YOLO12的A2C2f模块解析

长期以来，优化YOLO框架的网络架构一直是提升目标检测性能的关键，而以往的研究大多聚焦于基于卷积神经网络（CNN）的改进。这是因为基于注意力机制的模型通常难以达到与基于CNN的模型相媲美的速度。然而，YOLOv12却打破了这一桎梏，该框架不仅充分利用了注意力机制在性能上的优势，还在推理速度上与之前基于CNN的YOLO框架相当，从而在实时性与精度之间实现了更好的平衡。

其中，其提出了A2C2f模块便是基于Transformer注意力构建的，其结构如下：

  A2C2f(
      (cv1): Conv(
        (conv): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
        (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
        (act): SiLU(inplace=True)
      )
      (cv2): Conv(
        (conv): Conv2d(256, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
        (bn): BatchNorm2d(256, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
        (act): SiLU(inplace=True)
      )
      (m): ModuleList(
        (0): Sequential(
          (0): ABlock(
            (attn): AAttn(
              (qkv): Conv(
                (conv): Conv2d(128, 384, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(384, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
              (proj): Conv(
                (conv): Conv2d(128, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
              (pe): Conv(
                (conv): Conv2d(128, 128, kernel_size=(7, 7), stride=(1, 1), padding=(3, 3), groups=128, bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
            )
            (mlp): Sequential(
              (0): Conv(
                (conv): Conv2d(128, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(256, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): SiLU(inplace=True)
              )
              (1): Conv(
                (conv): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
            )
          )
          (1): ABlock(
            (attn): AAttn(
              (qkv): Conv(
                (conv): Conv2d(128, 384, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(384, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
              (proj): Conv(
                (conv): Conv2d(128, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
              (pe): Conv(
                (conv): Conv2d(128, 128, kernel_size=(7, 7), stride=(1, 1), padding=(3, 3), groups=128, bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
            )
            (mlp): Sequential(
              (0): Conv(
                (conv): Conv2d(128, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(256, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): SiLU(inplace=True)
              )
              (1): Conv(
                (conv): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)
                (bn): BatchNorm2d(128, eps=0.001, momentum=0.03, affine=True, track_running_stats=True)
                (act): Identity()
              )
            )
          )
        )
      )
    )

A2C2f 结构功能详解

• cv1 和 cv2:
  这两个部分是卷积层(Conv)，分别将输入通道数从 256 转换到 128 (cv1) 和保持在 256 (cv2)。
  每个 Conv 都由一个 Conv2d 层、一个 BatchNorm2d 层以及一个激活函数（SiLU 或 Identity）组成。

• m (ModuleList):
  包含了一个或多个 Sequential 模块，每个模块中有一个或多个 ABlock。
  在你的例子中有两个 ABlock 实例。

• ABlock:
  每个 ABlock 包含一个注意力机制模块 AAttn 和一个多层感知机(MLP)模块。
  AAttn (Attention Block):
  qkv: 一个卷积层，用于生成查询(query)、键(key)和值(value)向量。输出通道数为输入的三倍（在这个例子中，输入是 128，输出是 384）。
  proj: 另一个卷积层，用于将注意力结果投影回原始维度。
  pe: 位置编码(Position Encoding)，通过一个深度可分离卷积(groups=128)实现，其核大小为 7x7，并带有适当的填充以确保输入和输出尺寸相同。

• MLP (多层感知机):
  MLP 由两层卷积层构成，其中第一层扩展了特征维度（例如从 128 到 256），而第二层则将其压缩回到原来的维度（如从 256 回到 128）。每层之间使用 SiLU 作为激活函数，除了最后一层使用 Identity（即没有激活函数）。

A2C2f
├── cv1
│   ├── Conv2d(256, 128)
│   ├── BatchNorm2d(128)
│   └── SiLU()
├── cv2
│   ├── Conv2d(256, 256)
│   ├── BatchNorm2d(256)
│   └── SiLU()
└── m (ModuleList)
    └── Sequential
        ├── ABlock
        │   ├── AAttn
        │   │   ├── qkv(Conv2d(128, 384))
        │   │   ├── proj(Conv2d(128, 128))
        │   │   └── pe(Conv2d(128, 128))
        │   └── MLP
        │       ├── Conv2d(128, 256)
        │       └── Conv2d(256, 128)
        └── ABlock
           ├── AAttn
           │   ├── qkv(Conv2d(128, 384))
           │   ├── proj(Conv2d(128, 128))
           │   └── pe(Conv2d(128, 128))
           └── MLP
               ├── Conv2d(128, 256)
               └── Conv2d(256, 128)