关于yolov5移植repvgg

这个工作其实已经有大佬已经做过了:https://blog.csdn.net/weixin_45829462/article/details/120372921

这里我把他用到我的数据集上感觉效果不是很理想。阐述如下：

1.网络结构改动模块

repvgg网络加宽了yolov5，这里我们将yolov5原先的conv$3\times 3$的卷积替换成repvgg的conv$3\times 3$的样子，具体如下如所示：

在训练的时候，我们将走每一条支路。在测试的时候，将分支都收回来，归并成一个卷积。

2.repvgg原理

具体原理如下：

BN和conv融合

首先我先讲以下$3\times 3$卷积和BN的融合，BN层总共有四个参数，x为输入，mean为均值，除方差，加上bais

将卷积的公式带入x，可以重新的整理式子得到如下公式。

即可把训练的参数都吸收到一个fused的卷积中。

$3\times 3$的卷积和$1\times 1$的卷积融合

短路连接的前后的我们的特征图大小应该一致。所以我们假设有一张$5\times 5$的特征图，我们用$1\times 1$的卷积，步长为1；而$3\times 3$的卷积我们需要padding1，那么就是$7\times 7$的卷积，步长为1；这里你会神奇的发现，$3\times 3$中心这个卷积，他经过的和$1\times 1$卷积经过的是一样的，所以我们可以采用$1\times 1$叠加$3\times 3$

3.repvgg + yolov5

backbone:
[from, number, module, args]
[[-1, 1, Conv, [32, 6, 2, 2]], # 0-P1/2
[-1, 1, RepVGGBlock, [64, 3, 2]], # 1-P2/4
[-1, 1, C3, [64]],
[-1, 1, RepVGGBlock, [128, 3, 2]], # 3-P3/8
[-1, 3, C3, [128]],
[-1, 1, RepVGGBlock, [256, 3, 2]], # 5-P4/16
[-1, 3, C3, [256]],
[-1, 1, RepVGGBlock, [512, 3, 2]], # 7-P4/16
[-1, 1, SPP, [512, [5, 9, 13]]],
[-1, 1, C3, [512, False]], # 9
]

4.实验结果

薄膜数据集属于比较小的目标检测，在相同数据集下，repvgg + yolov5s的效果降低至mAP:70%左右；而yolov5s mAP:90%
repvgg + yolov5s在coco数据集上效果如下:
虽然对整体效果有所提升，但对小目标检测的不是特别友好

5.思考

为什么重参化加宽了网络，反而没有提升效果？
其实在yolov5中有这两个参数
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
第一个参数用于加深网络，第二个参数用于加宽网络的通道数。更加合理。
修改的repvgg+yolov5并没有加宽通道数，会不会有影响呢？