2.2 YOLOV5的残差网络结构的解释及代码实现

YOLOV5的残差网络的代码实现如下：

import torch
import cv2
import numpy as np
import torch.nn as nn

#1.输入图片路径
image=cv2.imread(r"D:\AI\data\red_green_light\4.jpg")

images=image.reshape(1,3,1080, 1920)

input=torch.tensor(images,dtype=torch.float32)#浮点型

#2.silu激活函数
class SiLU(nn.Module):
    @staticmethod
    def forward(x):
        return x * torch.sigmoid(x)

def autopad(k, p=None):
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]
    return p
#3.卷积结构
class Conv(nn.Module):
    def __init__(self, c1=3, c2=3, k=1, s=1, p=None, g=1, act=True):
        super(Conv, self).__init__()
        #卷积、标准化加激活函数
        self.conv   = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)#卷积
        self.bn     = nn.BatchNorm2d(c2, eps=0.001, momentum=0.03)  #标准化
        self.act    = SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity()) #激活函数

    def forward(self, x):
        return self.act(self.bn(self.conv(x))) #卷积->BatchNorm2d->激活函数->output

    def fuseforward(self, x):
        return self.act(self.conv(x)) #这个forward函数不存在BN操作


#4.残差网络 
#注意：这里c1,c2自己取了定值，c1是输入图片的通道数，这里c2取了等于c1的值
class Bottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1=3, c2=3, shortcut=True, g=1, e=0.5):
        super(Bottleneck,self).__init__()
        c_=int(c2*e)# hidden channels
        #下面用了两次卷积网络结构，每次结构都用了：卷积、标准化加激活函数
        self.cv1 = Conv(c1, c_, 1, 1)  # 输入通道数为c1,输出通道数为c_，卷积核大小为1，步长为1，默认为0填充（实际上是图片本身）
        self.cv2 = Conv(c_, c2, 3, 1, g=g)  # 输入通道数为c_,输出通道数为c2，卷积核大小为3，步长为1，默认为0填充
        self.add=shortcut and c1==c2# c1与c2需相同才可进行shortcut运算

    def forward(self,x):
        # 根据self.add的值确定是否有shortcut
        return x+self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

#5.输出
#卷积网络
hh=Conv()
output2=hh(input)

#运用残差网络
ss=Bottleneck()
output=ss(input)

print("输入值x",input)

print("卷积值：",output2)

print("残差值：",output)