Ultralytics解读AConv模块前言相关介绍Ultralytics 简介前提条件实验环境AConv平均池化-卷积模块代码实现功能初始化参数前向方法输出尺寸公式使用示例流程示意图代码解读注意事项优缺点优点缺点参考文献前言由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏、人工智能混合编程实践专栏或我的个人主页查看YOLOs-CPP一个免费开源的YOLO全系列C推理库以YOLO26为例PaddleOCRWin10上安装使用PPOCRLabel标注工具目标检测使用自己的数据集微调DEIMv2进行物体检测图像分割PyTorch从零开始实现SegFormer语义分割图像超分使用自己的数据集微调Real-ESRGAN-x4plus进行超分重建图像生成PyTorch从零开始实现一个简单的扩散模型Stable Diffusion使用自己的数据集微调 Stable Diffusion 3.5 LoRA 文生图模型图像超分使用自己的数据集微调Real-ESRGAN-x2plus进行超分重建Anomalib使用Anomalib 2.1.0训练自己的数据集进行异常检测Anomalib在Linux服务器上安装使用Anomalib 2.1.0人工智能混合编程实践C调用封装好的DLL进行异常检测推理人工智能混合编程实践C调用封装好的DLL进行FP16图像超分重建v3.0隔离系统Python源码编译3.11.8到自定义目录含PGO性能优化在线机的Python环境迁移到离线机上Nuitka 将 Python 脚本封装为 .pyd 或 .so 文件Ultralytics使用 YOLO11 进行速度估计Ultralytics使用 YOLO11 进行物体追踪Ultralytics使用 YOLO11 进行物体计数Ultralytics使用 YOLO11 进行目标打码人工智能混合编程实践C调用Python ONNX进行YOLOv8推理人工智能混合编程实践C调用封装好的DLL进行YOLOv8实例分割人工智能混合编程实践C调用Python ONNX进行图像超分重建人工智能混合编程实践C调用Python AgentOCR进行文本识别通过计算实例简单地理解PatchCore异常检测Python将YOLO格式实例分割数据集转换为COCO格式实例分割数据集YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目Stable Diffusion在服务器上部署使用Stable Diffusion WebUI进行AI绘图v2.0Stable Diffusion使用自己的数据集微调训练LoRA模型v2.0相关介绍Ultralytics 简介Ultralytics 基于多年的计算机视觉和人工智能基础研究创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。官方文档https://docs.ultralytics.com/官方代码https://github.com/ultralytics/ultralytics.git前提条件熟悉Python、Pytorch实验环境Package Version ------------------------ ------------ Python3.11.8 absl-py2.4.0 accelerate1.13.0 annotated-doc0.0.4 anyio4.13.0 calflops0.3.2 certifi2026.4.22 charset-normalizer3.4.7 click8.3.3 colorama0.4.6 contourpy1.3.3 cycler0.12.1 filelock3.29.0 flatbuffers25.12.19 fonttools4.62.1 fsspec2026.4.0 grpcio1.80.0 h110.16.0 hf-xet1.5.0 httpcore1.0.9 httpx0.28.1 huggingface_hub1.14.0 idna3.15Jinja23.1.6 kiwisolver1.5.0 Markdown3.10.2 markdown-it-py4.2.0 MarkupSafe3.0.3 matplotlib3.10.9 mdurl0.1.2 ml_dtypes0.5.0 mpmath1.3.0 networkx3.6.1 numpy1.26.4 nvidia-cublas-cu1212.8.3.14 nvidia-cuda-cupti-cu1212.8.57 nvidia-cuda-nvrtc-cu1212.8.61 nvidia-cuda-runtime-cu1212.8.57 nvidia-cudnn-cu129.7.1.26 nvidia-cufft-cu1211.3.3.41 nvidia-cufile-cu121.13.0.11 nvidia-curand-cu1210.3.9.55 nvidia-cusolver-cu1211.7.2.55 nvidia-cusparse-cu1212.5.7.53 nvidia-cusparselt-cu120.6.3 nvidia-nccl-cu122.26.2 nvidia-nvjitlink-cu1212.8.61 nvidia-nvtx-cu1212.8.55 onnx1.19.0 onnxruntime-gpu1.26.0 onnxslim0.1.94 opencv-python4.6.0.66 packaging26.2pillow12.2.0 pip24.0polars1.40.1 polars-runtime-321.40.1 protobuf7.34.1 psutil7.2.2 pycocotools2.0.11 Pygments2.20.0 pyparsing3.3.2 python-dateutil2.9.0.post0 PyYAML6.0.3 regex2026.5.9 requests2.34.1 rich15.0.0 safetensors0.7.0 scipy1.16.0 setuptools65.5.0 shellingham1.5.4 six1.17.0 sympy1.14.0 tabulate0.10.0 tensorboard2.20.0 tensorboard-data-server0.7.2 tokenizers0.22.2 torch2.7.1cu128 torchaudio2.7.1cu128 torchvision0.22.1cu128 tqdm4.67.3 transformers5.8.1 triton3.3.1 typer0.25.1 typing_extensions4.15.0 ultralytics8.4.58 ultralytics-thop2.0.19 urllib32.7.0 Werkzeug3.1.8AConv平均池化-卷积模块AConv是一种轻量级的下采样模块它通过平均池化AvgPool2d后接步长为 2 的卷积实现特征图的空间降维和通道变换。该模块的设计可能旨在引入额外的平滑效果同时减少计算量适用于需要逐步降低分辨率并增加通道数的深度网络。代码实现importcv2importmathimporttorchimportnumpyasnpimportmatplotlib.pyplotaspltfromtorchimportnndefautopad(k,pNone,d1):# kernel, padding, dilationPad to same shape outputs.ifd1:kd*(k-1)1ifisinstance(k,int)else[d*(x-1)1forxink]# actual kernel-sizeifpisNone:pk//2ifisinstance(k,int)else[x//2forxink]# auto-padreturnpclassConv(nn.Module):Standard convolution module with batch normalization and activation. Attributes: conv (nn.Conv2d): Convolutional layer. bn (nn.BatchNorm2d): Batch normalization layer. act (nn.Module): Activation function layer. default_act (nn.Module): Default activation function (SiLU). default_actnn.SiLU()# default activationdef__init__(self,c1,c2,k1,s1,pNone,g1,d1,actTrue):Initialize Conv layer with given parameters. Args: c1 (int): Number of input channels. c2 (int): Number of output channels. k (int): Kernel size. s (int): Stride. p (int, optional): Padding. g (int): Groups. d (int): Dilation. act (bool | nn.Module): Activation function. super().__init__()self.convnn.Conv2d(c1,c2,k,s,autopad(k,p,d),groupsg,dilationd,biasFalse)self.bnnn.BatchNorm2d(c2)self.actself.default_actifactisTrueelseactifisinstance(act,nn.Module)elsenn.Identity()defforward(self,x):Apply convolution, batch normalization and activation to input tensor. Args: x (torch.Tensor): Input tensor. Returns: (torch.Tensor): Output tensor. returnself.act(self.bn(self.conv(x)))defforward_fuse(self,x):Apply convolution and activation without batch normalization. Args: x (torch.Tensor): Input tensor. Returns: (torch.Tensor): Output tensor. returnself.act(self.conv(x))classAConv(nn.Module):AConv.def__init__(self,c1:int,c2:int):Initialize AConv module. Args: c1 (int): Input channels. c2 (int): Output channels. super().__init__()self.cv1Conv(c1,c2,3,2,1)defforward(self,x:torch.Tensor)-torch.Tensor:Forward pass through AConv layer.xtorch.nn.functional.avg_pool2d(x,2,1,0,False,True)returnself.cv1(x)功能平均池化对输入特征图应用 2×2 平均池化步长为 1无填充输出尺寸减少 1H-1, W-1。这相当于在空间上轻微平滑并削减边缘像素。卷积下采样经过池化后使用 3×3 卷积步长 2填充 1对特征进行变换和降采样将通道从c1映射到c2同时空间尺寸进一步减半近似。组合效果整体输出尺寸约为输入尺寸的一半但略有差异通道数变为c2实现了特征提取与下采样的结合。初始化参数参数类型说明c1int输入通道数c2int输出通道数self.cv1是一个Conv模块包含 3×3 卷积、BatchNorm 和 SiLU 激活步长 2填充 1。前向方法forward(x)输入x[B, c1, H, W]输出[B, c2, H_out, W_out]。计算流程x F.avg_pool2d(x, kernel_size2, stride1, padding0)→ 尺寸变为[B, c1, H-1, W-1]。y self.cv1(x)→ 卷积输出尺寸为H_out floor((H-1 2*1 - 3)/2) 1 floor((H-2)/2) 1W_out同理。输出尺寸公式设输入尺寸为 $ H \times W $则H p o o l H − 1 , W p o o l W − 1 H_{pool} H - 1,\quad W_{pool} W - 1HpoolH−1,WpoolW−1H o u t ⌊ H p o o l 2 × 1 − 3 2 ⌋ 1 ⌊ H − 2 2 ⌋ 1 H_{out} \left\lfloor \frac{H_{pool} 2 \times 1 - 3}{2} \right\rfloor 1 \left\lfloor \frac{H - 2}{2} \right\rfloor 1Hout⌊2Hpool2×1−3⌋1⌊2H−2⌋1W o u t ⌊ W − 2 2 ⌋ 1 W_{out} \left\lfloor \frac{W - 2}{2} \right\rfloor 1Wout⌊2W−2⌋1若H HH为偶数 2n则H o u t n H_{out} nHoutn若H HH为奇数 2n1则H o u t n H_{out} nHoutn因为(2n-1)//2 n-11 n因此输出尺寸恒为⌊ H / 2 ⌋ × ⌊ W / 2 ⌋ \lfloor H/2 \rfloor \times \lfloor W/2 \rfloor⌊H/2⌋×⌊W/2⌋。与直接使用步长为 2 的 3×3 卷积填充 1的输出尺寸floor((H2*1-3)/2)1 floor((H-1)/2)1相比本模块输出略小当 H 为偶数时相同为奇数时也相同检查直接卷积输出H偶2n - (2n-1)//2 1 n-11n相同H奇2n1 - (2n)//2 1 n1而AConv为n所以奇数是AConv小1。所以AConv在奇数尺寸时输出会小1。使用示例if__name____main__:# 1. 随机输入xtorch.randn(1,32,64,64)# 2. 创建 AConv输入32输出64aconvAConv(c132,c264)# 3. 前向传播withtorch.no_grad():outaconv(x)print(输入形状:,x.shape)# [1, 32, 64, 64]print(输出形状:,out.shape)# [1, 64, 32, 32]64/232# 4. 使用真实图像演示扩展为多通道img_pathcat_640x640.pngimg_bgrcv2.imread(img_path)ifimg_bgrisnotNone:img_graycv2.cvtColor(cv2.resize(img_bgr,(64,64)),cv2.COLOR_BGR2GRAY)img_tensortorch.from_numpy(img_gray).float().unsqueeze(0).unsqueeze(0)# [1,1,64,64]# 扩展通道至32x_imgimg_tensor.repeat(1,32,1,1)aconv_imgAConv(c132,c232)withtorch.no_grad():out_imgaconv_img(x_img)inp_ch0x_img[0,0].cpu().numpy()out_ch0out_img[0,0].cpu().numpy()defnorm(arr):return(arr-arr.min())/(arr.max()-arr.min()1e-8)plt.figure(figsize(12,5),constrained_layoutTrue)plt.subplot(1,3,1)plt.imshow(img_gray,cmapgray)plt.title(Original Gray)plt.axis(off)plt.subplot(1,3,2)plt.imshow(norm(inp_ch0),cmapgray)plt.title(Input Ch0)plt.axis(off)plt.subplot(1,3,3)plt.imshow(norm(out_ch0),cmapgray)plt.title(AConv Output Ch0)plt.axis(off)plt.savefig(aconv_demo.png,dpi150)print(可视化已保存为 aconv_demo.png)输出示例输入形状: torch.Size([1, 32, 64, 64]) 输出形状: torch.Size([1, 64, 32, 32]) 可视化已保存为 aconv_demo.png流程示意图输入 x (B, c1, H, W)AvgPool2dkernel2, stride1, padding0池化后 (B, c1, H-1, W-1)Conv 3x3, stride2, padding1c1 → c2输出 (B, c2, ⌊H/2⌋, ⌊W/2⌋)代码解读__init__定义一个Conv层self.cv1包含 3×3 卷积步长 2填充 1、BN 和 SiLU 激活。该层负责通道变换和下采样。forward使用torch.nn.functional.avg_pool2d对输入进行平均池化kernel_size2, stride1, padding0ceil_modeFalsecount_include_padTrue默认。这会在每个空间维度上减少 1 个像素。将池化结果送入self.cv1进行卷积。注意事项输出尺寸对于奇数尺寸输入输出尺寸为floor(H/2)比常规步长为 2 的卷积输出为floor((H-1)/2)1小 1。使用前需确认网络后续层能适应这种尺寸变化。池化效果平均池化会平滑特征可能丢失部分细节但有助于提高平移不变性。参数数量仅包含一个卷积层参数轻量适合作为下采样模块。激活函数Conv默认使用 SiLU但可根据需要修改。与标准下采样对比相比直接用Conv(c1, c2, 3, 2, 1)AConv 多了一次平均池化计算量略增但可能带来不同感受野的混合。优缺点优点轻量高效仅一个卷积层参数量少推理速度快。平滑降采样平均池化可抑制噪声提供更稳定的特征。通道变换与下采样结合一步完成便于网络堆叠。缺点输出尺寸特殊奇数输入尺寸下输出比预期小可能需调整网络设计。信息损失平均池化可能会丢失尖锐的边缘信息。缺乏多尺度仅单一池化核无法自适应不同尺度。在构建轻量级网络时AConv可作为下采样模块的替代方案尤其适合需要平滑特征的场景如分割任务。使用时需注意尺寸计算确保与后续层兼容。参考文献[1] https://docs.ultralytics.com/[2] https://github.com/ultralytics/ultralytics.git由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏、人工智能混合编程实践专栏或我的个人主页查看YOLOs-CPP一个免费开源的YOLO全系列C推理库以YOLO26为例PaddleOCRWin10上安装使用PPOCRLabel标注工具目标检测使用自己的数据集微调DEIMv2进行物体检测图像分割PyTorch从零开始实现SegFormer语义分割图像超分使用自己的数据集微调Real-ESRGAN-x4plus进行超分重建图像生成PyTorch从零开始实现一个简单的扩散模型Stable Diffusion使用自己的数据集微调 Stable Diffusion 3.5 LoRA 文生图模型图像超分使用自己的数据集微调Real-ESRGAN-x2plus进行超分重建Anomalib使用Anomalib 2.1.0训练自己的数据集进行异常检测Anomalib在Linux服务器上安装使用Anomalib 2.1.0人工智能混合编程实践C调用封装好的DLL进行异常检测推理人工智能混合编程实践C调用封装好的DLL进行FP16图像超分重建v3.0隔离系统Python源码编译3.11.8到自定义目录含PGO性能优化在线机的Python环境迁移到离线机上Nuitka 将 Python 脚本封装为 .pyd 或 .so 文件Ultralytics使用 YOLO11 进行速度估计Ultralytics使用 YOLO11 进行物体追踪Ultralytics使用 YOLO11 进行物体计数Ultralytics使用 YOLO11 进行目标打码人工智能混合编程实践C调用Python ONNX进行YOLOv8推理人工智能混合编程实践C调用封装好的DLL进行YOLOv8实例分割人工智能混合编程实践C调用Python ONNX进行图像超分重建人工智能混合编程实践C调用Python AgentOCR进行文本识别通过计算实例简单地理解PatchCore异常检测Python将YOLO格式实例分割数据集转换为COCO格式实例分割数据集YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目Stable Diffusion在服务器上部署使用Stable Diffusion WebUI进行AI绘图v2.0Stable Diffusion使用自己的数据集微调训练LoRA模型v2.0
