物体检测-系列教程19：YOLOV5 源码解析9 （Focus模块、Model类构造函数）

news2024/11/15 17:27:52

😎😎😎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

13、Focus模块

13.1 基本流程

在这里插入图片描述

原始输入图像的格式为：tensor: float32[1,3,640,640]
如图所示，首先对于每个通道对应的图都将其平均分成A、B、C、D4块
再分别将A、B、C、D也平均分成更小4块
从A、B、C、D每个位置都各取一块拼接成一个大块
将大块在原图对应的通道位置进行通道的堆叠
最后得到4张图像，此时通道数变成了12
此时进行卷积的时候，长宽减小而通道输入增加了，有利于减少计算量，但是却不会减少AP值
此时数据的格式为：tensor: float32[1,320,320,12]
focus模块也有自己的卷积，然后经过hardswish激活函数 $Hardswish(x)=\begin{cases} 0 & if x<=-3,\\ x & if x>=+3,\\ x*(x+3)/6 & otherwise \end{cases}$

13.2 源码

Focus模块通过空间重组来增强通道信息

class Focus(nn.Module):
    # Focus wh information into c-space
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super(Focus, self).__init__()
        self.conv = Conv(c1 * 4, c2, k, s, p, g, act)

    def forward(self, x):  # x(b,c,w,h) -> y(b,4c,w/2,h/2)
        return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))

继承nn.module
构造函数，接受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填充、g卷积分组数、act激活函数
初始化
调用Conv类构造一个卷积层，这个类已经实现了批归一化、卷积、激活函数等
前向传播函数
将输入x在空间维度上分割为四部分，然后在通道维度上拼接，通过卷积层处理后输出

14、Model类

14.1 构造函数

class Model(nn.Module):
    def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None):  # model, input channels, number of classes
        super(Model, self).__init__()
        if isinstance(cfg, dict):
            self.yaml = cfg  # model dict
        else:  # is *.yaml
            import yaml  # for torch hub
            self.yaml_file = Path(cfg).name
            with open(cfg) as f:
                self.yaml = yaml.load(f, Loader=yaml.FullLoader)  # model dict

        # Define model
        if nc and nc != self.yaml['nc']:
            print('Overriding %s nc=%g with nc=%g' % (cfg, self.yaml['nc'], nc))
            self.yaml['nc'] = nc  # override yaml value
        self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch])  # model, savelist, ch_out
        # print([x.shape for x in self.forward(torch.zeros(1, ch, 64, 64))])

        # Build strides, anchors
        m = self.model[-1]  # Detect()
        if isinstance(m, Detect):
            s = 128  # 2x min stride
            m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))])  # forward
            m.anchors /= m.stride.view(-1, 1, 1)
            check_anchor_order(m)
            self.stride = m.stride
            self._initialize_biases()  # only run once
            # print('Strides: %s' % m.stride.tolist())

        # Init weights, biases
        initialize_weights(self)
        self.info()
        print('')