YOLOv8改进 | 主干篇 | RevColV1可逆列网络(特征解耦助力小目标检测)

一、本文介绍

本文给大家带来的是主干网络RevColV1,翻译过来就是可逆列网络去发表于ICLR2022,其是一种新型的神经网络设计(和以前的网络结构的传播方式不太一样),由多个子网络(列)通过多级可逆连接组成。这种设计允许在前向传播过程中特征解耦,保持总信息无压缩或丢弃。其非常适合数据集庞大的目标检测任务,数据集数量越多其效果性能越好,亲测在包含1000个图片的数据集上其涨点效果就非常明显了,大家可以多动手尝试,其RevColV2的论文同时已经发布如果代码开源我也会第一时间给大家上传。

推荐指数:⭐⭐⭐⭐⭐

涨点效果:⭐⭐⭐⭐⭐

专栏回顾:YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备    

训练结果对比图->  

我这里数据集非常小只有不到一千张图片,同时我用的最微量的版本,涨点幅度还算可以,大家可以尝试其中比较高的版本,大家数据集的图片估计也多效果估计会有一个比较大的提升。

目录

一、本文介绍

二、RevColV1的框架原理

2.1 RevColV1的基本原理

2.1.1 可逆连接设计

2.1.2 特征解耦 

2.2 RevColV1的表现

三、RevColV1的核心代码

四、手把手教你添加RevColV1机制

修改一

修改二

修改三 

修改四

修改五 

修改六 

修改七

修改八

五、RevColV1的yaml文件

六、成功运行记录 

七、本文总结


二、RevColV1的框架原理

官方论文地址: 官方论文地址

官方代码地址: 官方代码地址


2.1 RevColV1的基本原理

RevCol的主要原理和思想是利用可逆连接来设计网络结构,允许信息在网络的不同分支(列)间自由流动而不丢失。这种多列结构在前向传播过程中逐渐解耦特征,并保持全部信息,而不是进行压缩或舍弃。这样的设计提高了网络在图像分类、对象检测和语义分割等计算机视觉任务中的表现,尤其是在参数量大和数据集大时。

RevCol的创新点我将其总结为以下几点:

1. 可逆连接设计:通过多个子网络(列)间的可逆连接,保证信息在前向传播过程中不丢失。
2. 特征解耦:在每个列中,特征逐渐被解耦,保持总信息而非压缩或舍弃。
3. 适用于大型数据集和参数:在大型数据集和高参数预算下表现出色。
4. 跨模型应用:可作为宏架构方式,应用于变换器或其他神经网络,改善计算机视觉和NLP任务的性能。

简单总结:RevCol通过其独特的多列结构和可逆连接设计,使得网络能够在处理信息时保持完整性,提高特征处理的效率。这种架构在数据丰富且复杂的情况下尤为有效,且可灵活应用于不同类型的神经网络模型中。

其中的创新点第四点不用叙述了,网络结构可以应用于我们的YOLOv8就是最好的印证。

这是论文中的图片1,展示了传统单列网络(a)与RevCol(b)的信息传播对比。在图(a)中,信息通过一个接一个的层线性传播,每层处理后传递给下一层直至输出。而在图(b)中,RevCol通过多个并行列(Col 1 到 Col N)处理信息,其中可逆连接(蓝色曲线)允许信息在列间传递,保持低级别和语义级别的信息传播。这种结构有助于整个网络维持更丰富的信息,并且每个列都能从其他列中学习到信息,增强了特征的表达和网络的学习能力(但是这种做法导致模型的参数量非常巨大,而且训练速度缓慢计算量比较大)。


2.1.1 可逆连接设计

在RevCol中的可逆连接设计允许多个子网络(称为列)之间进行信息的双向流动。这意味着在前向传播的过程中,每一列都能接收到前一列的信息,并将自己的处理结果传递给下一列,同时能够保留传递过程中的所有信息。这种设计避免了在传统的深度网络中常见的信息丢失问题,特别是在网络层次较深时。因此,RevCol可以在深层网络中维持丰富的特征表示,从而提高了模型对数据的表示能力和学习效率。

这张图片展示了RevCol网络的不同组成部分和信息流动方式。

  • 图 (a) 展示了RevNet中的一个可逆单元,标识了不同时间步长的状态。
  • 图 (b) 展示了多级可逆单元,所有输入在不同级别上进行信息交换。
  • 图 (c) 提供了整个可逆列网络架构的概览,其中包含了简化的多级可逆单元。

整个设计允许信息在网络的不同层级和列之间自由流动,而不会丢失任何信息,这对于深层网络的学习和特征提取是非常有益的(我觉得这里有点类似于Neck部分允许层级之间相互交流信息)


2.1.2 特征解耦 

特征解耦是指在RevCol网络的每个子网络(列)中,特征通过可逆连接传递,同时独立地进行处理和学习。这样,每个列都能保持输入信息的完整性,而不会像传统的深度网络那样,在层与层之间传递时压缩或丢弃信息。随着信息在列中的前进,特征之间的关联性逐渐减弱(解耦),使得网络能够更细致地捕捉并强调重要的特征,这有助于提高模型在复杂任务上的性能和泛化能力。

 

这张图展示了RevCol网络的一个级别(Level l)的微观设计,以及特征融合模块(Fusion Block)的设计。在图(a)中,展示了ConvNeXt级别的标准结构,包括下采样块和残差块。图(b)中的RevCol级别包含了融合模块、残差块和可逆操作。这里的特征解耦是通过融合模块实现的,该模块接收相邻级别的特征图X_{t-1} ,  X_{t-m+1}作为输入,并将它们融合以生成新的特征表示。这样,不同级别的特征在融合过程中被解耦,每个级别维持其信息而不压缩或舍弃。图(c)详细描述了融合模块的内部结构,它通过上采样和下采样操作处理不同分辨率的特征图,然后将它们线性叠加,形成为ConvNeXt块提供的特征。这种设计让特征在不同分辨率间流动时进行有效融合。


2.2 RevColV1的表现

这张图片展示了伴随着FLOPs的增长TOP1的准确率情况,可以看出RevColV1伴随着FLOPs的增加效果逐渐明显。 


三、RevColV1的核心代码

下面的代码是RevColV1的全部代码,其中包含多个版本,但是大家需要注意这个模型训练非常耗时,参数量非常大,但是其特点就是参数量越大效果越好。其使用方式看章节四。

# --------------------------------------------------------
# Reversible Column Networks
# Copyright (c) 2022 Megvii Inc.
# Licensed under The Apache License 2.0 [see LICENSE for details]
# Written by Yuxuan Cai
# --------------------------------------------------------
from typing import Tuple, Any, List
from timm.models.layers import trunc_normal_
import torch
import torch.nn as nn
import torch.nn.functional as F
from timm.models.layers import DropPathclass UpSampleConvnext(nn.Module):def __init__(self, ratio, inchannel, outchannel):super().__init__()self.ratio = ratioself.channel_reschedule = nn.Sequential(# LayerNorm(inchannel, eps=1e-6, data_format="channels_last"),nn.Linear(inchannel, outchannel),LayerNorm(outchannel, eps=1e-6, data_format="channels_last"))self.upsample = nn.Upsample(scale_factor=2 ** ratio, mode='nearest')def forward(self, x):x = x.permute(0, 2, 3, 1)x = self.channel_reschedule(x)x = x = x.permute(0, 3, 1, 2)return self.upsample(x)class LayerNorm(nn.Module):r""" LayerNorm that supports two data formats: channels_last (default) or channels_first.The ordering of the dimensions in the inputs. channels_last corresponds to inputs withshape (batch_size, height, width, channels) while channels_first corresponds to inputswith shape (batch_size, channels, height, width)."""def __init__(self, normalized_shape, eps=1e-6, data_format="channels_first", elementwise_affine=True):super().__init__()self.elementwise_affine = elementwise_affineif elementwise_affine:self.weight = nn.Parameter(torch.ones(normalized_shape))self.bias = nn.Parameter(torch.zeros(normalized_shape))self.eps = epsself.data_format = data_formatif self.data_format not in ["channels_last", "channels_first"]:raise NotImplementedErrorself.normalized_shape = (normalized_shape,)def forward(self, x):if self.data_format == "channels_last":return F.layer_norm(x, self.normalized_shape, self.weight, self.bias, self.eps)elif self.data_format == "channels_first":u = x.mean(1, keepdim=True)s = (x - u).pow(2).mean(1, keepdim=True)x = (x - u) / torch.sqrt(s + self.eps)if self.elementwise_affine:x = self.weight[:, None, None] * x + self.bias[:, None, None]return xclass ConvNextBlock(nn.Module):r""" ConvNeXt Block. There are two equivalent implementations:(1) DwConv -> LayerNorm (channels_first) -> 1x1 Conv -> GELU -> 1x1 Conv; all in (N, C, H, W)(2) DwConv -> Permute to (N, H, W, C); LayerNorm (channels_last) -> Linear -> GELU -> Linear; Permute backWe use (2) as we find it slightly faster in PyTorchArgs:dim (int): Number of input channels.drop_path (float): Stochastic depth rate. Default: 0.0layer_scale_init_value (float): Init value for Layer Scale. Default: 1e-6."""def __init__(self, in_channel, hidden_dim, out_channel, kernel_size=3, layer_scale_init_value=1e-6, drop_path=0.0):super().__init__()self.dwconv = nn.Conv2d(in_channel, in_channel, kernel_size=kernel_size, padding=(kernel_size - 1) // 2,groups=in_channel)  # depthwise convself.norm = nn.LayerNorm(in_channel, eps=1e-6)self.pwconv1 = nn.Linear(in_channel, hidden_dim)  # pointwise/1x1 convs, implemented with linear layersself.act = nn.GELU()self.pwconv2 = nn.Linear(hidden_dim, out_channel)self.gamma = nn.Parameter(layer_scale_init_value * torch.ones((out_channel)),requires_grad=True) if layer_scale_init_value > 0 else Noneself.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()def forward(self, x):input = xx = self.dwconv(x)x = x.permute(0, 2, 3, 1)  # (N, C, H, W) -> (N, H, W, C)x = self.norm(x)x = self.pwconv1(x)x = self.act(x)# print(f"x min: {x.min()}, x max: {x.max()}, input min: {input.min()}, input max: {input.max()}, x mean: {x.mean()}, x var: {x.var()}, ratio: {torch.sum(x>8)/x.numel()}")x = self.pwconv2(x)if self.gamma is not None:x = self.gamma * xx = x.permute(0, 3, 1, 2)  # (N, H, W, C) -> (N, C, H, W)x = input + self.drop_path(x)return xclass Decoder(nn.Module):def __init__(self, depth=[2, 2, 2, 2], dim=[112, 72, 40, 24], block_type=None, kernel_size=3) -> None:super().__init__()self.depth = depthself.dim = dimself.block_type = block_typeself._build_decode_layer(dim, depth, kernel_size)self.projback = nn.Sequential(nn.Conv2d(in_channels=dim[-1],out_channels=4 ** 2 * 3, kernel_size=1),nn.PixelShuffle(4),)def _build_decode_layer(self, dim, depth, kernel_size):normal_layers = nn.ModuleList()upsample_layers = nn.ModuleList()proj_layers = nn.ModuleList()norm_layer = LayerNormfor i in range(1, len(dim)):module = [self.block_type(dim[i], dim[i], dim[i], kernel_size) for _ in range(depth[i])]normal_layers.append(nn.Sequential(*module))upsample_layers.append(nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True))proj_layers.append(nn.Sequential(nn.Conv2d(dim[i - 1], dim[i], 1, 1),norm_layer(dim[i]),nn.GELU()))self.normal_layers = normal_layersself.upsample_layers = upsample_layersself.proj_layers = proj_layersdef _forward_stage(self, stage, x):x = self.proj_layers[stage](x)x = self.upsample_layers[stage](x)return self.normal_layers[stage](x)def forward(self, c3):x = self._forward_stage(0, c3)  # 14x = self._forward_stage(1, x)  # 28x = self._forward_stage(2, x)  # 56x = self.projback(x)return xclass SimDecoder(nn.Module):def __init__(self, in_channel, encoder_stride) -> None:super().__init__()self.projback = nn.Sequential(LayerNorm(in_channel),nn.Conv2d(in_channels=in_channel,out_channels=encoder_stride ** 2 * 3, kernel_size=1),nn.PixelShuffle(encoder_stride),)def forward(self, c3):return self.projback(c3)def get_gpu_states(fwd_gpu_devices) -> Tuple[List[int], List[torch.Tensor]]:# This will not error out if "arg" is a CPU tensor or a non-tensor type because# the conditionals short-circuit.fwd_gpu_states = []for device in fwd_gpu_devices:with torch.cuda.device(device):fwd_gpu_states.append(torch.cuda.get_rng_state())return fwd_gpu_statesdef get_gpu_device(*args):fwd_gpu_devices = list(set(arg.get_device() for arg in argsif isinstance(arg, torch.Tensor) and arg.is_cuda))return fwd_gpu_devicesdef set_device_states(fwd_cpu_state, devices, states) -> None:torch.set_rng_state(fwd_cpu_state)for device, state in zip(devices, states):with torch.cuda.device(device):torch.cuda.set_rng_state(state)def detach_and_grad(inputs: Tuple[Any, ...]) -> Tuple[torch.Tensor, ...]:if isinstance(inputs, tuple):out = []for inp in inputs:if not isinstance(inp, torch.Tensor):out.append(inp)continuex = inp.detach()x.requires_grad = Trueout.append(x)return tuple(out)else:raise RuntimeError("Only tuple of tensors is supported. Got Unsupported input type: ", type(inputs).__name__)def get_cpu_and_gpu_states(gpu_devices):return torch.get_rng_state(), get_gpu_states(gpu_devices)class ReverseFunction(torch.autograd.Function):@staticmethoddef forward(ctx, run_functions, alpha, *args):l0, l1, l2, l3 = run_functionsalpha0, alpha1, alpha2, alpha3 = alphactx.run_functions = run_functionsctx.alpha = alphactx.preserve_rng_state = Truectx.gpu_autocast_kwargs = {"enabled": torch.is_autocast_enabled(),"dtype": torch.get_autocast_gpu_dtype(),"cache_enabled": torch.is_autocast_cache_enabled()}ctx.cpu_autocast_kwargs = {"enabled": torch.is_autocast_cpu_enabled(),"dtype": torch.get_autocast_cpu_dtype(),"cache_enabled": torch.is_autocast_cache_enabled()}assert len(args) == 5[x, c0, c1, c2, c3] = argsif type(c0) == int:ctx.first_col = Trueelse:ctx.first_col = Falsewith torch.no_grad():gpu_devices = get_gpu_device(*args)ctx.gpu_devices = gpu_devicesctx.cpu_states_0, ctx.gpu_states_0 = get_cpu_and_gpu_states(gpu_devices)c0 = l0(x, c1) + c0 * alpha0ctx.cpu_states_1, ctx.gpu_states_1 = get_cpu_and_gpu_states(gpu_devices)c1 = l1(c0, c2) + c1 * alpha1ctx.cpu_states_2, ctx.gpu_states_2 = get_cpu_and_gpu_states(gpu_devices)c2 = l2(c1, c3) + c2 * alpha2ctx.cpu_states_3, ctx.gpu_states_3 = get_cpu_and_gpu_states(gpu_devices)c3 = l3(c2, None) + c3 * alpha3ctx.save_for_backward(x, c0, c1, c2, c3)return x, c0, c1, c2, c3@staticmethoddef backward(ctx, *grad_outputs):x, c0, c1, c2, c3 = ctx.saved_tensorsl0, l1, l2, l3 = ctx.run_functionsalpha0, alpha1, alpha2, alpha3 = ctx.alphagx_right, g0_right, g1_right, g2_right, g3_right = grad_outputs(x, c0, c1, c2, c3) = detach_and_grad((x, c0, c1, c2, c3))with torch.enable_grad(), \torch.random.fork_rng(devices=ctx.gpu_devices, enabled=ctx.preserve_rng_state), \torch.cuda.amp.autocast(**ctx.gpu_autocast_kwargs), \torch.cpu.amp.autocast(**ctx.cpu_autocast_kwargs):g3_up = g3_rightg3_left = g3_up * alpha3  ##shortcutset_device_states(ctx.cpu_states_3, ctx.gpu_devices, ctx.gpu_states_3)oup3 = l3(c2, None)torch.autograd.backward(oup3, g3_up, retain_graph=True)with torch.no_grad():c3_left = (1 / alpha3) * (c3 - oup3)  ## feature reverseg2_up = g2_right + c2.gradg2_left = g2_up * alpha2  ##shortcut(c3_left,) = detach_and_grad((c3_left,))set_device_states(ctx.cpu_states_2, ctx.gpu_devices, ctx.gpu_states_2)oup2 = l2(c1, c3_left)torch.autograd.backward(oup2, g2_up, retain_graph=True)c3_left.requires_grad = Falsecout3 = c3_left * alpha3  ##alpha3 updatetorch.autograd.backward(cout3, g3_up)with torch.no_grad():c2_left = (1 / alpha2) * (c2 - oup2)  ## feature reverseg3_left = g3_left + c3_left.grad if c3_left.grad is not None else g3_leftg1_up = g1_right + c1.gradg1_left = g1_up * alpha1  ##shortcut(c2_left,) = detach_and_grad((c2_left,))set_device_states(ctx.cpu_states_1, ctx.gpu_devices, ctx.gpu_states_1)oup1 = l1(c0, c2_left)torch.autograd.backward(oup1, g1_up, retain_graph=True)c2_left.requires_grad = Falsecout2 = c2_left * alpha2  ##alpha2 updatetorch.autograd.backward(cout2, g2_up)with torch.no_grad():c1_left = (1 / alpha1) * (c1 - oup1)  ## feature reverseg0_up = g0_right + c0.gradg0_left = g0_up * alpha0  ##shortcutg2_left = g2_left + c2_left.grad if c2_left.grad is not None else g2_left  ## Fusion(c1_left,) = detach_and_grad((c1_left,))set_device_states(ctx.cpu_states_0, ctx.gpu_devices, ctx.gpu_states_0)oup0 = l0(x, c1_left)torch.autograd.backward(oup0, g0_up, retain_graph=True)c1_left.requires_grad = Falsecout1 = c1_left * alpha1  ##alpha1 updatetorch.autograd.backward(cout1, g1_up)with torch.no_grad():c0_left = (1 / alpha0) * (c0 - oup0)  ## feature reversegx_up = x.grad  ## Fusiong1_left = g1_left + c1_left.grad if c1_left.grad is not None else g1_left  ## Fusionc0_left.requires_grad = Falsecout0 = c0_left * alpha0  ##alpha0 updatetorch.autograd.backward(cout0, g0_up)if ctx.first_col:return None, None, gx_up, None, None, None, Noneelse:return None, None, gx_up, g0_left, g1_left, g2_left, g3_leftclass Fusion(nn.Module):def __init__(self, level, channels, first_col) -> None:super().__init__()self.level = levelself.first_col = first_colself.down = nn.Sequential(nn.Conv2d(channels[level - 1], channels[level], kernel_size=2, stride=2),LayerNorm(channels[level], eps=1e-6, data_format="channels_first"),) if level in [1, 2, 3] else nn.Identity()if not first_col:self.up = UpSampleConvnext(1, channels[level + 1], channels[level]) if level in [0, 1, 2] else nn.Identity()def forward(self, *args):c_down, c_up = argsif self.first_col:x = self.down(c_down)return xif self.level == 3:x = self.down(c_down)else:x = self.up(c_up) + self.down(c_down)return xclass Level(nn.Module):def __init__(self, level, channels, layers, kernel_size, first_col, dp_rate=0.0) -> None:super().__init__()countlayer = sum(layers[:level])expansion = 4self.fusion = Fusion(level, channels, first_col)modules = [ConvNextBlock(channels[level], expansion * channels[level], channels[level], kernel_size=kernel_size,layer_scale_init_value=1e-6, drop_path=dp_rate[countlayer + i]) for i inrange(layers[level])]self.blocks = nn.Sequential(*modules)def forward(self, *args):x = self.fusion(*args)x = self.blocks(x)return xclass SubNet(nn.Module):def __init__(self, channels, layers, kernel_size, first_col, dp_rates, save_memory) -> None:super().__init__()shortcut_scale_init_value = 0.5self.save_memory = save_memoryself.alpha0 = nn.Parameter(shortcut_scale_init_value * torch.ones((1, channels[0], 1, 1)),requires_grad=True) if shortcut_scale_init_value > 0 else Noneself.alpha1 = nn.Parameter(shortcut_scale_init_value * torch.ones((1, channels[1], 1, 1)),requires_grad=True) if shortcut_scale_init_value > 0 else Noneself.alpha2 = nn.Parameter(shortcut_scale_init_value * torch.ones((1, channels[2], 1, 1)),requires_grad=True) if shortcut_scale_init_value > 0 else Noneself.alpha3 = nn.Parameter(shortcut_scale_init_value * torch.ones((1, channels[3], 1, 1)),requires_grad=True) if shortcut_scale_init_value > 0 else Noneself.level0 = Level(0, channels, layers, kernel_size, first_col, dp_rates)self.level1 = Level(1, channels, layers, kernel_size, first_col, dp_rates)self.level2 = Level(2, channels, layers, kernel_size, first_col, dp_rates)self.level3 = Level(3, channels, layers, kernel_size, first_col, dp_rates)def _forward_nonreverse(self, *args):x, c0, c1, c2, c3 = argsc0 = (self.alpha0) * c0 + self.level0(x, c1)c1 = (self.alpha1) * c1 + self.level1(c0, c2)c2 = (self.alpha2) * c2 + self.level2(c1, c3)c3 = (self.alpha3) * c3 + self.level3(c2, None)return c0, c1, c2, c3def _forward_reverse(self, *args):local_funs = [self.level0, self.level1, self.level2, self.level3]alpha = [self.alpha0, self.alpha1, self.alpha2, self.alpha3]_, c0, c1, c2, c3 = ReverseFunction.apply(local_funs, alpha, *args)return c0, c1, c2, c3def forward(self, *args):self._clamp_abs(self.alpha0.data, 1e-3)self._clamp_abs(self.alpha1.data, 1e-3)self._clamp_abs(self.alpha2.data, 1e-3)self._clamp_abs(self.alpha3.data, 1e-3)if self.save_memory:return self._forward_reverse(*args)else:return self._forward_nonreverse(*args)def _clamp_abs(self, data, value):with torch.no_grad():sign = data.sign()data.abs_().clamp_(value)data *= signclass Classifier(nn.Module):def __init__(self, in_channels, num_classes):super().__init__()self.avgpool = nn.AdaptiveAvgPool2d((1, 1))self.classifier = nn.Sequential(nn.LayerNorm(in_channels, eps=1e-6),  # final norm layernn.Linear(in_channels, num_classes),)def forward(self, x):x = self.avgpool(x)x = x.view(x.size(0), -1)x = self.classifier(x)return xclass FullNet(nn.Module):def __init__(self, channels=[32, 64, 96, 128], layers=[2, 3, 6, 3], num_subnet=5, kernel_size=3, drop_path=0.0,save_memory=True, inter_supv=True) -> None:super().__init__()self.num_subnet = num_subnetself.inter_supv = inter_supvself.channels = channelsself.layers = layersself.stem = nn.Sequential(nn.Conv2d(3, channels[0], kernel_size=4, stride=4),LayerNorm(channels[0], eps=1e-6, data_format="channels_first"))dp_rate = [x.item() for x in torch.linspace(0, drop_path, sum(layers))]for i in range(num_subnet):first_col = True if i == 0 else Falseself.add_module(f'subnet{str(i)}', SubNet(channels, layers, kernel_size, first_col, dp_rates=dp_rate, save_memory=save_memory))self.apply(self._init_weights)self.width_list = [i.size(1) for i in self.forward(torch.randn(1, 3, 640, 640))]def forward(self, x):c0, c1, c2, c3 = 0, 0, 0, 0x = self.stem(x)for i in range(self.num_subnet):c0, c1, c2, c3 = getattr(self, f'subnet{str(i)}')(x, c0, c1, c2, c3)return [c0, c1, c2, c3]def _init_weights(self, module):if isinstance(module, nn.Conv2d):trunc_normal_(module.weight, std=.02)nn.init.constant_(module.bias, 0)elif isinstance(module, nn.Linear):trunc_normal_(module.weight, std=.02)nn.init.constant_(module.bias, 0)##-------------------------------------- Tiny -----------------------------------------def revcol_tiny(save_memory=True, inter_supv=True, drop_path=0.1, kernel_size=3):channels = [64, 128, 256, 512]layers = [2, 2, 4, 2]num_subnet = 4return FullNet(channels, layers, num_subnet, drop_path=drop_path, save_memory=save_memory, inter_supv=inter_supv,kernel_size=kernel_size)##-------------------------------------- Small -----------------------------------------def revcol_small(save_memory=True, inter_supv=True, drop_path=0.3, kernel_size=3):channels = [64, 128, 256, 512]layers = [2, 2, 4, 2]num_subnet = 8return FullNet(channels, layers, num_subnet, drop_path=drop_path, save_memory=save_memory, inter_supv=inter_supv,kernel_size=kernel_size)##-------------------------------------- Base -----------------------------------------def revcol_base(save_memory=True, inter_supv=True, drop_path=0.4, kernel_size=3, head_init_scale=None):channels = [72, 144, 288, 576]layers = [1, 1, 3, 2]num_subnet = 16return FullNet(channels, layers, num_subnet, drop_path=drop_path, save_memory=save_memory, inter_supv=inter_supv, kernel_size=kernel_size)##-------------------------------------- Large -----------------------------------------def revcol_large(save_memory=True, inter_supv=True, drop_path=0.5, kernel_size=3, head_init_scale=None):channels = [128, 256, 512, 1024]layers = [1, 2, 6, 2]num_subnet = 8return FullNet(channels, layers, num_subnet, drop_path=drop_path, save_memory=save_memory, inter_supv=inter_supv, kernel_size=kernel_size)##--------------------------------------Extra-Large -----------------------------------------
def revcol_xlarge(save_memory=True, inter_supv=True, drop_path=0.5, kernel_size=3, head_init_scale=None):channels = [224, 448, 896, 1792]layers = [1, 2, 6, 2]num_subnet = 8return FullNet(channels, layers, num_subnet, drop_path=drop_path, save_memory=save_memory, inter_supv=inter_supv, kernel_size=kernel_size)# model = revcol_xlarge(True)
# # 示例输入
# input = torch.randn(64, 3, 224, 224)
# output = model(input)
#
# print(len(output))#torch.Size([3, 64, 224, 224])

四、手把手教你添加RevColV1机制

这个主干的网络结构添加起来算是所有的改进机制里最麻烦的了,因为有一些网略结构可以用yaml文件搭建出来,有一些网络结构其中的一些细节根本没有办法用yaml文件去搭建,用yaml文件去搭建会损失一些细节部分(而且一个网络结构设计很多细节的结构修改方式都不一样,一个一个去修改大家难免会出错),所以这里让网络直接返回整个网络,然后修改部分 yolo代码以后就都以这种形式添加了,以后我提出的网络模型基本上都会通过这种方式修改,我也会进行一些模型细节改进。创新出新的网络结构大家直接拿来用就可以的。下面开始添加教程->

(同时每一个后面都有代码,大家拿来复制粘贴替换即可,但是要看好了不要复制粘贴替换多了)


修改一

我们复制网络结构代码到“ultralytics/nn/modules”目录下创建一个py文件复制粘贴进去 ,我这里起的名字是RevColV1。


修改二

找到如下的文件"ultralytics/nn/tasks.py" 在开始的部分导入我们的模型如下图。

from .modules.RevColV1 import revcol_tiny, revcol_base, revcol_xlarge, revcol_large, revcol_small


修改三 

添加如下两行代码!!!


修改四

找到七百多行大概把具体看图片,按照图片来修改就行,添加红框内的部分,注意没有()只是函数名,我这里只添加了部分的版本,大家有兴趣这个RevColV1还有更多的版本可以添加,看我给的代码函数头即可。

        elif m in {自行添加对应的模型即可,下面都是一样的}:m = m()c2 = m.width_list  # 返回通道列表backbone = True


修改五 

下面的两个红框内都是需要改动的。 

        if isinstance(c2, list):m_ = mm_.backbone = Trueelse:m_ = nn.Sequential(*(m(*args) for _ in range(n))) if n > 1 else m(*args)  # modulet = str(m)[8:-2].replace('__main__.', '')  # module typem.np = sum(x.numel() for x in m_.parameters())  # number paramsm_.i, m_.f, m_.type = i + 4 if backbone else i, f, t  # attach index, 'from' index, type


修改六 

如下的也需要修改,全部按照我的来。

代码如下把原先的代码替换了即可。 

        if verbose:LOGGER.info(f'{i:>3}{str(f):>20}{n_:>3}{m.np:10.0f}  {t:<45}{str(args):<30}')  # printsave.extend(x % (i + 4 if backbone else i) for x in ([f] if isinstance(f, int) else f) if x != -1)  # append to savelistlayers.append(m_)if i == 0:ch = []if isinstance(c2, list):ch.extend(c2)if len(c2) != 5:ch.insert(0, 0)else:ch.append(c2)


修改七

修改七和前面的都不太一样,需要修改前向传播中的一个部分, 已经离开了parse_model方法了。

可以在图片中开代码行数,没有离开task.py文件都是同一个文件。 同时这个部分有好几个前向传播都很相似,大家不要看错了,是70多行左右的!!!,同时我后面提供了代码,大家直接复制粘贴即可,有时间我针对这里会出一个视频。

代码如下->

    def _predict_once(self, x, profile=False, visualize=False):"""Perform a forward pass through the network.Args:x (torch.Tensor): The input tensor to the model.profile (bool):  Print the computation time of each layer if True, defaults to False.visualize (bool): Save the feature maps of the model if True, defaults to False.Returns:(torch.Tensor): The last output of the model."""y, dt = [], []  # outputsfor m in self.model:if m.f != -1:  # if not from previous layerx = y[m.f] if isinstance(m.f, int) else [x if j == -1 else y[j] for j in m.f]  # from earlier layersif profile:self._profile_one_layer(m, x, dt)if hasattr(m, 'backbone'):x = m(x)if len(x) != 5: # 0 - 5x.insert(0, None)for index, i in enumerate(x):if index in self.save:y.append(i)else:y.append(None)x = x[-1] # 最后一个输出传给下一层else:x = m(x)  # runy.append(x if m.i in self.save else None)  # save outputif visualize:feature_visualization(x, m.type, m.i, save_dir=visualize)return x

到这里就完成了修改部分,但是这里面细节很多,大家千万要注意不要替换多余的代码,导致报错,也不要拉下任何一部,都会导致运行失败,而且报错很难排查!!!很难排查!!! 


修改八

我们找到如下文件'ultralytics/utils/torch_utils.py'按照如下的图片进行修改,否则容易打印不出来计算量。

五、RevColV1的yaml文件

复制如下yaml文件进行运行!!! 

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parameters
nc: 80  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPss: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPsm: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPsl: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOP# YOLOv8.0n backbone
backbone:# [from, repeats, module, args]- [-1, 1, revcol_tiny, []]  # 4- [-1, 1, SPPF, [1024, 5]]  # 5# YOLOv8.0n head
head:- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 6- [[-1, 3], 1, Concat, [1]]  # 7 cat backbone P4- [-1, 3, C2f, [512]]  # 8- [-1, 1, nn.Upsample, [None, 2, 'nearest']] # 9- [[-1, 2], 1, Concat, [1]]  # 10 cat backbone P3- [-1, 3, C2f, [256]]  # 11 (P3/8-small)- [-1, 1, Conv, [256, 3, 2]] # 12- [[-1, 8], 1, Concat, [1]]  # 13 cat head P4- [-1, 3, C2f, [512]]  # 14 (P4/16-medium)- [-1, 1, Conv, [512, 3, 2]] # 15- [[-1, 5], 1, Concat, [1]]  # 16 cat head P5- [-1, 3, C2f, [1024]]  # 17 (P5/32-large)- [[11, 14, 17], 1, Detect, [nc]]  # Detect(P3, P4, P5)


六、成功运行记录 

下面是成功运行的截图,已经完成了有1个epochs的训练,图片太大截不全第2个epochs了。 


七、本文总结

到此本文的正式分享内容就结束了,在这里给大家推荐我的YOLOv8改进有效涨点专栏,本专栏目前为新开的平均质量分98分,后期我会根据各种最新的前沿顶会进行论文复现,也会对一些老的改进机制进行补充,目前本专栏免费阅读(暂时,大家尽早关注不迷路~)如果大家觉得本文帮助到你了,订阅本专栏,关注后续更多的更新~

专栏回顾:YOLOv8改进系列专栏——本专栏持续复习各种顶会内容——科研必备

​​

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/577860.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【Python_09】Python基础语法(数据容器之列表详解)

文章目录 概述Python中的数据容器列表1.1 定义列表1.2列表取值与修改1.3 列表遍历1.3.1 使用for循环遍历列表1.3.2 使用while循环遍历1.3.3 使用enumerate()函数获取索引和元素 1.4 列表常用方法 概述 数据容器是用来存储和组织数据的数据结构和对象。可以以不同的方式存储和操…

SpringBoot Event,事件驱动轻松实现业务解耦

什么是事件驱动 Spring 官方文档AWS Event Driven 简单来说事件驱动是一种行为型设计模式&#xff0c;通过建立一对多的依赖关系&#xff0c;使得当一个对象的状态发生变化时&#xff0c;所有依赖它的对象都能自动接收通知并更新。即将自身耦合的行为进行拆分&#xff0c;使拆…

@click 默认传递原生的事件对象

项目场景 [Day1] <template><div id"app"><h1>小黑记事本</h1><button click"handleClick">www</button><div class"head"><!-- 按键&#xff08;回车&#xff09;按下&#xff0c;出发add事件&…

Leetcode---376周赛---中位数贪心

题目列表 2965. 找出缺失和重复的数字 2966. 划分数组并满足最大差限制 2967. 使数组成为等数数组的最小代价 2968. 执行操作使频率分数最大 一、找到缺失和重复的数字 由于数据范围不是很大&#xff0c;可以直接暴力统计每个数字出现的次数&#xff0c;时间复杂度为O(n^2…

【Java中序列化的原理是什么(解析)】

&#x1f341;序列化的原理是什么&#xff1f; &#x1f341;典型-----解析&#x1f341;拓展知识仓&#x1f341;Serializable 和 Externalizable 接门有何不同? &#x1f341;如果序列化后的文件或者原始类被篡改&#xff0c;还能被反序列化吗?&#x1f341;serialVersionU…

【SpringCloud笔记】(9)分布式配置中心之Config

Config 概述 分布式系统当前面临的配置问题 微服务意味着要将单体应用中的业务拆分成一个个子服务&#xff0c;每个服务的粒度相对较小&#xff0c;因此系统中会出现大量的服务。 比如&#xff1a;有n个微服务连接同一套数据库&#xff0c;当连接数据库需要发生变动时&…

Exploring the Limits of Masked Visual Representation Learning at Scale论文笔记

论文名称&#xff1a;EVA: Exploring the Limits of Masked Visual Representation Learning at Scale 发表时间&#xff1a;CVPR2023 作者及组织&#xff1a;北京人工智能研究院&#xff1b;华中科技大学&#xff1b;浙江大学&#xff1b;北京理工大学 GitHub&#xff1a;http…

ARM串口通信编程实验

完成&#xff1a;从终端输入选项&#xff0c;完成点灯关灯&#xff0c;打开风扇关闭风扇等操作 #include "gpio.h" int main() {char a;//char buf[128];uart4_config();gpio_config();while(1){//接收一个字符数据a getchar();//发送接收的字符putchar(a);switch(…

redis复习笔记01(小滴课堂)

高并发的必备两大“核技术”队列和缓存 介绍本地缓存和分布式缓存 Nosql介绍和Reidis介绍 Linux服务器源码安装Redis6和相关依赖 在路径下上传压缩包。 上传压缩包。 版本更新了&#xff0c;但这是临时的。 版本更新了。 解压压缩包&#xff1a; 重命名&#xff1a; 我们可以看…

C# WPF上位机开发(MySql访问)

【 声明&#xff1a;版权所有&#xff0c;欢迎转载&#xff0c;请勿用于商业用途。 联系信箱&#xff1a;feixiaoxing 163.com】 前面我们学习了数据库sqlite&#xff0c;不过这是一种小型的数据库&#xff0c;作为内部使用还可以。但是&#xff0c;如果要与外面的其他供应商进…

蓝牙物联网在智慧医疗中的应用

物联网技术开启了万物互联的时代&#xff0c;并且随着智慧城市建设的加速推进及物联网技术对各行业的逐步渗透&#xff0c;“智慧”概念应运而生&#xff0c;诸如智慧能源、智慧交通、智慧医疗等“遍地开花”&#xff0c;可以说&#xff0c;物联网技术给各行业带来了产业模式上…

Arduino/Android 蓝牙通信系统设计解决方案

随着当今安全管理的发展需求以及国家对安全监控行业的支持&#xff0c;这几年&#xff0c;安全监控行业发展迅猛&#xff0c;各类监控系统百花齐放。传统的温度监控系统通过有线或其他方式传送温度数据&#xff0c;而本文提出了利用蓝牙无线传输数据的设计方案&#xff0c;这种…

FLStudio21中文版水果编曲软件好用吗?如何下载最新版本

FL Studio21版是一款在国内非常受欢迎的多功能音频处理软件&#xff0c;我们可以通过这款软件来对多种不同格式的音频文件来进行编辑处理。而且FL Studio 21版还为用户们准备了超多的音乐乐器伴奏&#xff0c;我们可以直接一键调取自己需要的音调。 FL Studio21版不仅拥有非常…

金和OA C6 gethomeinfo sql注入漏洞

产品介绍 金和网络是专业信息化服务商,为城市监管部门提供了互联网监管解决方案,为企事业单位提供组织协同OA系统开发平台,电子政务一体化平台,智慧电商平台等服务。 漏洞概述 金和 OA C6 gethomeinfo接口处存在SQL注入漏洞&#xff0c;攻击者除了可以利用 SQL 注入漏洞获取…

vue3+ts pinia存储及持久化

index.ts 需要安装pinia-plugin-persist npm i pinia-plugin-persist -Simport { createPinia} from "pinia" // 引入批量的pinia持久存储插件 import piniaPluginPersist from pinia-plugin-persist const storecreatePinia(); store.use(piniaPluginPers…

【网络安全 | 网络协议】结合Wireshark讲解TCP三次握手

TCP三次握手在Wireshark数据包中是如何体现的&#xff1f;在此之前&#xff0c;先熟悉TCP三次握手的流程。 TCP三次握手流程 TCP&#xff08;传输控制协议&#xff09;是一种面向连接的、可靠的传输层协议。在建立 TCP 连接时&#xff0c;需要进行三次握手&#xff0c;防止因为…

【自然语言处理】用Python从文本中删除个人信息-第二部分

自我介绍 做一个简单介绍&#xff0c;酒架年近48 &#xff0c;有20多年IT工作经历&#xff0c;目前在一家500强做企业架构&#xff0e;因为工作需要&#xff0c;另外也因为兴趣涉猎比较广&#xff0c;为了自己学习建立了三个博客&#xff0c;分别是【全球IT瞭望】&#xff0c;【…

uni-app pages.json之globalStyle全局页面样式配置

锋哥原创的uni-app视频教程&#xff1a; 2023版uniapp从入门到上天视频教程(Java后端无废话版)&#xff0c;火爆更新中..._哔哩哔哩_bilibili2023版uniapp从入门到上天视频教程(Java后端无废话版)&#xff0c;火爆更新中...共计23条视频&#xff0c;包括&#xff1a;第1讲 uni…

STM32软硬件CRC测速对比

硬件CRC配置 以及软硬件CRC速度对比 使用CUBEMX配置默认使用的是CRC32&#xff0c;从库中可以看出这一点 HAL库提供了以下两个计算函数 HAL_CRC_Accumulate(CRC_HandleTypeDef *hcrc, uint32_t pBuffer[], uint32_t BufferLength); 这个函数用于在已有的CRC校验结果的基础上累积…

听GPT 讲Rust源代码--src/tools(26)

File: rust/src/tools/clippy/clippy_lints/src/methods/iter_out_of_bounds.rs 在Rust源代码中&#xff0c;iter_out_of_bounds.rs文件是Clippy lints库的一部分&#xff0c;该库用于静态代码分析&#xff0c;用于检测Rust代码中的潜在问题和错误。iter_out_of_bounds.rs文件中…