YOLO部分网络结构详解

Focus层

操作类似于空洞卷积，将w-h平面上的信息转换到通道维度，再通过卷积的方式提取不同特征。采用Focus层的目的应该是下采样（下采样在神经网络中主要是为了减少参数量达到降维的作用，同时还能增加局部感受野），但是相比于使用使用步长为2的卷积层或者池化层，Focus层能够有效减少下采样带来的信息损失，同时减少计算量

 

空洞卷积

空洞卷积在标准卷积中注入了空洞，增加了感受野，空洞卷积比普通卷积多了个超参数称为dilation rate，指的是kernel的间隔数量。普通卷积的dilation rate为1。

普通卷积

 

空洞卷积

 

空洞卷积在不做池化损失信息的情况下，加大了感受野，使得内部数据结构得到保留。

 

SPP结构

 1.为什么要引入SPP？

因为卷积层和池化层是滑动窗操作，可以接受任意大小的图片输入，而全连接层是向量与矩阵乘积操作，需要固定大小的输入（参数的个数固定），因此需要固定全连接层的前一层的尺寸，若无SPP则需要固定输入图片的大小来保证全连接层的参数固定，为了适应输入任意尺寸的图片所以引入SPP。

2.SPP的构成

SPP层分为1x1，2x2，4x4三个pooling结构，对每个输入都作max pooling操作

3.SPP说明

SPP是接在最后一层卷积层之后，替换原来的池化层，以便输入给全连接层的特征个数保持固定。SPP是对最后一层卷积层的特征图做不同的分割操作。

SPPF结构

 SPPF结构说明

SPPF是在SPP结构基础之上稍加改进的，它每个池化层都对上一个操作完成的max pooling进行计算，所以它的计算量相比较与SPP小了很多，模型速度得到提升。

C3结构

 

 在新版yolov5中,作者将BottleneckCSP(瓶颈层)模块转变为了C3模块，其结构作用基本相同均为CSP架构。 C3相对于BottleneckCSP模块不同的是，经历过残差输出后的Conv模块被去掉了，concat后的标准卷积模块中的激活函数也由LeakyRelu变为了SiLU。

SiLU是Sigmoid和ReLU的改进版。SiLU具备无上界有下界、平滑、非单调的特性。SiLU在深层模型上的效果优于 ReLU。可以看做是平滑的ReLU激活函数。

 Bottleneck模块

一个1×1的卷积后接一个3×3的卷积，其中1×1的卷积将通道数减半，3×3的卷积将通道数加倍，然后加上输入（注意这里是add操作，不是concat操作）。所以经过Bottleneck模块之后输入大小是不会发生改变的。

BottleneckCSP模块 

CSP将输入数据分为两个部分，一个部分正常通过网络，另一个直接concat到block的输出

C2f结构

C2f模块参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。

 

ELAN

ELAN模块是一个高效的网络结构，它通过控制最短和最长的梯度路径，使网络能够学习到更多的特征，并且具有更强的鲁棒性。