YOLOv8之C2f模块——与YOLOv5的C3模块对比

目录

• • 一、源码对比
  • 二、结构图对比

一、源码对比

  YOLOv8完整工程代码下载：ultralytics/ultralytic
  C2f模块源码在ultralytics/nn/modules.py下，源码如下：

class C2f(nn.Module):    # CSP Bottleneck with 2 convolutions    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion        super().__init__()        self.c = int(c2 * e)  # hidden channels        self.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(Bottleneck(self.c, self.c, shortcut, g, e=1.0) for _ in range(n))    def forward(self, x):        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):        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))

  YOLOv5的完整工程代码下载：ultralytic/yolov5
  C3模块源码在models/common.py下，源码如下：

class C3(nn.Module):    # CSP Bottleneck with 3 convolutions    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion        super().__init__()        c_ = int(c2 * e)  # hidden channels        self.cv1 = Conv(c1, c_, 1, 1)        self.cv2 = Conv(c1, c_, 1, 1)        self.cv3 = Conv(2 * c_, c2, 1)  # optional act=FReLU(c2)        self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)))    def forward(self, x):        return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

• C2f模块和C3模块的对外接口保持一致，都是（ch_in, ch_out, number, shortcut, groups, expansion），方便在yolov5中直接调用C2f模块。
• C2f模块默认不使用shortcut连接，C3模块默认使用shortcut连接，但二者在网络结构中shortcut的位置无差别，即都是在Backbone中使用shortcut连接，在Head中不使用shortcut连接，代码的调用格式有差别。

二、结构图对比

图2-1 C3模块结构图

图2-2 C2f模块结构图

• C2f模块参考了C3模块以及ELAN的思想进行的设计，让YOLOv8可以在保证轻量化的同时获得更加丰富的梯度流信息。

来源地址：https://blog.csdn.net/python_plus/article/details/129223831