如何把yolov5里的PANet层改成BiFPN详析

　　如今yolov5的neck用的都是PANet,在efficient文章中给出了BiFPN结构,也有更为很不错的特性,接下来本文关键为大家介绍了对于如何将yolov5里的PANet层改成BiFPN的资料,必须的小伙伴可以借鉴一下

　　一、Add

　　1.在common.py后放入如下所示编码

　　#融合BiFPN设定可学习培训主要参数学习培训差异支系的权重值
　　#2个支系add实际操作
　　classBiFPN_Add2(nn.Module):
　　def__init__(self,c1,c2):
　　super(BiFPN_Add2,self).__init__()
　　#设定可学习培训主要参数nn.Parameter的的作用是：把一个不能锻炼的种类Tensor转化成能够锻炼的种类parameter
　　#而且会往寄主实体模型申请注册该主要参数作为其部分即model.parameters()会含有这个parameter
　　#进而在参数优化的时候也可以全自动一块儿提升
　　self.w=nn.Parameter(torch.ones(2,dtype=torch.float32),requires_grad=True)
　　self.epsilon=0.0001
　　self.conv=nn.Conv2d(c1,c2,kernel_size=1,stride=1,padding=0)
　　self.silu=nn.SiLU()
　　def forward(self,x):
　　w=self.w
　　weight=w/(torch.sum(w,dim=0)+self.epsilon)
　　return self.conv(self.silu(weight[0]*x[0]+weight[1]*x[1]))
　　#三个分支add操作
　　class BiFPN_Add3(nn.Module):
　　def __init__(self,c1,c2):
　　super(BiFPN_Add3,self).__init__()
　　self.w=nn.Parameter(torch.ones(3,dtype=torch.float32),requires_grad=True)
　　self.epsilon=0.0001
　　self.conv=nn.Conv2d(c1,c2,kernel_size=1,stride=1,padding=0)
　　self.silu=nn.SiLU()
　　def forward(self,x):
　　w=self.w
　　weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化
　　#Fast normalized fusion
　　return self.conv(self.silu(weight[0]*x[0]+weight[1]*x[1]+weight[2]*x[2]))

　　2.yolov5s.yaml进行修改

　　#YOLOv5????by Ultralytics,GPL-3.0 license
　　#Parameters
　　nc:80#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]
　　[[-1,1,Conv,[64,6,2,2]],#0-P1/2
　　[-1,1,Conv,[128,3,2]],#1-P2/4
　　[-1,3,C3,[128]],
　　[-1,1,Conv,[256,3,2]],#3-P3/8
　　[-1,6,C3,[256]],
　　[-1,1,Conv,[512,3,2]],#5-P4/16
　　[-1,9,C3,[512]],
　　[-1,1,Conv,[1024,3,2]],#7-P5/32
　　[-1,3,C3,[1024]],
　　[-1,1,SPPF,[1024,5]],#9
　　]
　　#YOLOv5 v6.0 BiFPN head
　　head:
　　[[-1,1,Conv,[512,1,1]],
　　[-1,1,nn.Upsample,[None,2,'nearest']],
　　[[-1,6],1,BiFPN_Add2,[256,256]],#cat backbone P4
　　[-1,3,C3,[512,False]],#13
　　[-1,1,Conv,[256,1,1]],
　　[-1,1,nn.Upsample,[None,2,'nearest']],
　　[[-1,4],1,BiFPN_Add2,[128,128]],#cat backbone P3
　　[-1,3,C3,[256,False]],#17(P3/8-small)
　　[-1,1,Conv,[512,3,2]],#为了BiFPN正确add，调整channel数
　　[[-1,13,6],1,BiFPN_Add3,[256,256]],#cat P4<---BiFPN change注意v5s通道数是默认参数的一半
　　[-1,3,C3,[512,False]],#20(P4/16-medium)
　　[-1,1,Conv,[512,3,2]],
　　[[-1,10],1,BiFPN_Add2,[256,256]],#cat head P5
　　[-1,3,C3,[1024,False]],#23(P5/32-large)
　　[[17,20,23],1,Detect,[nc,anchors]],#Detect(P3,P4,P5)
　　]

　　3.修改yolo.py，在parse_model函数中找到elif m is Concat:语句，在其后面加上BiFPN_Add相关语句：

　　#添加bifpn_add结构

　　elif m in[BiFPN_Add2,BiFPN_Add3]:
　　c2=max([ch[x]for x in f])

　　4.修改train.py，向优化器中添加BiFPN的权重参数

　　将BiFPN_Add2和BiFPN_Add3函数中定义的w参数，加入g1

　　#BiFPN_Concat
　　elif isinstance(v,BiFPN_Add2)and hasattr(v,'w')and isinstance(v.w,nn.Parameter):
　　g1.append(v.w)
　　elif isinstance(v,BiFPN_Add3)and hasattr(v,'w')and isinstance(v.w,nn.Parameter):
　　g1.append(v.w)

　　然后导入一下这两个包

　　二、Concat

　　1.在common.py后加入如下代码

　　#结合BiFPN设置可学习参数学习不同分支的权重
　　#两个分支concat操作
　　class BiFPN_Concat2(nn.Module):
　　def __init__(self,dimension=1):
　　super(BiFPN_Concat2,self).__init__()
　　self.d=dimension
　　self.w=nn.Parameter(torch.ones(2,dtype=torch.float32),requires_grad=True)
　　self.epsilon=0.0001
　　def forward(self,x):
　　w=self.w
　　weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化
　　#Fast normalized fusion
　　x=[weight[0]*x[0],weight[1]*x[1]]
　　return torch.cat(x,self.d)
　　#三个分支concat操作
　　class BiFPN_Concat3(nn.Module):
　　def __init__(self,dimension=1):
　　super(BiFPN_Concat3,self).__init__()
　　self.d=dimension
　　#设置可学习参数nn.Parameter的作用是：将一个不可训练的类型Tensor转换成可以训练的类型parameter
　　#并且会向宿主模型注册该参数成为其一部分即model.parameters()会包含这个parameter
　　#从而在参数优化的时候可以自动一起优化
　　self.w=nn.Parameter(torch.ones(3,dtype=torch.float32),requires_grad=True)
　　self.epsilon=0.0001
　　def forward(self,x):
　　w=self.w
　　weight=w/(torch.sum(w,dim=0)+self.epsilon)#将权重进行归一化
　　#Fast normalized fusion
　　x=[weight[0]*x[0],weight[1]*x[1],weight[2]*x[2]]
　　return torch.cat(x,self.d)
　　2.yolov5s.yaml进行修改
　　#YOLOv5????by Ultralytics,GPL-3.0 license
　　#Parameters
　　nc:80#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]
　　[[-1,1,Conv,[64,6,2,2]],#0-P1/2
　　[-1,1,Conv,[128,3,2]],#1-P2/4
　　[-1,3,C3,[128]],
　　[-1,1,Conv,[256,3,2]],#3-P3/8
　　[-1,6,C3,[256]],
　　[-1,1,Conv,[512,3,2]],#5-P4/16
　　[-1,9,C3,[512]],
　　[-1,1,Conv,[1024,3,2]],#7-P5/32
　　[-1,3,C3,[1024]],
　　[-1,1,SPPF,[1024,5]],#9
　　]
　　#YOLOv5 v6.0 BiFPN head
　　head:
　　[[-1,1,Conv,[512,1,1]],
　　[-1,1,nn.Upsample,[None,2,'nearest']],
　　[[-1,6],1,BiFPN_Concat2,[1]],#cat backbone P4<---BiFPN change
　　[-1,3,C3,[512,False]],#13
　　[-1,1,Conv,[256,1,1]],
　　[-1,1,nn.Upsample,[None,2,'nearest']],
　　[[-1,4],1,BiFPN_Concat2,[1]],#cat backbone P3<---BiFPN change
　　[-1,3,C3,[256,False]],#17(P3/8-small)
　　[-1,1,Conv,[256,3,2]],
　　[[-1,14,6],1,BiFPN_Concat3,[1]],#cat P4<---BiFPN change
　　[-1,3,C3,[512,False]],#20(P4/16-medium)
　　[-1,1,Conv,[512,3,2]],
　　[[-1,10],1,BiFPN_Concat2,[1]],#cat head P5<---BiFPN change
　　[-1,3,C3,[1024,False]],#23(P5/32-large)
　　[[17,20,23],1,Detect,[nc,anchors]],#Detect(P3,P4,P5)
　　]
　　3.修改yolo.py，在parse_model函数中找到elif m is Concat:语句，在其后面加上BiFPN_Concat相关语句：
　　#添加bifpn_concat结构
　　elif m in[Concat,BiFPN_Concat2,BiFPN_Concat3]:
　　c2=sum(ch[x]for x in f)
　　4.修改train.py，向优化器中添加BiFPN的权重参数
　　添加复方式同上（Add）
　　#BiFPN_Concat
　　elif isinstance(v,BiFPN_Concat2)and hasattr(v,'w')and isinstance(v.w,nn.Parameter):
　　g1.append(v.w)
　　elif isinstance(v,BiFPN_Concat3)and hasattr(v,'w')and isinstance(v.w,nn.Parameter):
　　g1.append(v.w)

　　综上所述，这篇文章就给大家介绍到这里了，希望可以给大家带来帮助。