devbox
AllinToyou
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

Yolov5/Yolov7加入Yolov8 c2f模块，涨点

作者：AllinToyou | 2024-04-04 11:24:52

赞

踩

c2f模块

1.Yolov8简介

        Ultralytics YOLOv8 是由 Ultralytics 开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。

下表为官方在 COCO Val 2017 数据集上测试的 mAP、参数量和 FLOPs 结果。可以看出 YOLOv8 相比 YOLOv5 精度提升非常多，但是 N/S/M 模型相应的参数量和 FLOPs 都增加了不少；

模型尺寸
（像素）		mAPval
50-95		推理速度
CPU ONNX
(ms)		推理速度
A100 TensorRT
(ms)		参数量
(M)		FLOPs
(B)
YOLOv8n64037.380.40.993.28.7
YOLOv8s64044.9128.41.2011.228.6
YOLOv8m64050.2234.71.8325.978.9
YOLOv8l64052.9375.22.3943.7165.2
YOLOv8x64053.9479.13.5368.2257.8

1.1 Yolov8优化点：

      将 YOLOv5 的C3结构换成了梯度流更丰富的 C2f结构，并对不同尺度模型调整了不同的通道数

C3模块的结构图，然后再对比与C2f的具体的区别。针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了C3 Block，CSP主分支梯度模块为BottleNeck模块。同时堆叠的个数由参数n来进行控制，也就是说不同规模的模型，n的值是有变化的。

C3模块的Pytorch的实现如下：

  1. class C3(nn.Module):  
  2.     # CSP Bottleneck with 3 convolutions  
  3.     def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion  
  4.         super().__init__()  
  5.         c_ = int(c2 * e)  # hidden channels  
  6.         self.cv1 = Conv(c1, c_, 1, 1)  
  7.         self.cv2 = Conv(c1, c_, 1, 1)  
  8.         self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)  
  9.         self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))  
  10.   
  11.     def forward(self, x):  
  12.         return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

C2f模块的结构图如下：

       C2f模块就是参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。

  1. class C2f(nn.Module):  
  2.     # CSP Bottleneck with 2 convolutions  
  3.     def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion  
  4.         super().__init__()  
  5.         self.c = int(c2 * e)  # hidden channels  
  6.         self.cv1 = Conv(c1, 2 * self.c, 1, 1)  
  7.         self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)  
  8.         self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))  
  9.   
  10.     def forward(self, x):  
  11.         y = list(self.cv1(x).split((self.c, self.c), 1))  
  12.         y.extend(m(y[-1]) for m in self.m)  
  13.         return self.cv2(torch.cat(y, 1))

 2.涨点技巧：Yolov5加入C2F提升小目标检测精度

2.1 Yolov5网络结构图

 

2.2 加入C2f代码修改位置

1)将如下代码添加到common.py中：

  1. class v8_C2fBottleneck(nn.Module):
  2.     # Standard bottleneck
  3.     def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):  # ch_in, ch_out, shortcut, groups, kernels, expand
  4.         super().__init__()
  5.         c_ = int(c2 * e)  # hidden channels
  6.         self.cv1 = Conv(c1, c_, k[0], 1)
  7.         self.cv2 = Conv(c_, c2, k[1], 1, g=g)
  8.         self.add = shortcut and c1 == c2
  9.  
  10.     def forward(self, x):
  11.         return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
  12.  
  13.  
  14. class C2f(nn.Module):
  15.     # CSP Bottleneck with 2 convolutions
  16.     def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
  17.         super().__init__()
  18.         self.c = int(c2 * e)  # hidden channels
  19.         self.cv1 = Conv(c1, 2 * self.c, 1, 1)
  20.         self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
  21.         self.m = nn.ModuleList(v8_C2fBottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))
  22.  
  23.     def forward(self, x):
  24.         y = list(self.cv1(x).split((self.c, self.c), 1))
  25.         y.extend(m(y[-1]) for m in self.m)
  26.         return self.cv2(torch.cat(y, 1))

 2)在yolo.py中添加C2f（PS:快速搜索C3对应位置）

 2.3 修改配置文件yolov8s.yaml

1）加入backbone

  1. # YOLOv5 
    声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/AllinToyou/article/detail/358301
    推荐阅读
    相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。