主干目录：
【YOLOV5-6.x 版本讲解】整体项目代码注释导航现在YOLOV5已经更新到6.X版本，现在网上很多还停留在5.X的源码注释上，因此特开一贴传承开源精神！5.X版本的可以看其他大佬的帖子本文章主要从6.X版本出发，主要解决6.X版本的项目注释与代码分析！......https://blog.csdn.net/qq_39237205/article/details/125729662
以下内容为本栏目的一部分，更多关注以上链接目录，查找YOLOV5的更多信息
祝福你朋友早日发表sci！
# YOLOv5 🚀 by Ultralytics, GPL-3.0 license# https://blog.csdn.net/qq_39237205/category_11911202.html"""Experimental modules这个模块大多是在近年来的一些奇思妙想的论文中提出来的，yolov5的作者将这些模块与yolov5相结合，进行尝试。
"""
import mathimport numpy as np
import torch
import torch.nn as nnfrom models.common import Conv
from utils.downloads import attempt_downloadclass CrossConv(nn.Module):"""Ghost Convolution 幻象卷积 轻量化网络卷积模块论文: https://arxiv.org/abs/1911.11907源码: https://github.com/huawei-noah/ghostnet常见的几种使用方式: https://github.com/ultralytics/yolov5/issues/2905"""# Cross Convolution Downsampledef __init__(self, c1, c2, k=3, s=1, g=1, e=1.0, shortcut=False):super().__init__()c_ = int(c2 * e) # hidden channelsself.cv1 = Conv(c1, c_, (1, k), (1, s))self.cv2 = Conv(c_, c2, (k, 1), (s, 1), g=g)self.add = shortcut and c1 == c2def forward(self, x):return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))class Sum(nn.Module):"""加权特征融合: 学习不同输入特征的重要性，对不同输入特征有区分的融合 Weighted sum of 2 or more layers思想: 传统的特征融合往往只是简单的feature map叠加/相加 (sum them up), 比如使用concat或者shortcut连接, 而不对同时加进来的feature map进行区分。然而,不同的输入feature map具有不同的分辨率, 它们对融合输入feature map的贡献也是不同的, 因此简单的对他们进行相加或叠加处理并不是最佳的操作, 所以这里我们提出了一种简单而高效的加权特融合的机制。与论文的不同点：这里的权重参数是可以学习的。from: https://arxiv.org/abs/1911.09070"""def __init__(self, n, weight=False): # n: number of inputssuper().__init__()self.weight = weight # 是否使用加权权重融合self.iter = range(n - 1) # 加权 iterif weight:self.w = nn.Parameter(-torch.arange(1.0, n) / 2, requires_grad=True) # 初始化可学习权重def forward(self, x):y = x[0] # no weightif self.weight:w = torch.sigmoid(self.w) * 2 # 得到每一个layer的可学习权重for i in self.iter:y = y + x[i + 1] * w[i] # 加权特征融合else:for i in self.iter:y = y + x[i + 1] # 特征融合return yclass MixConv2d(nn.Module):"""Mixed Depthwise Conv 混合深度卷积 就是使用不同大小的卷积核对深度卷积的不同channel分组处理可以看作是分组深度卷积 + Inception结构的多种卷积核混用论文: https://arxiv.org/abs/1907.09595.源码: https://github.com/tensorflow/tpu/tree/master/models/official/mnasnet/mixnet."""def __init__(self, c1, c2, k=(1, 3), s=1, equal_ch=True): # ch_in, ch_out, kernel, stride, ch_strategy""":params c1: 输入feature map的通道数:params c2: 输出的feature map的通道数（这个函数的关键点就是对c2进行分组）:params k: 混合的卷积核大小 其实论文里是[3, 5, 7...]用的比较多的:params s: 步长 stride:params equal_ch: 通道划分方式 有均等划分和指数划分两种方式 默认是均等划分"""super().__init__()n = len(k) # number of convolutionsif equal_ch:# 均等划分通道i = torch.linspace(0, n - 1E-6, c2).floor() # c2 indicesc_ = [(i == g).sum() for g in range(n)] # intermediate channelselse:# 指数划分通道b = [c2] + [0] * na = np.eye(n + 1, n, k=-1)a -= np.roll(a, 1, axis=1)a *= np.array(k) ** 2a[0] = 1c_ = np.linalg.lstsq(a, b, rcond=None)[0].round() # solve for equal weight indices, ax = bself.m = nn.ModuleList([nn.Conv2d(c1, int(c_), k, s, k // 2, groups=math.gcd(c1, int(c_)), bias=False) for k, c_ in zip(k, c_)])self.bn = nn.BatchNorm2d(c2)self.act = nn.SiLU()def forward(self, x):# 这里和原论文略有出入，这里加了一个shortcut操作return self.act(self.bn(torch.cat([m(x) for m in self.m], 1)))class Ensemble(nn.ModuleList):"""模型集成 Ensemble of models集成建模是通过使用许多不同的建模算法或使用不同的训练数据集创建多个不同模型来预测结果的过程。只要基础模型是多样且独立的，使用集成方法时模型的预测误差就会减小，即在做出预测时寻求群体的智慧。即使集成模型在模型中具有多个基础模型（求多个模型的平均值或最大值），它仍作为单个模型运行和执行（最终还是以一个综合模型的取整进行预测）。目的: 减少模型的泛化误差https://github.com/ultralytics/yolov5/issues/318来源: https://www.sciencedirect.com/topics/computer-science/ensemble-modeling"""# Ensemble of modelsdef __init__(self):super().__init__()def forward(self, x, augment=False, profile=False, visualize=False):y = []# 集成模型为多个模型时, 在每一层forward运算时, 都要运行多个模型在该层的结果append进y中for module in self:y.append(module(x, augment, profile, visualize)[0]) # 添加module# y = torch.stack(y).max(0)[0] # max ensemble# y = torch.stack(y).mean(0) # mean ensembley = torch.cat(y, 1) # # 将两个模型结果concat 后面做nms(等于翻了一倍的pred) nms ensemblereturn y, None # inference, train outputdef attempt_load(weights, map_location=None, inplace=True, fuse=True):"""这个函数用于加载模型权重文件并构建模型（可以构造普通模型或者集成模型）。用在val.py、detect.py、train.py等文件中 一般用在测试、验证阶段Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=a:params weights: 模型的权重文件地址 默认weights/yolov5s.pt可以是[a]也可以是list格式[a, b] 如果是list格式将调用上面的模型集成函数 多模型运算 提高最终模型的泛化误差:params map_location: attempt_download函数参数 表示模型运行设备device:params inplace: pytorch 1.7.0 compatibility设置"""from models.yolo import Detect, Model# Loads an ensemble of models weights=[a,b,c] or a single model weights=[a] or weights=amodel = Ensemble() # 模型集成函数for w in weights if isinstance(weights, list) else [weights]:ckpt = torch.load(attempt_download(w), map_location=map_location) # loadif fuse:model.append(ckpt['ema' if ckpt.get('ema') else 'model'].float().fuse().eval()) # FP32 model->fuse融合->验证模式else:model.append(ckpt['ema' if ckpt.get('ema') else 'model'].float().eval()) # without layer fuse# Compatibility updates(关于版本兼容的设置)for m in model.modules():if type(m) in [nn.Hardswish, nn.LeakyReLU, nn.ReLU, nn.ReLU6, nn.SiLU, Detect, Model]:m.inplace = inplace # pytorch 1.7.0 compatibilityif type(m) is Detect:if not isinstance(m.anchor_grid, list): # new Detect Layer compatibilitydelattr(m, 'anchor_grid')setattr(m, 'anchor_grid', [torch.zeros(1)] * m.nl)elif type(m) is Conv:m._non_persistent_buffers_set = set() # pytorch 1.6.0 compatibilityif len(model) == 1: # 单个模型 正常返回return model[-1] # return modelelse: # 多个模型 使用模型集成 并对模型先进行一些必要的设置print(f'Ensemble created with {weights}\n')# 给每个模型一个name属性for k in ['names']:setattr(model, k, getattr(model[-1], k))# 给每个模型分配stride属性model.stride = model[torch.argmax(torch.tensor([m.stride.max() for m in model])).int()].stride # max stridereturn model # return ensemble 返回集成模型
