【YOLOv5改进系列(7)】高效涨点----使用yolov8中的C2F模块替换yolov5中的C3模块

本文主要是介绍【YOLOv5改进系列(7)】高效涨点----使用yolov8中的C2F模块替换yolov5中的C3模块，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在这里插入图片描述

文章目录

🚀🚀🚀前言
一、1️⃣ C3模块和C2F模块详解
- 1.1 🎓 C3模块
- 1.2 ✨BottleNeck模块
- 1.3 ⭐️C2F模块
二、2️⃣添加C2f和C2F_Bottleneck模块代码
三、3️⃣新建yolov5s_C2F.yaml文件
四、4️⃣修改yolo.py中的parse_model函数
五、5️⃣实验部分

在这里插入图片描述

👀🎉📜系列文章目录

【YOLOv5改进系列(1)】高效涨点----使用EIoU、Alpha-IoU、SIoU、Focal-EIOU替换CIou
【YOLOv5改进系列(2)】高效涨点----Wise-IoU详细解读及使用Wise-IoU(WIOU)替换CIOU
【YOLOv5改进系列(3)】高效涨点----Optimal Transport Assignment：OTA最优传输方法
【YOLOv5改进系列(4)】高效涨点----添加可变形卷积DCNv2
【YOLOv5改进系列(5)】高效涨点----添加密集小目标检测NWD方法
【YOLOv5改进系列(6)】高效涨点----使用DAMO-YOLO中的Efficient RepGFPN模块替换yolov5中的Neck部分

🚀🚀🚀前言

🚀这里解释一下为什么要使用yolov8中的C2F模块替换yolov5中的C3模块，可能在大家印象当中最新的模型要比旧的模型性能要好，其实博主在训练不同数据集的时候会发现yolov5的检测性能可能会优于v7甚至v8，因为目前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。我在钢轨疵点数据集上进行实验，添加了c2f模块之后的yolov5要比基准模型的map@50提高了2个百分点。

一、1️⃣ C3模块和C2F模块详解

1.1 🎓 C3模块

这里解释一下为什么叫C3模块，因为是由三个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。
在这里插入图片描述
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，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：
在这里插入图片描述

1.2 ✨BottleNeck模块

：在上面解释C3模块的时候，其中是有一个BottleNeck模块，该模块是类似与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。
在这里插入图片描述

1.3 ⭐️C2F模块

在理解C2F模块模块的时候建议是先看第一幅图，通过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。

📜有意思的是Split分出的这条线路和连接方式比较像残差连接结构(不知道这样解释对不对) ，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。

在这里插入图片描述

✨✨✨详细的特征处理可以看下面这个结构图，输入的特征经过Split之后通道数变为原来的一半( $h * w * 0.5 co u t$ )，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。
在这里插入图片描述

二、2️⃣添加C2f和C2F_Bottleneck模块代码

🔥🔥🔥🔥温馨提示：这里的C2f和C2F_Bottleneck其实是我直接从github上的yolov8源码拷贝下来的，修改了部分参数命名，在一开始我是打算直接使用yolov5中的Bottleneck模块，但是仔细阅读v5和v8中的Bottleneck模块发现还是有部分内容不一定，像卷积核大小设置，为了保证代码能够正常运行，所以在拷贝C2f的同时连同v8中的Bottleneck一块拷贝到yolov5中间。

📌首先找到models文件夹下common.py文件，在该文件的最后一行添加如下代码；分别是`C2f和C2F_Bottleneck``模块。

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 channelsself.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, andexpansion."""super().__init__()c_ = int(c2 * e)  # hidden channelsself.cv1 = Conv(c1, c_, k[0], 1)self.cv2 = Conv(c_, c2, k[1], 1, g=g)self.add = shortcut and c1 == c2def 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))

三、3️⃣新建yolov5s_C2F.yaml文件

🔥在models文件夹新建一个yolov5s_C2F.yaml文件，因为我使用的yolov5s权重进行训练，然后将如下代码都拷贝到yolov5s_C2F.yaml文件当中，这里我将所有的C3模块都换成了C2f模块。

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# Parameters
nc: 6  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
anchors:- [ 10,13, 16,30, 33,23 ]  # P3/8- [ 30,61, 62,45, 59,119 ]  # P4/16- [ 116,90, 156,198, 373,326 ]  # P5/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args] 输出640*640[ [ -1, 1, Conv, [ 64, 6, 2, 2 ] ],  # 0-P1/2 320*320    64表示输出的channel，但是需要乘以width_multiple，6表示卷积核的大小，2表示padding大小，2表示stride大小[ -1, 1, Conv, [ 128, 3, 2 ] ],  # 1-P2/4   160*160*128      2表示stride大小[ -1, 3, C2f, [ 128 ] ],[ -1, 1, Conv, [ 256, 3, 2 ] ],  # 3-P3/8   80*80*256[ -1, 6, C2f, [ 256 ] ],[ -1, 1, Conv, [ 512, 3, 2 ] ],  # 5-P4/16   40*40*512[ -1, 9, C2f, [ 512 ] ],[ -1, 1, Conv, [ 1024, 3, 2 ] ],  # 7-P5/32   20*20[ -1, 3, C2f, [ 1024 ] ],[ -1, 1, SPPF, [ 1024, 5 ] ],  # 9]# YOLOv5 v6.0 head
head:#  ================ 自下向上融合FPN =====================[ [ -1, 1, Conv, [ 512, 1, 1 ] ], # 降维 20*20*1024->20*20*512[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ], #上采样 20*20*512->40*40*512[ [ -1, 6 ], 1, Concat, [ 1 ] ],  # cat backbone P4 40*40*(512+512)[ -1, 3, C2f, [ 512, False ] ],  # 13             40*40*1024->40*40*512[ -1, 1, Conv, [ 256, 1, 1 ] ],         #40*40*512->40*40*256[ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],   # 40*40*256->80*80*256[ [ -1, 4 ], 1, Concat, [ 1 ] ],  # cat backbone P3 80*80*(256+256)[ -1, 3, C2f, [ 256, False ] ],  # 17 (P3/8-small) 80*80*512->80*80*256# ================ 自上向下融合PAN ==================[ -1, 1, Conv, [ 256, 3, 2 ] ],  # 80*80*256->40*40*256[ [ -1, 14 ], 1, Concat, [ 1 ] ],  # cat head P4  40*40*(256+256)[ -1, 3, C2f, [ 512, False ] ],  # 20 (P4/16-medium)[ -1, 1, Conv, [ 512, 3, 2 ] ],   #40*40*(256+256)-> 20*20*512[ [ -1, 10 ], 1, Concat, [ 1 ] ],  # cat head P5  20*20*(512+512)[ -1, 3, C2f, [ 1024, False ] ],  # 23 (P5/32-large)[ [ 17, 20, 23 ], 1, Detect, [ nc, anchors ] ],  # Detect(P3, P4, P5)]