1.参考文献
链接1
2.网络模型解析
2.1卷积神经单元（conv.py）
在该文件中定义了yolov8网络中的卷积神经单元，位置如图所示。
def autopad(k, p=None, d=1): # kernel(卷积核), padding(填充), dilation(扩张)
"""Pad to 'same' shape outputs."""
# 返回pad的大小，使得padding后输出张量的shape不变
if d > 1: # 如果采用扩张卷积,则计算扩张后实际的kernel大小
k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k] # actual kernel-size
if p is None:
p = k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-pad # 自动pad
return p2.1.1代码解释
- 扩张卷积的处理：
if d > 1: # 如果采用扩张卷积,则计算扩张后实际的kernel大小
k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k] # actual kernel-size这部分代码的作用是，如果 d 大于1，则计算扩张卷积后的实际卷积核大小。对于扩张卷积，其有效卷积核大小会增大：
- 如果
k是一个整数，新的卷积核大小为d * (k - 1) + 1。 - 如果
k是一个列表，则对列表中的每一个元素x进行相同的计算，生成新的列表。
- 自动填充计算：
if p is None:
p = k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-pad # 自动pad这部分代码的作用是，如果没有显式指定填充大小 p（即 p 为 None），则自动计算填充大小以保持输出形状不变：
- 如果
k是一个整数，则填充大小为k // 2。 - 如果
k是一个列表，则对列表中的每一个元素x进行x // 2的计算，生成新的列表。
- 返回填充大小：
return p最后返回计算出的填充大小 p。
2.1.2示例
1：普通卷积，3x3卷积核
假设我们有一个3x3的卷积核，扩张率 d=1（即没有扩张），并且没有指定填充 p。
k = 3
p = autopad(k, p=None, d=1)
print(p) # 预期输出: 1- 计算过程：
- 没有扩张，卷积核大小保持3x3。
- 自动填充
p计算：p = k // 2 = 3 // 2 = 1。
输出的填充大小为1，这意味着每边需要填充1个像素，使得输出张量的形状与输入张量相同。
2：扩张卷积，3x3卷积核，扩张率2
假设我们有一个3x3的卷积核，扩张率 d=2，并且没有指定填充 p。
k = 3
p = autopad(k, p=None, d=2)
print(p) # 预期输出: 2- 计算过程：
- 扩张后，实际卷积核大小：
k = d * (k - 1) + 1 = 2 * (3 - 1) + 1 = 5。 - 自动填充
p计算：p = k // 2 = 5 // 2 = 2。
输出的填充大小为2，这意味着每边需要填充2个像素，使得输出张量的形状与输入张量相同。
3：矩形卷积核，5x7卷积核
假设我们有一个5x7的矩形卷积核，扩张率 d=1，并且没有指定填充 p。
k = [5, 7]
p = autopad(k, p=None, d=1)
print(p) # 预期输出: [2, 3]- 计算过程：
- 没有扩张，卷积核大小保持5x7。
- 自动填充
p计算：p = [x // 2 for x in k] = [5 // 2, 7 // 2] = [2, 3]。
输出的填充大小为 [2, 3]，这意味着高度方向需要填充2个像素，宽度方向需要填充3个像素，使得输出张量的形状与输入张量相同。
4：矩形卷积核，5x7卷积核，扩张率2
假设我们有一个5x7的矩形卷积核，扩张率 d=2，并且没有指定填充 p。
k = [5, 7]
p = autopad(k, p=None, d=2)
print(p) # 预期输出: [4, 6]- 计算过程：
- 扩张后，实际卷积核大小：
k = [d * (x - 1) + 1 for x in k] = [2 * (5 - 1) + 1, 2 * (7 - 1) + 1] = [9, 13]。 - 自动填充
p计算：p = [x // 2 for x in k] = [9 // 2, 13 // 2] = [4, 6]。
输出的填充大小为 [4, 6]，这意味着高度方向需要填充4个像素，宽度方向需要填充6个像素，使得输出张量的形状与输入张量相同。
