关于YOLO系列直接做一些即插即用的小改进

其实做一些这种改进对研究生来讲几乎是没有意义的，但是对于本科生来说，多做几个这种的改进就够本科毕业了哈哈哈哈哈，无论效果好不好，反正是有的写了。

由于网上充斥着大量的YOLO系列检测代码，所以在这里我以yolov5举例，当然，这里所做的一些方法完全可以用到yolov7中，如果大家想看的话，我再专门出几期yolov7的换主干或者改进的文章。

首先，你需要有一些即插即用的模块，一般来讲很好找，无论是烂大街的通道注意力，空间注意力，还是一些新文章中比较知名的模块，我们都可以拿来用。然后怎么改进我们的方法里呢？我一直认为简单清晰的才是最好的，所以可以看我之前发的几篇博文，三步走方法。

1，找到合适的模块，并且把这个模块拷贝到models/common.py中。

一般找到模块后，我们要注意到他的参数是什么，输入输出又是什么，最简单的就是找输入输出之后，特征的尺寸没有任何变化的，这样的即插即用的方法有一大堆，比如多种注意力机制，这里我给大家介绍一个新出的涨点神器，以这个模块为例子，讲解如何改进方法。

这个是CVPR2023 InceptionNeXt当Inception遇见ConvNeXt，他的论文地址是：https://arxiv.org/pdf/2303.16900.pdf

代码地址是：GitHub - sail-sg/inceptionnext: InceptionNeXt: When Inception Meets ConvNeXt

然后我找到了这个核心模块，接下来就以yolov5s举例，改进到这个方法里，我们把下面的代码拷贝到models/common.py中，放到最后就可以了，尽量直接抄我的，因为我加了一个没有用的输出参数。

lass InceptionDWConv2d(nn.Module):
    def __init__(self, in_channels, out_channel,square_kernel_size=3, band_kernel_size=11, branch_ratio=0.125):
        super().__init__()

        gc = int(in_channels * branch_ratio)  # channel numbers of a convolution branch
        self.dwconv_hw = nn.Conv2d(gc, gc, square_kernel_size, padding=square_kernel_size // 2, groups=gc)
        self.dwconv_w = nn.Conv2d(gc, gc, kernel_size=(1, band_kernel_size), padding=(0, band_kernel_size // 2),
                                  groups=gc)
        self.dwconv_h = nn.Conv2d(gc, gc, kernel_size=(band_kernel_size, 1), padding=(band_kernel_size // 2, 0),
                                  groups=gc)
        self.split_indexes = (in_channels - 3 * gc, gc, gc, gc)

    def forward(self, x):
        x_id, x_hw, x_w, x_h = torch.split(x, self.split_indexes, dim=1)
        return torch.cat(
            (x_id, self.dwconv_hw(x_hw), self.dwconv_w(x_w), self.dwconv_h(x_h)),
            dim=1,
        )

2，把这个模块名字添加到models/yolo.py中

3，配置models/yolov5s.yaml文件

在配置之前，我们要注意一下这个模块的参数是什么，他的输入输出是什么，不难发现，参数就是输入特征的通道数，而他的输出并没有改变输入特征的尺寸，这就可以随便找位置添加了。主打的就是随心所欲，只要最后的通道数是匹配的就行。

谢谢大家，请求大家多多点赞，多多关注！