=0)
predictor = pdi.create_predictor(config)
input_handle = predictor.get_input_handle(predictor.get_input_names()[0])
output_names = predictor.get_output_names()
elif triton: # NVIDIA Triton Inference Server
LOGGER.info(f'Using {w} as Triton Inference Server...')
check_requirements('tritonclient[all]')
from utils.triton import TritonRemoteModel
model = TritonRemoteModel(url=w)
nhwc = model.runtime.startswith('tensorflow')
else:
raise NotImplementedError(f'ERROR: {w} is not a supported format')
# class names
if 'names' not in locals():
names = yaml_load(data)['names'] if data else {i: f'class{i}' for i in range(999)}
if names[0] == 'n01440764' and len(names) == 1000: # ImageNet
names = yaml_load(ROOT / 'data/ImageNet.yaml')['names'] # human-readable names
self.__dict__.update(locals()) # assign all variables to self
def forward(self, im, augment=False, visualize=False):
# YOLOv5 MultiBackend inference
b, ch, h, w = im.shape # batch, channel, height, width
if self.fp16 and im.dtype != torch.float16:
im = im.half() # to FP16
if self.nhwc:
im = im.permute(0, 2, 3, 1) # torch BCHW to numpy BHWC shape(1,320,192,3)
if self.pt: # PyTorch
y = self.model(im, augment=augment, visualize=visualize) if augment or visualize else self.model(im)
elif self.jit: # TorchScript
y = self.model(im)
elif self.dnn: # ONNX OpenCV DNN
im = im.cpu().numpy() # torch to numpy
self.net.setInput(im)
y = self.net.forward()
elif self.onnx: # ONNX Runtime
im = im.cpu().numpy() # torch to numpy
y = self.session.run(self.output_names, {self.session.get_inputs()[0].name: im})
elif self.xml: # OpenVINO
im = im.cpu().numpy() # FP32
y = list(self.ov_compiled_model(im).values())
elif self.engine: # TensorRT
if self.dynamic and im.shape != self.bindings['images'].shape:
i = self.model.get_binding_index('images')
self.context.set_binding_shape(i, im.shape) # reshape if dynamic
self.bindings['images'] = self.bindings['images']._replace(shape=im.shape)
for name in self.output_names:
i = self.model.get_binding_index(name)
self.bindings[name].data.resize_(tuple(self.context.get_binding_shape(i)))
s = self.bindings['images'].shape
assert im.shape == s, f"input size {im.shape} {'>' if self.dynamic else 'not equal to'} max model size {s}"
self.binding_addrs['images'] = int(im.data_ptr())
self.context.execute_v2(list(self.binding_addrs.values()))
y = [self.bindings[x].data for x in sorted(self.output_names)]
elif self.coreml: # CoreML
im = im.cpu().numpy()
im = Image.fromarray((im[0] * 255).astype('uint8'))
# im = im.resize((192, 320), Image.BILINEAR)
y = self.model.predict({'image': im}) # coordinates are xywh normalized
if 'confidence' in y:
box = xywh2xyxy(y['coordinates'] * [[w, h, w, h]]) # xyxy pixels
conf, cls = y['confidence'].max(1), y['confidence'].argmax(1).astype(np.float)
y = np.concatenate((box, conf.reshape(-1, 1), cls.reshape(-1, 1)), 1)
else:
y = list(reversed(y.values())) # reversed for segmentation models (pred, proto)
elif self.paddle: # PaddlePaddle
im = im.cpu().numpy().astype(np.float32)
self.input_handle.copy_from_cpu(im)
self.predictor.run()
y = [self.predictor.get_output_handle(x).copy_to_cpu() for x in self.output_names]
elif self.triton: # NVIDIA Triton Inference Server
y = self.model(im)
else: # TensorFlow (SavedModel, GraphDef, Lite, Edge TPU)
im = im.cpu().numpy()
if self.saved_model: # SavedModel
y = self.model(im, training=False) if self.keras else self.model(im)
elif self.pb: # GraphDef
y = self.frozen_func(x=self.tf.constant(im))
else: # Lite or Edge TPU
input = self.input_details[0]
int8 = input['dtype'] == np.uint8 # is TFLite quantized uint8 model
if int8:
scale, zero_point = input['quantization']
im = (im / scale + zero_point).astype(np.uint8) # de-scale
self.interpreter.set_tensor(input['index'], im)
self.interpreter.invoke()
y = []
for output in self.output_details:
x = self.interpreter.get_tensor(output['index'])
if int8:
scale, zero_point = output['quantization']
x = (x.astype(np.float32) - zero_point) * scale # re-scale
y.append(x)
y = [x if isinstance(x, np.ndarray) else x.numpy() for x in y]
y[0][..., :4] *= [w, h, w, h] # xywh normalized to pixels
if isinstance(y, (list, tuple)):
return self.from_numpy(y[0]) if len(y) == 1 else [self.from_numpy(x) for x in y]
else:
return self.from_numpy(y)
def from_numpy(self, x):
return torch.from_numpy(x).to(self.device) if isinstance(x, np.ndarray) else x
def warmup(self, imgsz=(1, 3, 640, 640)):
# Warmup model by running inference once
warmup_types = self.pt, self.jit, self.onnx, self.engine, self.saved_model, self.pb, self.triton
if any(warmup_types) and (self.device.type != 'cpu' or self.triton):
im = torch.empty(*imgsz, dtype=torch.half if self.fp16 else torch.float, device=self.device) # input
for _ in range(2 if self.jit else 1): #
self.forward(im) # warmup
@staticmethod
def _model_type(p='path/to/model.pt'):
# Return model type from model path, i.e. path='path/to/model.onnx' -> type=onnx
# types = [pt, jit, onnx, xml, engine, coreml, saved_model, pb, tflite, edgetpu, tfjs, paddle]
from export import export_formats
from utils.downloads import is_url
sf = list(export_formats().Suffix) # export suffixes
if not is_url(p, check=False):
check_suffix(p, sf) # checks
url = urlparse(p) # if url may be Triton inference server
types = [s in Path(p).name for s in sf]
types[8] &= not types[9] # tflite &= not edgetpu
triton = not any(types) and all([any(s in url.scheme for s in ['http', 'grpc']), url.netloc])
return types + [triton]
@staticmethod
def _load_metadata(f=Path('path/to/meta.yaml')):
# Load metadata from meta.yaml if it exists
if f.exists():
d = yaml_load(f)
return d['stride'], d['names'] # assign stride, names
return None, None
DetectMultiBackend 模块，用于在不同的后端上执行 YOLOv5 目标检测模型推理。这个模块支持多种推理后端，包括 PyTorch、TorchScript、ONNX Runtime、OpenVINO、TensorRT、CoreML、TensorFlow SavedModel、TensorFlow GraphDef、TensorFlow Lite、TensorFlow Edge TPU、PaddlePaddle 和 NVIDIA Triton Inference Server。以下是主要功能和用法的简要说明：
weights参数用于指定模型权重的路径或名称，可以是不同后端支持的多种格式。例如，PyTorch 模型可以是*.pt文件，ONNX 模型可以是*.onnx文件，以此类推。device参数用于指定模型推理运行的设备，可以是 CPU 或 GPU。dnn参数用于指定是否使用 OpenCV DNN 推理后端。data参数用于指定模型的元数据信息，例如模型的类别名称等。fp16参数用于指定是否使用 FP16 数据类型进行推理。fuse参数用于指定是否在模型中启用融合操作。
class AutoShape(nn.Module):
# YOLOv5 input-robust model wrapper for passing cv2/np/PIL/torch inputs. Includes preprocessing, inference and NMS
conf = 0.25 # NMS confidence threshold
iou = 0.45 # NMS IoU threshold
agnostic = False # NMS class-agnostic
multi_label = False # NMS multiple labels per box
classes = None # (optional list) filter by class, i.e. = [0, 15, 16] for COCO persons, cats and dogs
max_det = 1000 # maximum number of detections per image
amp = False # Automatic Mixed Precision (AMP) inference
def __init__(self, model, verbose=True):
super().__init__()
if verbose:
LOGGER.info('Adding AutoShape... ')
copy_attr(self, model, include=('yaml', 'nc', 'hyp', 'names', 'stride', 'abc'), exclude=()) # copy attributes
self.dmb = isinstance(model, DetectMultiBackend) # DetectMultiBackend() instance
self.pt = not self.dmb or model.pt # PyTorch model
self.model = model.eval()
if self.pt:
m = self.model.model.model[-1] if self.dmb else self.model.model[-1] # Detect()
m.inplace = False # Detect.inplace=False for safe multithread inference
m.export = True # do not output loss values
def _apply(self, fn):
# Apply to(), cpu(), cuda(), half() to model tensors that are not parameters or registered buffers
self = super()._apply(fn)
if self.pt:
m = self.model.model.model[-1] if self.dmb else self.model.model[-1] # Detect()
m.stride = fn(m.stride)
m.grid = list(map(fn, m.grid))
if isinstance(m.anchor_grid, list):
m.anchor_grid = list(map(fn, m.anchor_grid))
return self
@smart_inference_mode()
def forward(self, ims, size=640, augment=False, profile=False):
# Inference from various sources. For size(height=640, width=1280), RGB images example inputs are:
# file: ims = 'data/images/zidane.jpg' # str or PosixPath
# URI: = 'https://ultralytics.com/images/zidane.jpg'
# OpenCV: = cv2.imread('image.jpg')[:,:,::-1] # HWC BGR to RGB x(640,1280,3)
# PIL: = Image.open('image.jpg') or ImageGrab.grab() # HWC x(640,1280,3)
# numpy: = np.zeros((640,1280,3)) # HWC
# torch: = torch.zeros(16,3,320,640) # BCHW (scaled to size=640, 0-1 values)
# multiple: = [Image.open('image1.jpg'), Image.open('image2.jpg'), ...] # list of images
dt = (Profile(), Profile(), Profile())
with dt[0]:
if isinstance(size, int): # expand
size = (size, size)
p = next(self.model.parameters()) if self.pt else torch.empty(1, device=self.model.device) # param
autocast = self.amp and (p.device.type != 'cpu') # Automatic Mixed Precision (AMP) inference
if isinstance(ims, torch.Tensor): # torch
with amp.autocast(autocast):
return self.model(ims.to(p.device).type_as(p), augment=augment) # inference
# Pre-process
n, ims = (len(ims), list(ims)) if isinstance(ims, (list, tuple)) else (1, [ims]) # number, list of images
shape0, shape1, files = [], [], [] # image and inference shapes, filenames
for i, im in enumerate(ims):
f = f'image{i}' # filename
if isinstance(im, (str, Path)): # filename or uri
im, f = Image.open(requests.get(im, stream=True).raw if str(im).startswith('http') else im), im
im = np.asarray(exif_transpose(im))
elif isinstance(im, Image.Image): # PIL Image
im, f = np.asarray(exif_transpose(im)), getattr(im, 'filename', f) or f
files.append(Path(f).with_suffix('.jpg').name)
if im.shape[0] < 5: # image in CHW
im = im.transpose((1, 2, 0)) # reverse dataloader .transpose(2, 0, 1)
im = im[..., :3] if im.ndim == 3 else cv2.cvtColor(im, cv2.COLOR_GRAY2BGR) # enforce 3ch input
s = im.shape[:2] # HWC
shape0.append(s) # image shape
g = max(size) / max(s) # gain
shape1.append([int(y * g) for y in s])
ims[i] = im if im.data.contiguous else np.ascontiguousarray(im) # update
shape1 = [make_divisible(x, self.stride) for x in np.array(shape1).max(0)] # inf shape
x = [letterbox(im, shape1, auto=False)[0] for im in ims] # pad
x = np.ascontiguousarray(np.array(x).transpose((0, 3, 1, 2))) # stack and BHWC to BCHW
x = torch.from_numpy(x).to(p.device).type_as(p) / 255 # uint8 to fp16/32
with amp.autocast(autocast):
# Inference
with dt[1]:
y = self.model(x, augment=augment) # forward
# Post-process
with dt[2]:
y = non_max_suppression(y if self.dmb else y[0],
self.conf,
self.iou,
self.classes,
self.agnostic,
self.multi_label,
max_det=self.max_det) # NMS
for i in range(n):
scale_boxes(shape1, y[i][:, :4], shape0[i])
return Detections(ims, y, files, dt, self.names, x.shape)
AutoShape类，它是YOLOv5模型的一个包装器，用于处理不同类型的输入数据并进行模型推理和后处理。
-
这个类包括了一些配置参数，如NMS（非极大值抑制）的置信度阈值、IoU（交并比）阈值、是否类别无关等。这些参数用于在模型推理后执行NMS以获得最终的检测结果。
-
__init__方法用于初始化AutoShape类的实例。它接受一个模型作为参数，并可以选择是否启用详细输出（verbose）。在初始化过程中，它复制了模型的一些属性，并将模型设为评估模式（eval）。 -
_apply方法用于将函数应用于模型张量，以便在不影响参数或注册缓冲区的情况下应用函数。它还处理了一些模型的属性，如步幅（stride）等。 -
forward方法是模型的前向推理方法。它接受输入数据ims，可以是各种来源的图像数据，包括文件、URI、OpenCV、PIL、numpy数组和torch张量等。该方法首先对输入数据进行预处理，然后使用模型进行推理，最后执行NMS以获得检测结果。
class Detections:
# YOLOv5 detections class for inference results
def __init__(self, ims, pred, files, times=(0, 0, 0), names=None, shape=None):
super().__init__()
d = pred[0].device # device
gn = [torch.tensor([*(im.shape[i] for i in [1, 0, 1, 0]), 1, 1], device=d) for im in ims] # normalizations
self.ims = ims # list of images as numpy arrays
self.pred = pred # list of tensors pred[0] = (xyxy, conf, cls)
self.names = names # class names
self.files = files # image filenames
self.times = times # profiling times
self.xyxy = pred # xyxy pixels
self.xywh = [xyxy2xywh(x) for x in pred] # xywh pixels
self.xyxyn = [x / g for x, g in zip(self.xyxy, gn)] # xyxy normalized
self.xywhn = [x / g for x, g in zip(self.xywh, gn)] # xywh normalized
self.n = len(self.pred) # number of images (batch size)
self.t = tuple(x.t / self.n * 1E3 for x in times) # timestamps (ms)
self.s = tuple(shape) # inference BCHW shape
def _run(self, pprint=False, show=False, save=False, crop=False, render=False, labels=True, save_dir=Path('')):
s, crops = '', []
for i, (im, pred) in enumerate(zip(self.ims, self.pred)):
s += f'\nimage {i + 1}/{len(self.pred)}: {im.shape[0]}x{im.shape[1]} ' # string
if pred.shape[0]:
for c in pred[:, -1].unique():
n = (pred[:, -1] == c).sum() # detections per class
s += f"{n} {self.names[int(c)]}{'s' * (n > 1)}, " # add to string
s = s.rstrip(', ')
if show or save or render or crop:
annotator = Annotator(im, example=str(self.names))
for *box, conf, cls in reversed(pred): # xyxy, confidence, class
label = f'{self.names[int(cls)]} {conf:.2f}'
if crop:
file = save_dir / 'crops' / self.names[int(cls)] / self.files[i] if save else None
crops.append({
'box': box,
'conf': conf,
'cls': cls,
'label': label,
'im': save_one_box(box, im, file=file, save=save)})
else: # all others
annotator.box_label(box, label if labels else '', color=colors(cls))
im = annotator.im
else:
s += '(no detections)'
im = Image.fromarray(im.astype(np.uint8)) if isinstance(im, np.ndarray) else im # from np
if show:
if is_jupyter():
from IPython.display import display
display(im)
else:
im.show(self.files[i])
if save:
f = self.files[i]
im.save(save_dir / f) # save
if i == self.n - 1:
LOGGER.info(f"Saved {self.n} image{'s' * (self.n > 1)} to {colorstr('bold', save_dir)}")
if render:
self.ims[i] = np.asarray(im)
if pprint:
s = s.lstrip('\n')
return f'{s}\nSpeed: %.1fms pre-process, %.1fms inference, %.1fms NMS per image at shape {self.s}' % self.t
if crop:
if save:
LOGGER.info(f'Saved results to {save_dir}\n')
return crops
@TryExcept('Showing images is not supported in this environment')
def show(self, labels=True):
self._run(show=True, labels=labels) # show results
def save(self, labels=True, save_dir='runs/detect/exp', exist_ok=False):
save_dir = increment_path(save_dir, exist_ok, mkdir=True) # increment save_dir
self._run(save=True, labels=labels, save_dir=save_dir) # save results
def crop(self, save=True, save_dir='runs/detect/exp', exist_ok=False):
save_dir = increment_path(save_dir, exist_ok, mkdir=True) if save else None
return self._run(crop=True, save=save, save_dir=save_dir) # crop results
def render(self, labels=True):
self._run(render=True, labels=labels) # render results
return self.ims
def pandas(self):
# return detections as pandas DataFrames, i.e. print(results.pandas().xyxy[0])
new = copy(self) # return copy
ca = 'xmin', 'ymin', 'xmax', 'ymax', 'confidence', 'class', 'name' # xyxy columns
cb = 'xcenter', 'ycenter', 'width', 'height', 'confidence', 'class', 'name' # xywh columns
for k, c in zip(['xyxy', 'xyxyn', 'xywh', 'xywhn'], [ca, ca, cb, cb]):
a = [[x[:5] + [int(x[5]), self.names[int(x[5])]] for x in x.tolist()] for x in getattr(self, k)] # update
setattr(new, k, [pd.DataFrame(x, columns=c) for x in a])
return new
def tolist(self):
# return a list of Detections objects, i.e. 'for result in results.tolist():'
r = range(self.n) # iterable
x = [Detections([self.ims[i]], [self.pred[i]], [self.files[i]], self.times, self.names, self.s) for i in r]
# for d in x:
# for k in ['ims', 'pred', 'xyxy', 'xyxyn', 'xywh', 'xywhn']:
# setattr(d, k, getattr(d, k)[0]) # pop out of list
return x
def print(self):
LOGGER.info(self.__str__())
def __len__(self): # override len(results)
return self.n
def __str__(self): # override print(results)
return self._run(pprint=True) # print results
def __repr__(self):
return f'YOLOv5 {self.__class__} instance\n' + self.__str__()Detections的类，用于处理YOLOv5模型的推理结果。
-
__init__方法用于初始化Detections类的实例。它接受多个参数，包括输入的图像（ims）、模型的预测结果（pred）、图像文件名（files）、推理时间（times）、类别名称（names）和推理的形状（shape）等。这个类的主要目的是将这些信息组织起来，以便后续的处理和展示。 -
show方法用于展示推理结果，可以选择是否显示类别标签（labels）。 -
save方法用于将推理结果保存到指定的目录，可以选择是否保存类别标签（labels）。 -
crop方法用于裁剪检测结果的区域，并可以选择是否保存裁剪的结果。 -
render方法用于渲染检测结果，可以选择是否显示类别标签（labels）。 -
pandas方法返回检测结果的Pandas DataFrame格式，可以方便地进行数据分析和处理。 -
tolist方法返回一个包含多个Detections对象的列表，每个对象代表一个检测结果。 -
print方法用于打印检测结果的摘要信息。 -
__len__方法返回检测结果的数量。 -
__str__方法用于生成检测结果的字符串表示，包括推理时间和检测结果的统计信息。 -
__repr__方法返回该类的描述信息。
class Proto(nn.Module):
# YOLOv5 mask Proto module for segmentation models
def __init__(self, c1, c_=256, c2=32): # ch_in, number of protos, number of masks
super().__init__()
self.cv1 = Conv(c1, c_, k=3)
self.upsample = nn.Upsample(scale_factor=2, mode='nearest')
self.cv2 = Conv(c_, c_, k=3)
self.cv3 = Conv(c_, c2)
def forward(self, x):
return self.cv3(self.cv2(self.upsample(self.cv1(x))))
class Classify(nn.Module):
# YOLOv5 classification head, i.e. x(b,c1,20,20) to x(b,c2)
def __init__(self,
c1,
c2,
k=1,
s=1,
p=None,
g=1,
dropout_p=0.0): # ch_in, ch_out, kernel, stride, padding, groups, dropout probability
super().__init__()
c_ = 1280 # efficientnet_b0 size
self.conv = Conv(c1, c_, k, s, autopad(k, p), g)
self.pool = nn.AdaptiveAvgPool2d(1) # to x(b,c_,1,1)
self.drop = nn.Dropout(p=dropout_p, inplace=True)
self.linear = nn.Linear(c_, c2) # to x(b,c2)
def forward(self, x):
if isinstance(x, list):
x = torch.cat(x, 1)
return self.linear(self.drop(self.pool(self.conv(x)).flatten(1)))
-
Proto类：- 用途：该类是YOLOv5模型中的一个子模块，用于处理分割任务中的Proto模块。
- 构造函数参数：接受三个参数，包括输入通道数c1、Proto数量c_（默认为256）、掩码数量c2（默认为32）。
- 步骤：该模块包含一系列卷积和上采样层，用于处理输入数据x。
- 前向传播方法（forward）：对输入数据x进行一系列卷积和上采样操作，然后返回结果。
-
Classify类：- 用途：该类是YOLOv5模型中的一个子模块，用于处理分类任务中的分类头。
- 构造函数参数：接受多个参数，包括输入通道数c1、输出通道数c2、卷积核大小k（默认为1）、步幅s（默认为1）、填充p（默认为None）、分组数g（默认为1）、丢弃概率dropout_p（默认为0.0）。
- 步骤：该模块包含一系列卷积、池化和线性层，用于将输入数据x转换为分类输出。
- 前向传播方法（forward）：对输入数据x进行卷积、池化和线性变换操作，然后返回分类结果。
451
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
