沙井网站制作优化什么

该文件位于/models/common.py，提供了构建YOLOv5模型的各种基础模块，其中包含了常用的功能模块，如自动填充autopad函数、标准卷积层Conv、瓶颈层Bottleneck、C3、SPPF、Concat层等

参考笔记：【YOLOv3】 源码（common.py）-CSDN博客

 YOLOv5网络结构图

YOLOv5网络参数图

---

目录

1.自动填充（autopad函数）

2.标准卷积层（Conv类）

3.瓶颈层（Bottleneck类）

4.C3

5.SPPF

6.Concat层

---

1.自动填充（autopad函数）

该函数根据kernel_size自动计算需要填充的padding，使得输入和输出尺寸一致，需要注意的是使用这个自动填充函数时stride必须为1

'''
为卷积层自动计算填充Padding，保证输入和输出尺寸不变
k：kernel_size
p：padding
'''
def autopad(k, p=None):#如果未提供p，则进行自动填充if p is None:#如果k是整数，计算填充为k // 2；如果k是列表或其他可迭代对象，计算每个元素的填充为x // 2p = k // 2 if isinstance(k, int) else [x // 2 for x in k]#自动填充return p#返回计算的填充值

2.标准卷积层（Conv类）

 YOLOv5中主要有两种卷积，分别是下采样卷积、保持特征图尺寸不变的卷积

• 下采样卷积

YOLOv5的下采样卷积常用的是kernel_size=3，stride=2，padding=1，经过该下采样卷积层输出尺寸减半，通道数翻倍

YOLOv5中还有一种下采样卷积是kernel_size=6，stride=2，padding=2，同样经过该下采样卷积层输出尺寸减半，通道数翻倍，但是该下采样卷积在YOLOv5中只使用了1次

• 保持特征图尺寸不变的卷积

YOLOv5该类卷积使用的是kernel_size=1，stride=1，padding=0，经过该卷积层输出尺寸不变

 下图是两种卷积在Backbone中的使用：

 YOLOv5结构图中的CBS、ConvBNSiLU即由Conv类实现

'Conv即为YOLOv5中的CBS、ConvBNSiLU模块实现'
class Conv(nn.Module):#标准卷积模块def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):''':params c1: in_channle:params c2: out_channel:params k: kernel_size:params s: stride:params p: padding:params g: 卷积的groups数  =1就是普通的卷积  >1就是深度可分离卷积,也就是分组卷积:params act: 激活函数类型   True就是SiLU()   False就是不使用激活函数类型是nn.Module就使用传进来的激活函数类型'''super().__init__()#定义卷积层，自动计算填充，禁用偏置以配合批归一化层self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False)#定义批归一化层，归一化输出self.bn = nn.BatchNorm2d(c2)#定义激活函数，默认为SiLUself.act = nn.SiLU() if act is True else (act if isinstance(act, nn.Module) else nn.Identity())#训练时的前向传播，卷积->归一化->激活def forward(self, x):return self.act(self.bn(self.conv(x)))#推理时的前向传播def forward_fuse(self, x):#直接通过卷积和激活函数，省略批归一化以提高推理速度return self.act(self.conv(x))

3.瓶颈层（Bottleneck类）

YOLOv5网络结构中ResUnit-T、ResUnit-F即由Bottleneck实现，T、F可以理解为是否开启残差连接

YOLOv5中的ResUnit-T、ResUnit-F 

该类包括两个卷积层(CBS模块)和一个可选的shortcut(残差)连接，如果shortcut为True且in_channel=out_channel，则在输出中添加原始输入，实现残差连接。这样可以帮助模型在深层网络中缓解梯度消失问题，提高训练稳定性和模型性能 

'即YOLOv5中的ResUnit组件，该函数将ResUnit-T和ResUnit-F集成到一起'
class Bottleneck(nn.Module):# 标准瓶颈层，常用于减少参数并提高模型的计算效率def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):super().__init__()''':params c1: in_channle:params c2: out_channel:params shortcut: 是否开启残差连接，如果启用，则原始输入x会与经过两个卷积层之后的输出相加:params g: 卷积的groups数  =1就是普通的卷积  >1就是深度可分离卷积,也就是分组卷积:params e: 通道扩展比例，决定第一个卷积的输出通道数。扩展比例为'e'，则第一个卷积的输出通道数为 `e * c2`'''#根据扩展比例计算第一个卷积的输出通道数c_ = int(c2 * e)# 第一个卷积层：1x1卷积，将输入通道数 `c1` 缩减到 `c_`，减少计算量self.cv1 = Conv(c1, c_, 1, 1)# 第二个卷积层：3x3卷积，将通道数从 `c_` 恢复到 `c2`，用于特征提取self.cv2 = Conv(c_, c2, 3, 1, g=g)#如果启用shortcut连接，且输入和输出通道数相同（c1 == c2），则创建shortcut连接#shortcut连接有助于缓解深层网络中的梯度消失问题self.add = shortcut and c1 == c2 #如果启用shortcut且输入输出通道数相同，shortcut为True#前向传播def forward(self, x):#如果add为True，则返回残差连接结果if self.add:return x + self.cv2(self.cv1(x))#如果add为False,仅返回卷积后的输出return self.cv2(self.cv1(x))

Bottleneck不是简单的类似于ResNet中的跳跃连接机制，而是其增强版本，其中涉及了压缩和拓展提高相应效率

跳跃连接类似于一个项目管理团队需要完成一个复杂的任务，团队中有人已经有了基本的解决方案（输入信息）。跳跃连接就像保留了这个基本解决方案，同时允许团队成员对其进行优化。如果最终的优化方案有问题，原始的解决方案仍然可以用作备选

Bottleneck 进一步优化了这个过程。团队会先对已有的解决方案进行压缩处理（1x1 卷积），提取最重要的部分（删除冗余）。然后团队成员进行深入的讨论（3x3 卷积），生成更详细的解决方案。最终，这个优化过的方案会与原始方案一起汇总，形成最终输出

这种流程既节省了资源（减少计算量），又提高了效率（保留原始信息，提取更深层特征）

4.C3

YOLOv5中有两种C3模块，分别是C3_1_X，C3_2_X，其中X指的是该C3模块中有多少个ResUnit组件

C3_1_X、C3_2_X结构 

'C3模块，该函数将C3_1_X和C3_2_X集成到一起'
class C3(nn.Module):# CSP（Cross Stage Partial）瓶颈结构，带有3个卷积层def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):super().__init__()''':param c1：in_channel:param c2：out_channel:param n：n个Bottleneck模块(ResUnit组件):param shortcut：Bottleneck是否开启残差连接:param g：:param e：通道扩展比例'''# 根据扩展比例计算两个分支上第一个卷积层的输出通道数c_ = int(c2 * e)#第一分支的1x1卷积层，用于降维self.cv1 = Conv(c1, c_, 1, 1)#第二分支的1x1卷积层，用于降维self.cv2 = Conv(c1, c_, 1, 1)#创建`n`个Bottleneck层(ResUnit组件)，使用nn.Sequential进行顺序连接self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])#concat之后的1x1卷积层，输出通道数为c2self.cv3 = Conv(2 * c_, c2, 1)#前向传播过程def forward(self, x):branch_1=self.m(self.cv1(x))#第一个分支的前向传播branch_2=self.cv2(x)#第二个分支的前向传播return self.cv3(torch.cat((branch_1,branch_2),dim=1))#两个分支拼接之后再做最后一次卷积

5.SPPF

'SPPF模块'
class SPPF(nn.Module):def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))super().__init__()''':param c1：in_channel:param c2：out_channel:param k：最大池化层的卷积核大小，默认为5'''#第一个卷积层的输出通道数为c1//2c_ = c1 // 2#第一个卷积层self.cv1 = Conv(c1, c_, 1, 1)#第二个卷积层，将拼接后的通道数转换为输出通道数c2self.cv2 = Conv(c_ * 4, c2, 1, 1)#最大池化层，kernel_size=k，stride=1，padding=k//2self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)#前向传播def forward(self, x):x = self.cv1(x)#通过第一层卷积处理输入特征图y1 = self.m(x)#第一次最大池化y2 = self.m(y1)#第二次最大池化y3 = self.m(y2)#第三次最大池化#将原始特征图和3次池化的结果进行拼接，然后通过第二层卷积进行处理return self.cv2(torch.cat([x, y1, y2,y3], 1))

6.Concat层

这个类的作用是将不同层的特征图进行合并，增强特征表示，从而进一步提高模型的预测能力

如YOLOv5网络结构图中黄色部分，Concat操作主要发生在Neck阶段，配合完成YOLOv5颈部的FPN+PAN流程

class Concat(nn.Module):#该类实现了沿指定维度连接多个张量的功能def __init__(self, dimension=1):super().__init__()''':param dimension：指定特征拼接的维度，默认为1，即在第一个维度（通常是通道维度）上进行特征拼接。'''self.d = dimension #保存要连接的维度，默认为1#前向传播方法，执行张量连接操作def forward(self, x):''':param x: x是一个张量列表，存放来自不同层的特征图张量，除拼接维度外，特征图的其他维度需要相同'''return torch.cat(x, self.d)#使用torch.cat沿self.d维度连接输入的张量列表x