💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

目标检测是计算机视觉中一个重要的下游任务。对于边缘盒子的计算平台来说，一个大型模型很难实现实时检测的要求。基于一系列消融实验，研究者提出了几个实用的网络设计效率指导原则。据此，提出了一种新的架构，称为ShuffleNetV2。在本文中，给大家带来的教程是将原来的主干网络中的特征提取网络替换为shufflenetv2网络。文章在介绍主要的原理后，将手把手教学如何进行模块的代码添加和修改，并将修改后的完整代码放在文章的最后，方便大家一键运行，小白也可轻松上手实践。以帮助您更好地学习深度学习目标检测YOLO系列的挑战。

专栏地址： YOLOv5改进+入门——持续更新各种有效涨点方法 点击即可跳转

1.原理

论文地址：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design——点击即可跳转

官方代码：pytorch官方代码仓库——点击即可跳转

ShuffleNetV2 是一种高效的卷积神经网络架构，旨在优化计算资源的使用，尤其适用于移动设备和嵌入式系统。ShuffleNetV2 由 Megvii (Face++) 团队在 2018 年提出，是 ShuffleNet 的改进版本，主要通过优化信息流和减少内存访问成本来提升性能。

ShuffleNetV2 的设计理念

ShuffleNetV2 主要针对以下几个方面进行了优化：

1. 模型计算复杂度：

   通过减少冗余计算和优化卷积操作，降低计算复杂度，使得模型在计算资源有限的情况下仍能保持较高性能。

2. 内存访问成本：

   内存访问成本是影响模型效率的一个重要因素。ShuffleNetV2 通过优化特征图的传递和处理，减少内存带宽的占用。

3. 并行度：

   设计上考虑了硬件的并行计算能力，确保模型在并行处理器上的高效运行。

核心模块

1. Channel Split（通道分割）：

   输入特征图被分成两部分，一部分直接传递到下一层，另一部分经过复杂的卷积操作。这种设计减少了每一层的计算量，同时保留了原始信息。

2. Channel Shuffle（通道打乱）：

   在通道级别打乱特征图。通过这种操作，确保在网络的后续层中，各个通道之间的信息能够充分混合，提高特征的表达能力。

3. Pointwise Group Convolution（逐点分组卷积）：

   使用逐点分组卷积（1x1 卷积）来减少特征图通道数，同时分组卷积进一步降低计算量。

4. Depthwise Convolution（深度可分离卷积）：

   深度可分离卷积将标准卷积分解为深度卷积和逐点卷积两部分，从而减少计算量。

5. Element-wise Add（元素级加法）：

   使用元素级加法而非拼接操作，将原始输入与处理后的特征图结合，这样不仅减少了特征图的数量，还避免了高计算复杂度。

ShuffleNetV2 的性能优化

1. 降低内存访问成本：

   通过减少特征图的传递和拼接操作，减少了内存访问成本。这一点对资源受限的移动设备尤为重要。

2. 提升计算效率：

   通过优化卷积操作和特征图处理方式，ShuffleNetV2 能够在计算资源有限的情况下保持高效的计算性能。

3. 增加并行度：

   ShuffleNetV2 的设计充分考虑了硬件的并行计算能力，通过优化计算操作和数据流，提高了模型的并行计算效率。

总结

ShuffleNetV2 通过优化计算复杂度、内存访问成本和并行度，提供了一种高效的卷积神经网络架构。其设计理念和核心模块，如 Channel Split、Channel Shuffle 和 Depthwise Convolution 等，不仅降低了计算和内存开销，还提高了模型的性能和效率。这使得 ShuffleNetV2 成为一种非常适合在资源受限设备上部署的深度学习模型。

2. ShuffleNetv2的代码实现

2.1 将ShuffleNetv2添加到YOLOv5中

关键步骤一: 将下面代码粘贴到/projects/yolov5-6.1/models/common.py文件中

def channel_shuffle(x, groups):
    batchsize, num_channels, height, width = x.data.size()
    channels_per_group = num_channels // groups

    # reshape
    x = x.view(batchsize, groups,
               channels_per_group, height, width)

    x = torch.transpose(x, 1, 2).contiguous()

    # flatten
    x = x.view(batchsize, -1, height, width)

    return x


class conv_bn_relu_maxpool(nn.Module):
    def __init__(self, c1, c2):  # ch_in, ch_out
        super(conv_bn_relu_maxpool, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(c1, c2, kernel_size=3, stride=2, padding=1, bias=False),
            nn.BatchNorm2d(c2),
            nn.ReLU(inplace=True),
        )
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)

    def forward(self, x):
        return self.maxpool(self.conv(x))


class Shuffle_Block(nn.Module):
    def __init__(self, inp, oup, stride):
        super(Shuffle_Block, self).__init__()

        if not (1 <= stride <= 3):
            raise ValueError('illegal stride value')
        self.stride = stride

        branch_features = oup // 2
        assert (self.stride != 1) or (inp == branch_features << 1)

        if self.stride > 1:
            self.branch1 = nn.Sequential(
                self.depthwise_conv(inp, inp, kernel_size=3, stride=self.stride, padding=1),
                nn.BatchNorm2d(inp),
                nn.Conv2d(inp, branch_features, kernel_size=1, stride=1, padding=0, bias=False),
                nn.BatchNorm2d(branch_features),
                nn.ReLU(inplace=True),
            )

        self.branch2 = nn.Sequential(
            nn.Conv2d(inp if (self.stride > 1) else branch_features,
                      branch_features, kernel_size=1, stride=1, padding=0, bias=False),
            nn.BatchNorm2d(branch_features),
            nn.ReLU(inplace=True),
            self.depthwise_conv(branch_features, branch_features, kernel_size=3, stride=self.stride, padding=1),
            nn.BatchNorm2d(branch_features),
            nn.Conv2d(branch_features, branch_features, kernel_size=1, stride=1, padding=0, bias=False),
            nn.BatchNorm2d(branch_features),
            nn.ReLU(inplace=True),
        )

    @staticmethod
    def depthwise_conv(i, o, kernel_size, stride=1, padding=0, bias=False):
        return nn.Conv2d(i, o, kernel_size, stride, padding, bias=bias, groups=i)

    def forward(self, x):
        if self.stride == 1:
            x1, x2 = x.chunk(2, dim=1)  # 按照维度1进行split
            out = torch.cat((x1, self.branch2(x2)), dim=1)
        else:
            out = torch.cat((self.branch1(x), self.branch2(x)), dim=1)

        out = channel_shuffle(out, 2)

        return out

ShuffleNet 的主要流程涉及一系列精心设计的操作，以最大限度地提高计算效率，同时确保模型的表达能力。以下是 ShuffleNet 的主要流程：

1. 初始卷积层

1. 输入处理：

   • 输入图像首先通过一个标准的卷积层进行处理，这个卷积层的作用是提取初始特征。

2. 特征图大小和通道数调整：

   • 初始卷积层通常会调整特征图的大小和通道数，以便于后续层的处理。

2. 分组卷积（Grouped Convolution）

1. 特征图分组：

   • 特征图在通道维度上分成多个组。分组卷积将特征图分为若干小组，并对每一小组单独进行卷积操作。这种方式可以大幅减少计算量。

2. 1x1 卷积（Pointwise Convolution）：

   • 使用 1x1 卷积调整每一组特征图的通道数。1x1 卷积主要用于减少通道数，以减小计算量。

3. 通道打乱（Channel Shuffle）

1. 通道打乱操作：

   • 为了确保不同组之间的信息可以相互交流，使用通道打乱操作。具体来说，将特征图的通道重新排列，以便在下一次分组卷积时，不同组之间的信息能够充分混合。

4. 深度可分离卷积（Depthwise Separable Convolution）

1. 深度卷积（Depthwise Convolution）：

   • 在深度卷积中，每个卷积核只在单个通道上进行卷积操作，不改变通道数。这样可以显著减少计算量。

2. 逐点卷积（Pointwise Convolution）：

   • 在深度卷积之后，使用逐点卷积（1x1 卷积）来调整通道数。这一步结合了所有通道的信息。

5. 残差连接（Residual Connection）

1. 特征图合并：

   • 将原始输入特征图与经过上述处理后的特征图通过元素级加法（或拼接操作）合并。这一步类似于残差网络（ResNet）中的残差连接，帮助梯度在网络中更好地传播。

6. 通道分割（Channel Split）

1. 特征图分割：

   • 在某些版本中（如 ShuffleNetV2），特征图被分成两部分，一部分直接传递到下一层，另一部分经过复杂操作后再与第一部分合并。这种设计进一步减少了计算量。

7. 多次重复上述模块

1. 模块重复：

   • 上述操作模块会被重复多次，以构建深层网络。这些模块的重复次数和具体配置会根据网络的设计需求而定。

8. 最终卷积层和分类层

1. 全局池化（Global Pooling）：

   • 在网络的最后，通常会使用全局平均池化层，将特征图的空间维度压缩到单个数值。

2. 全连接层：

   • 最后，通过一个全连接层（或完全卷积层），将特征映射到分类标签空间，以完成分类任务。

2.2 新增yaml文件

关键步骤二：在下/projects/yolov5-6.1/models下新建文件 yolov5-shufflenetv2.yaml并将下面代码复制进去

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  # Shuffle_Block: [out, stride]
  [[ -1, 1, conv_bn_relu_maxpool, [ 32 ] ], # 0-P2/4
   [ -1, 1, Shuffle_Block, [ 128, 2 ] ],  # 1-P3/8
   [ -1, 3, Shuffle_Block, [ 128, 1 ] ],  # 2
   [ -1, 1, Shuffle_Block, [ 256, 2 ] ],  # 3-P4/16
   [ -1, 7, Shuffle_Block, [ 256, 1 ] ],  # 4
   [ -1, 1, Shuffle_Block, [ 512, 2 ] ],  # 5-P5/32
   [ -1, 3, Shuffle_Block, [ 512, 1 ] ],  # 6
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P4
   [-1, 1, C3, [256, False]],  # 10

   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 2], 1, Concat, [1]],  # cat backbone P3
   [-1, 1, C3, [128, False]],  # 14 (P3/8-small)

   [-1, 1, Conv, [128, 3, 2]],
   [[-1, 11], 1, Concat, [1]],  # cat head P4
   [-1, 1, C3, [256, False]],  # 17 (P4/16-medium)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 7], 1, Concat, [1]],  # cat head P5
   [-1, 1, C3, [512, False]],  # 20 (P5/32-large)

   [[14, 17, 20], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

---

温馨提示：本文只是对yolov5l基础上添加swin模块，如果要对yolov8n/l/m/x进行添加则只需要指定对应的depth_multiple 和 width_multiple。

---

# YOLOv5n
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple
 
# YOLOv5s
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple
 
# YOLOv5l 
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
 
# YOLOv5m
depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple
 
# YOLOv5x
depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # layer channel multiple

2.3 注册模块

关键步骤三：在yolo.py中注册, 大概在260行左右分别添加 ‘ conv_bn_relu_maxpool, Shuffle_Block’

2.4 执行程序

在train.py中，将cfg的参数路径设置为yolov5-ShuffleNetv2.yaml的路径

建议大家写绝对路径，确保一定能找到

🚀运行程序，如果出现下面的内容则说明添加成功🚀

 3. 完整代码分享

https://pan.baidu.com/s/1EKQQOCdwIUWrR3LcFaCk8A?pwd=aaus

提取码: aaus 

4. GFLOPs

关于GFLOPs的计算方式可以查看：百面算法工程师 | 卷积基础知识——Convolution

未改进的GFLOPs

改进后的GFLOPs

5.总结

ShuffleNet的设计理念主要集中在提高计算效率和减少参数量，同时保持较高的准确性。为了实现这一目标，ShuffleNet引入了两个关键的操作：点卷积（Pointwise Convolution）和通道洗牌（Channel Shuffle）。首先，ShuffleNet采用了一种被称为深度可分离卷积（Depthwise Separable Convolution）的操作。这种操作将标准卷积分解为两个更简单的操作：深度卷积（Depthwise Convolution）和点卷积（Pointwise Convolution）。深度卷积在每个输入通道上独立执行卷积操作，而点卷积则用于将这些独立处理后的通道进行线性组合。通过这种分解方式，计算量和参数量都得到了大幅度的减少。在此基础上，ShuffleNet进一步引入了通道洗牌的概念。在常规的卷积操作中，不同通道之间的信息交流是有限的。为了增强通道间的信息交流，ShuffleNet将通道划分为若干组，并在每一组内进行卷积操作后，将通道重新排列（洗牌），使得下一组操作能够接收到来自不同组的通道信息。这样，通过多层的叠加和洗牌操作，网络能够更有效地捕捉不同通道之间的关联特征，从而提升模型的表现力。此外，ShuffleNet采用了分组卷积（Grouped Convolution）的策略，即将通道划分为多个组，每组独立进行卷积操作。结合通道洗牌，这种策略进一步降低了计算复杂度和参数量，适合在移动设备等资源受限的环境中应用。总的来说，ShuffleNet通过巧妙地设计卷积操作和通道处理方式，显著提升了计算效率和模型的轻量化程度，使得其在保持较高准确率的同时，能够在计算资源有限的设备上高效运行。这种创新的架构设计不仅为移动设备上的实时图像处理提供了可能，也为其他需要高效视觉处理的应用场景提供了有力支持。