YOLOv5改进（六）--引入YOLOv8中C2F模块

1、前言

本文主要使用YOLOv8的C2F模块替换YOLOv5中的C3模块，经过实验测试，发现YOLOv5更加适合嵌入式设备，所以并不是越新的框架性能就会越好。通常大部分的目标检测模型都是在coco数据集上进行训练，然后再与旧的模型进行比较，如果只看在coco数据集上的表现确实v7、v8是要优于v5的，但是在自己数据集上面训练可能就是另外一种结果，所以可以尝试将不同模型的不同模块进行融合，试一试训练效果。

2、C3模块和C2F模块

2.1、C3模块

YOLOV5 采用C3模块，类似于残差结构的思想，C3模块由三个CBS模块，也就是三个卷积层，再加上若干个BottleNeck模块构成，输入进来的特征，分为两个部分，一部分特征是只经过CBS模块处理，一部分经过CBS+BottleNeck处理，最后通过concat将两部分特征进行拼接，再经过一个CBS层将特征维度进行恢复。

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

YOLOv5-v6.0版本中使用了C3模块，替代了早期的BottleneckCSP模块。这两者结构作用基本相同，均为CSP架构，只是在修正单元的选择上有所不同，C3模块包含了3个标准卷积层以及多个Bottleneck模块，与BottleneckCSP模块所不同的是，C3经过Bottleneck模块输出后的Conv模块被去掉了。旧版本的yolov5的CSP模块如下：

2.2、BottleNeck模块

BottleNeck模块是类似与resnet残差结构，该模块其实存在两种形式，也就是BottleNeck1和BottleNeck2，BottleNeck1是以resnet残差结构连接的，该残差结构是由两条路构成，其中一路先进行1×1卷积将特征图的通道数减小一半，从而减少计算量，再通过3×3卷积提取特征，并且将通道数加倍，其输入与输出的通道数是不发生改变的，而另外一路通过shortcut进行残差连接，与第一路的输出特征图相加，从而实现特征融合；BottleNeck2只是经过一次1x1卷积的CBS和一次3x3卷积的CBS。

2.3、C2F模块

CBS处理之后的特征首先进行Split分割成两部分特征，一部分特征保留不做任何处理，一部分经过若干个BottleNeck进行处理；其中每个BottleNeck又会分出两条通道，一条是将处理过的特征传递给下一个BottleNeck，一条则是保留下来用作后面的concat连接。最后经过n个BottleNeck之后将所有的特征进行融合。

n个BottleNeck的特征融合方式很像FPN特征金字塔自顶向下融合，将深层特征与浅层特征进行融合 。

C2f 使用了3个卷积模块（ConV+BN+SILU），以及n个BottleNeck构成输入的特征经过Split之后通道数变为原来的一半(h ∗ w ∗ 0.5cout)，一半的特征图不做处理，另外一半则是传入到BottleNeck模块中做特征融合操作,其结构图如下：

3、C2F代码实现

添加C2f和C2F_Bottleneck模块代码，因为YOLOv5和YOLOv8的Bottleneck模块不一致，这里直接拷贝YOLOv8源码的C2f和C2F_Bottleneck模块。

3.1、common.py

在models/common.py的加入C2f和C2F_Bottleneck类

class C2f(nn.Module):
    """Faster Implementation of CSP Bottleneck with 2 convolutions."""

    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):
        """Initialize CSP bottleneck layer with two convolutions with arguments ch_in, ch_out, number, shortcut, groups,
        expansion.
        """
        super().__init__()
        self.c = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.ModuleList(C2F_Bottleneck(self.c, self.c, shortcut, g, k=((3, 3), (3, 3)), e=1.0) for _ in range(n))

    def forward(self, x):
        """Forward pass through C2f layer."""
        y = list(self.cv1(x).chunk(2, 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

    def forward_split(self, x):
        """Forward pass using split() instead of chunk()."""
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))


class C2F_Bottleneck(nn.Module):
    """Standard bottleneck."""

    def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):
        """Initializes a bottleneck module with given input/output channels, shortcut option, group, kernels, and
        expansion.
        """
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, k[0], 1)
        self.cv2 = Conv(c_, c2, k[1], 1, g=g)
        self.add = shortcut and c1 == c2

    def forward(self, x):
        """'forward()' applies the YOLO FPN to input data."""
        return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

3.2、yolo.py

在models/yolo.py的parse_model函数，添加C2f 模块

if m in [Conv, GhostConv, Bottleneck, GhostBottleneck, SPP, DWConv, MixConv2d, Focus, CrossConv, BottleneckCSP,C3, C2f]:
1

3.3、yolov5s_C2F.yaml

在models文件夹新建一个yolov5s_C2F.yaml文件，将yolov5s所有的C3模块都换成了C2f模块。

# 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/IT小白/article/detail/668679