2.1 yolov5模块解析__focus模块

focus模块主要由下面几部分组成，代码用cv2读取图片，并对图片做了focus处理。

1.定义激活函数SILU。

2.定义一个卷积模块Conv。就是标准卷积+BN+激活函数（SiLU）。

3.定义一个autopad模块。我们知道，在conv模块的conv2D函数里有pad填充参数，为了使填充后的矩阵维度和原矩阵维度相同，我们需要计算矩阵的上下左右各填充几行（列），而autopad模块的返回值就是计算的pad需要填充的单侧的行（列）数。

4.定义focus。在该代码中，focus将640X640X3的tensor矩阵转换为了320X320X12的tensor矩阵。

具体的代码解析如下：

import torch
import cv2
import numpy as np
import torch.nn as nn
#https://blog.csdn.net/weixin_51322383/article/details/130379982

#定义一个激活函数SILU
class SiLU(nn.Module):
    @staticmethod
    def forward(x):
        return x * torch.sigmoid(x)


#1.这个模块可以根据输入的卷积核计算卷积模块需要的pad值。用于下面的Conv类和Classify类中。主要是为了把tensor补成原来的形状
# pad是图片的上下左右要用0填充的尺寸，由于上下左右是对称的，所以返回值要整除2
def autopad(k, p=None):
    '''
         v5中只有两种卷积：
           1、下采样卷积:conv3x3 s=2 p=k//2=1
           2、feature size不变的卷积:conv1x1 s=1 p=k//2=1
           k：卷积核的kernel_size
        '''
    #这里首先是判断是否有p值：
        # 如果有既定的 p ，则直接 return p，自动计算所需要的pad值
        # 如果无设定的 p，则 return 使图像在卷积操作后尺寸不变的 p
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]
    return p


class Focus(nn.Module):
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super(Focus, self).__init__()
        self.conv = Conv(c1 * 4, c2, k, s, p, g, act)

    def forward(self, x):
        # 320, 320, 12 => 320, 320, 64
        return self.conv(
            # 640, 640, 3 => 320, 320, 12
            torch.cat(
                [
                    x[..., ::2, ::2],
                    x[..., 1::2, ::2],
                    x[..., ::2, 1::2],
                    x[..., 1::2, 1::2]
                ],1
            )
        )

# Standard convolution  标准卷积+BN+hardswish激活（SiLU）
class Conv(nn.Module):
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):# ch_in, ch_out, kernel, stride, padding, groups
        super(Conv, self).__init__()
        self.conv   = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)
        self.bn     = nn.BatchNorm2d(c2, eps=0.001, momentum=0.03)
        #激活函数
        self.act    = SiLU() 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)))#用到BN

    def fuseforward(self, x):#没用BN

        """用于Model类的fuse函数
                融合conv+bn 加速推理 一般用于测试/验证阶段
                """
        return self.act(self.conv(x))


image_path=r"E:\daima\python\img\1.jpg"

image=cv2.imread(image_path)

#image=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
image=cv2.resize(image,(640,640))
image=image.reshape(1,3,640,640)

print(image.shape)

x=torch.from_numpy(image).float()

#输入的是tensor类型的4维数据，，数据大小为1X3X640X640
y=Focus(3,12)
y=y(x)
print(y)
print(y.shape)