YOLOv5_Backbone模块详解

YOLOv5-Backbone 模块详解

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

前言：本次实验主要是基于YOLOv5的Backbone模块的深入理解，并将其应用于天气图片的分类任务展开。

文章目录：

一、总体结构

​ 图1-1

图片引用自 知乎网站: YOLOv5系列(一) 解析YOLOv5的网络结构(详尽) - 知乎

Yolov5主要由**Backbone,Head，Neck,**组成，主要就Backbone即主干网络进行介绍。

二、 Backbone结构解析

Backbone 主要由Conv，C3（Bottleneck残差模块）,SPPF组成。

2.1 Conv （CBS）

Conv是一个标准的卷积层，主要由conv ,BatchNorm,SiLu（激活函数）组成

#Conv模块是卷积神经网络中常用的基础模块，主要由卷积层、BN层和激活函数组成
class Conv(nn.Module):
    def __init__(self, c1,c2,k=1,s=1,p=None, g=1,act=True):
        super().__init__()
        self.conv=nn.Conv2d(c1,c2,k,s,autopad(k,p),groups=1,bias=False)
        self.bn=nn.BatchNorm2d(c2)
        self.act=nn.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)))

2.2 Bottleneck模块

• 残差模块的引入

  人们在网络训练的过程中发现，随着网络的深入，模型的准确度开始下降，出现了梯度消失和梯度爆炸的现象，因此，提出了残差网络，主要思想是基于将原来的输入加上经过多层卷积的结果作为输出，进入下一层的输入，相比前面，一定程度保留了更多的原始信息。

• **Bottleneck **

  CSP中的Bottleneck 与resnet类似，前者通过的shortcut是将卷积的输出与初始的输入相加作为最终的输出，是特征图对应位置相加而通道数不变；后者的shortcut则是通过concat实现，同时通道数发生了增加。

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

  2.3 C3/CSP模块

  根据shortcut的取值不同可分为CSP1_x，CSP2_x，Backbone中的C3存在shortcut，为CSP1_x，neck中的C3为CSP2_x。这里解释一下，由于Backbone已经承担了主要的特征信息提取的功能，所以在Neck阶段不需要再一味地加深网络，因此采取不带残差的C3模块可能会更合适。

• C3模块主要结构(主要以Backbone为例)：

class C3(nn.Module):
    def __init__(self,c1,c2,n=1,shortcut=True,g=1,e=0.5):
        super().__init__()
        c_=int(c2*e)# hidden channels
        self.cv1=Conv(c1,c_,1,1)
        self.cv2=Conv(c1,c_,1,1)
        self.cv3=Conv(2*c_,c2,1)#将通道数扩大为原来的两倍，并拼接为输出通道
        self.m=nn.Sequential(*(Bottleneck(c_,c_,shortcut,g,e=1.0) for _ in range(n)))#.m操作是使用nn.Sequential将n个Bottleneck模块串联到网络中

    def forward(self,x):
        return self.cv3(torch.cat((self.m(self.cv1(x)),self.cv2(x)),dim=1))

2.3 SSPF模块

#SSPF模块，用于特征融合。
class SPPF(nn.Module):
    def __init__(self,c1,c2,k=5):
        super().__init__()
        c_=c1//2 #hidden channel
        self.cv1=Conv(c1,c_,1,1)
        self.cv2=Conv(c_*4,c2,1,1)#由于后面需要进行拼接操作将维度融合，因此将通道数扩大为4倍
        self.m=nn.MaxPool2d(kernel_size=k,stride=1,padding=k//2)

    def forward(self,x):
        x=self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')
            y1=self.m(x)
            y2=self