物体检测-系列教程22：YOLOV5 源码解析12 （BottleneckCSP类、Conv类、Bottleneck类）

本文主要是介绍物体检测-系列教程22：YOLOV5 源码解析12 （BottleneckCSP类、Conv类、Bottleneck类），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

😎😎😎物体检测-系列教程 总目录

有任何问题欢迎在下面留言
本篇文章的代码运行界面均在Pycharm中进行
本篇文章配套的代码资源已经上传
点我下载源码

16、BottleneckCSP类

16.1 BottleneckCSP类

位置：yolov5/models/common.py/BottleneckCSP类
CSP Bottleneck 项目地址

CSP (Cross Stage Partial) 网络结构中的BottleneckCSP模块，CSPNet是一种有效的卷积神经网络架构，它通过部分连接不同阶段的特征来减少计算成本，同时保持或提高模型的性能，该架构在目标检测等计算机视觉任务中表现优异

class BottleneckCSP(nn.Module):def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansionsuper(BottleneckCSP, self).__init__()c_ = int(c2 * e)  # hidden channelsself.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.LeakyReLU(0.1, inplace=True)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), dim=1))))

1. 继承nn.module
2. 构造函数，传入6个参数：输入通道c1、输出通道c2、当前模块重复次数n、shortcut残差连接、分组卷积的组数g、扩展比例e（用于计算隐藏层通道数）
3. 初始化
4. 计算隐藏层的通道数c_，通过输出通道数c2乘以扩展比例e得到
5. cv1 ，定义第1个卷积模块，包含二维卷积、批归一化、激活函数，将输入通道数从c1降维到c_，使用1x1卷积核，步长为1
6. cv2 ，定义第2个卷积模块，和cv1一样，但是没有偏执
7. cv3，定义第3个卷积模块，和cv2一样
8. cv4，定义第4个卷积模块，用于将合并后的特征图从2 * c_降维到最终的输出通道数c2，使用1x1卷积核，步长为1
9. bn，定义批归一化层
10. act，激活函数为LeakyReLU，斜率为0.1，并使用就地操作以节省内存
11. m，通过循环构建一个序列模块m，包含n个Bottleneck模块，每个模块的输入和输出通道数相同，都为c_，可以选择使用残差连接，分组数为g，扩展系数固定为1.0
12. 前向传播，输入图像
13. y1，经过cv1卷积模块后再经过n个Bottleneck模块，再经过cv3卷积模块
14. y2，经过cv2卷积模块
15. 将y1和y2的输出在第二个维度拼接后经过一个批归一化，在经过Leakyrelu激活函数，在经过cv4卷积模块，返回输出

这个BottleneckCSP类通过组合不同的卷积、激活和归一化层，以及巧妙的分割与合并特征图的策略，构建了一个BottleneckCSP模块，这种结构旨在提高模型的计算效率和表现力，常用于深度学习中的图像识别和处理任务中

16.2 Conv类

位置：yolov5/models/common.py/Conv类
这是一个标准的CNN，卷积、批归一化、激活函数，即卷积模块

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, groupssuper(Conv, self).__init__()self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)self.bn = nn.BatchNorm2d(c2)self.act = nn.LeakyReLU(0.1, inplace=True) if act else nn.Identity()def forward(self, x):return self.act(self.bn(self.conv(x)))def fuseforward(self, x):return self.act(self.conv(x))

1. 继承自nn.Module
2. 构造函数，接收7个参数：c1输入通道、c2输出通道、k卷积核大小、s卷积步长、p卷积填充、g分组卷积的组数、act是否激活函数
3. 定义一个二维卷积层，使用指定的输入输出通道数、卷积核大小、步长、填充和分组。调用autopad函数，根据卷积核大小和提供的填充参数计算自动填充的值
4. 定义一个批归一化层
5. 根据act值决定是否使用激活函数。如果act为True，则使用LeakyReLU激活函数，负斜率设置为0.1，并使用inplace=True以减少内存占用
6. 前向传播
7. 输入x通过卷积层、批量归一化层、激活函数，并返回结果
8. 定义一个额外的前向传播函数fuseforward，其他都一样，不经过批量归一化层

16.3 Bottleneck类

位置：yolov5/models/common.py/Bottleneck类
这是一个Standard bottleneck，这种bottleneck结构在深度神经网络中广泛使用，特别是在卷积神经网络中，它可以有效减少参数数量，降低运算复杂度，同时尽可能保持网络性能

class Bottleneck(nn.Module):# def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, shortcut, groups, expansionsuper(Bottleneck, self).__init__()c_ = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, 1, 1)self.cv2 = Conv(c_, c2, 3, 1, g=g)self.add = shortcut and c1 == c2def forward(self, x):return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

1. 继承nn.module
2. 构造函数，传入输入通道c1、输出通道c2、是否进行残差连接shortcut、卷积层的分组数g、扩展因子e
3. 初始化
4. c_，计算中间层的通道数，这样做可以在不大幅增加计算量的前提下增加网络的宽度
5. cv1，定义第1个卷积模块，卷积核为1*1，步长为1
6. cv2，定义第2个卷积模块，将通道数返回至c2，使用3*3卷积核，步长为1，并根据g参数进行分组卷积操作。这样的设计有助于增强网络的表达能力，同时通过分组卷积减少计算量
7. add，判断是否执行残差连接，根据shortcut的值和c1和c2通道数是否相等来决定是否进行残差连接
8. 前向传播
9. 如果add值为true：输入数据经过cv1后再经过cv2后直接进行残差连接，返回输出；如果为False：则不进行残差连接

这篇关于物体检测-系列教程22：YOLOV5 源码解析12 （BottleneckCSP类、Conv类、Bottleneck类）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---