yolov5中的Focus模块的理解_focus结构

最新推荐文章于 2025-01-20 09:58:05 发布

原创最新推荐文章于 2025-01-20 09:58:05 发布 · 1.3k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO

参数数量（params）：关系到模型大小，单位通常是M，通常参数用float32表示，所以模型大小是参数数量的4倍。

计算量（FLOPs）：即浮点运算数，可以用来衡量算法/模型的复杂度，这关系到算法速度，大模型的单位通常为G，小模型单位通常为M；通常只考虑乘加操作的数量，而且只考虑Conv和FC等参数层的计算量，忽略BN和PReLU等，一般情况下，Conv和FC层也会忽略仅纯加操作的计算量，如bias偏置加和shoutcut残差加等，目前技术有BN和CNN可以不加bias。

params计算公式：

Kh × Kw × Cin × Cout

FLOPs计算公式：

Kh × Kw × Cin × Cout × H × W = 即（当前层filter × 输出的feature map）= params × H × W

总所周知，图片在经过Focus模块后，最直观的是起到了下采样的作用，但是和常用的卷积下采样有些不一样，可以对Focus的计算量和普通卷积的下采样计算量进行做个对比：

在yolov5s的网络结构中，可以看到，Focus模块的卷积核是3 × 3，输出通道是32：
在这里插入图片描述

那么做个对比：

普通下采样：即将一张640 × 640 × 3的图片输入3 × 3的卷积中，步长为2，输出通道32，下采样后得到320 × 320 × 32的特征图，那么普通卷积下采样理论的计算量为：

FLOPs（conv） = 3 × 3 × 3 × 32 × 320 × 320 = 88473600（不考虑bias情况下）
params参数量（conv) = 3 × 3 × 3 × 32 +32 +32 = 928 （后面两个32分别为bias和BN层参数）

Focus：将640 × 640 × 3的图像输入Focus结构，采用切片操作，先变成320 × 320 × 12的特征图，再经过3 × 3的卷积操作，输出通道32，最终变成320 × 320 × 32的特征图，那么Focus理论的计算量为：

FLOPs（Focus） = 3 × 3 × 12 × 32 × 320 × 320 = 353894400（不考虑bias情况下）
params参数量（Focus）= 3 × 3 × 12 × 32 +32 +32 =3520 （为了呼应上图输出的参数量，将后面两个32分别为bias和BN层的参数考虑进去，通常这两个占比比较小可以忽略）

可以明显的看到，Focus的计算量和参数量要比普通卷积要多一些，是普通卷积的4倍，但是下采样时没有信息的丢失。（结论已修改，请看后续更新）

综上所述，其实就可以得出结论，Focus的作用无非是使图片在下采样的过程中，不带来信息丢失的情况下，将W、H的信息集中到通道上，再使用3 × 3的卷积对其进行特征提取，使得特征提取得更加的充分。虽然增加了一点点的计算量，但是为后续的特征提取保留了更完整的图片下采样信息。

2021-07-01更新：作者有在issues中提到Focus是为了提速，和mAP无关，但是也没有说是什么原理，我也是一知半解，本文也仅从计算量和参数量去分析该模块，如果有看懂作者这样作法的同学望评论区告知。

2021-08-16更新：作者终于在issues上做了具体的解答，和之前分析的思路一样，都是从计算量和参数量出发，不同的是，在作者解答之前我们并不知道作者改进的出发点是什么，也就是不清楚他在何结构上进行的改进，文中我理解为只是对一层普通下采样卷积做的改进，实际上有三层，所以经过改进后参数量其实还是变少了的，也确实达到了提速的效果，具体内容可以结合本文分析过程和作者给的issues结合起来看。
在这里插入图片描述