过3×3卷积核的卷积层假设输出通道数为4则卷积核shape为3×3×3×4最终输出4个Feature

Map如果有same

padding则尺寸与输入层相同5×5如果没有则为尺寸变为3×3

Convolution

Convolution的一个卷积核负责一个通道一个通道只被一个卷积核卷积。

一张5×5像素、三通道彩色输入图片shape为5×5×3Depthwise

Convolution首先经过第一次卷积运算DW完全是在二维平面内进行。

卷积核的数量与上一层的通道数相同通道和卷积核一一对应。

所以一个三通道的图像经过运算后生成了3个Feature

map(如果有same

map。

而且这种运算对输入层的每个通道独立进行卷积运算没有有效的利用不同通道在相同空间位置上的feature信息。

因此需要Pointwise

map

Convolution的运算与常规卷积运算非常相似它的卷积核的尺寸为

1×1×MM为上一层的通道数。

所以这里的卷积运算会将上一步的map在深度方向上进行加权组合生成新的Feature

map

YOLOV5s中Conv、BottleNeck、C3的代码如下:

原始common.py配置

通用卷积模块,包括1卷积1BN1激活,激活默认SiLU,可用变量指定,不激活时用nn.Identity()占位,直接返回输入def

__init__(self,

self.act(self.bn(self.conv(x)))def

fuseforward(self,

如果shortcut并且输入输出通道相同则跳层相加return

self.add

self.cv3(torch.cat((self.m(self.cv1(x)),

self.cv2(x)),

轻量化C3的改进思路是将原C3模块中使用的普通卷积全部替换为深度可分离卷积其余结构不变改进后的DP_Conv、DP_BottleNeck、DP_C3的代码如下

class

self.act(self.bn(self.conv2(self.conv1(x))))def

fuseforward(self,

self.act(self.conv2(self.conv1(x)))class

__init__(self,

如果shortcut并且输入输出通道相同则跳层相加return

self.add

nn.Sequential(*[DP_Bottleneck(c_,

c_,

self.cv3(torch.cat((self.m(self.cv1(x)),

self.cv2(x)),

d[head]):在列表中添加DP_Conv、DP_BottleNeck、DP_C3这样可以获得我们要传入的参数。

{Conv,