爆改YOLOv8|利用可改变核卷积AKConv改进yolov8-轻量涨点

1，本文介绍

AKConv（可改变核卷积）是一种改进的卷积操作方法，其核心在于动态调整卷积核的形状和大小。与传统卷积层固定核大小不同，AKConv 通过引入可学习的机制，使卷积核在训练过程中能够自适应地调整，从而更好地适应不同的数据特征和任务需求。

核心特点：

1. 可变核尺寸：AKConv 允许卷积核在不同的层和位置上具有不同的尺寸，这有助于捕捉更多的局部特征。

2. 动态调整：卷积核的形状和大小可以在训练过程中进行调整，使得模型能够根据输入数据的特性自动优化卷积操作。

3. 提高表达能力：通过自适应地调整核的参数，AKConv 可以提高网络的表达能力和性能，特别是在处理复杂或变化多端的输入数据时。

应用场景：

• 计算机视觉：在图像分类、目标检测等任务中，AKConv 能够有效提升模型对各种尺度和形状特征的敏感度。
• 特征提取：适用于需要捕捉多种尺度特征的应用，例如医学影像分析和高分辨率图像处理。

AKConv 提供了一种灵活且强大的卷积操作方式，能够在多个任务中提高模型的适应性和性能。

关于AKConv的详细介绍可以看论文：https://arxiv.org/pdf/2311.11587.pdf

本文将讲解如何将AKConv融合进yolov8

话不多说，上代码！

2， 将AKConv融合进yolov8

2.1 步骤一

找到如下的目录'ultralytics/nn/modules'，然后在这个目录下创建一个AKConv.py文件，文件名字可以根据你自己的习惯起，然后将AKConv的核心代码复制进去

import torch.nn as nn
import torch
from einops import rearrange
import math
 
 
class AKConv(nn.Module):
    def __init__(self, inc, outc, num_param, stride=1, bias=None):
        super(AKConv, self).__init__()
        self.num_param = num_param
        self.stride = stride
        self.conv = nn.Sequential(nn.Conv2d(inc, outc, kernel_size=(num_param, 1), stride=(num_param, 1), bias=bias),
                                  nn.BatchNorm2d(outc),
                                  nn.SiLU())  # the conv adds the BN and SiLU to compare original Conv in YOLOv5.
        self.p_conv = nn.Conv2d(inc, 2 * num_param, kernel_size=3, padding=1, stride=stride)
        nn.init.constant_(self.p_conv.weight, 0