focus模組在v5中是進入backbone前，對進行切片操作，具體操作是在一張中每隔乙個畫素拿到乙個值，類似於鄰近下取樣，這樣就拿到了四張，四張互補，長的差不多，但是沒有資訊丟失，這樣一來，將w、h資訊就集中到了通道空間，輸入通道擴充了4倍，即拼接起來的相對於原先的rgb三通道模式變成了12個通道，最後將得到的新再經過卷積操作，最終得到了沒有資訊丟失情況下的二倍下取樣特徵圖。
以yolov5s為例，原始的640 × 640 × 3的影象輸入focus結構，採用切片操作，先變成320 × 320 × 12的特徵圖，再經過一次卷積操作，最終變成320 × 320 × 32的特徵圖。切片操作如下：
具體**實現：
class
focus
(nn.module)
:# focus wh information into c-space
def__init__
(self, c1, c2, k=
1, s=
1, p=
none
, g=
1, act=
true):
# ch_in, ch_out, kernel, stride, padding, groups
super
(focus, self)
.__init__(
) self.conv = conv(c1 *
4, c2, k, s, p, g, act)
# 這裡輸入通道變成了4倍
defforward
(self, x)
:# x(b,c,w,h) -> y(b,4c,w/2,h/2)
return self.conv(torch.cat(
[x[...
,::2
,::2
], x[..
.,1:
:2,:
:2], x[..
.,::
2,1:
:2], x[..
.,1:
:2,1
::2]
],1)
)
引數數量（params）：關係到模型大小，單位通常是m，通常引數用float32表示，所以模型大小是引數數量的4倍。
計算量（flops）：即浮點運算數，可以用來衡量演算法/模型的複雜度，這關係到演算法速度，大模型的單位通常為g，小模型單位通常為m；通常只考慮乘加操作的數量，而且只考慮conv和fc等引數層的計算量，忽略bn和prelu等，一般情況下，conv和fc層也會忽略僅純加操作的計算量，如bias偏置加和shoutcut殘差加等，目前技術有bn和cnn可以不加bias。
params計算公式：
kh × kw × cin × cout
flops計算公式：
kh × kw × cin × cout × h × w = 即（當前層filter × 輸出的feature map）= params × h × w
在yolov5s的網路結構中，可以看到，focus模組的卷積核是3 × 3，輸出通道是32：
那麼做個對比：
普通下取樣：即將一張640 × 640 × 3的輸入3 × 3的卷積中，步長為2，輸出通道32，下取樣後得到320 × 320 × 32的特徵圖，那麼普通卷積下取樣理論的計算量為：
flops（conv） = 3 × 3 × 3 × 32 × 320 × 320 = 88473600（不考慮bias情況下）
params參數量（conv) = 3 × 3 × 3 × 32 +32 +32 = 928（後面兩個32分別為bias和bn層引數）
focus：將640 × 640 × 3的影象輸入focus結構，採用切片操作，先變成320 × 320 × 12的特徵圖，再經過3 × 3的卷積操作，輸出通道32，最終變成320 × 320 × 32的特徵圖，那麼focus理論的計算量為：
flops（focus） = 3 × 3 × 12 × 32 × 320 × 320 = 353894400（不考慮bias情況下）
params參數量（focus）= 3 × 3 × 12 × 32 +32 +32 =3520（為了呼應上圖輸出的參數量，將後面兩個32分別為bias和bn層的引數考慮進去，通常這兩個佔比比較小可以忽略）
可以明顯的看到，focus的計算量和參數量要比普通卷積要多一些，是普通卷積的4倍，但是下取樣時沒有資訊的丟失。（結論已修改，請看後續更新）
綜上所述，其實就可以得出結論，focus的作用無非是使在下取樣的過程中，不帶來資訊丟失的情況下，將w、h的資訊集中到通道上，再使用3 × 3的卷積對其進行特徵提取，使得特徵提取得更加的充分。雖然增加了一點點的計算量，但是為後續的特徵提取保留了更完整的下取樣資訊。
2021-08-16更新：作者終於在issues上做了具體的解答，和之前分析的思路一樣，都是從計算量和參數量出發，不同的是，在作者解答之前我們並不知道作者改進的出發點是什麼，也就是不清楚他在何結構上進行的改進，文中我理解為只是對一層普通下取樣卷積做的改進，實際上有三層，所以經過改進後參數量其實還是變少了的，也確實達到了提速的效果，具體內容可以結合本文分析過程和作者給的issues結合起來看。
千呼萬喚始出來的結論，終於解開了我這麼長時間的疑惑，雖然之前文中的結論和作者實際的結論是相反的；主要原因還是因為不知道作者改進的出發點在**，所以分析過程雖然是對的，但是結論卻是反著了；知道了改進的出發點後，再把過程重新梳理一下，就很好理解了。最後也感謝大家的討論
用opencv的dnn模組做yolov5目標檢測
在yolov5之前的yolov3和yolov4的官方 都是基於darknet框架的實現的，因此opencv的dnn模組做目標檢測時，讀取的是.cfg和.weight檔案，那時候編寫程式很順暢，沒有遇到bug。但是yolov5的官方 是基於pytorch框架實現的，但是opencv的dnn模組不支援讀...
YOLOV5模型架構
模型架構是按照配置檔案yaml進行搭建的。不同的版本的yaml在model資料夾中，每一版本的模型分為兩個部分backbone和head。每一行代表了乙個運算單元，這裡按照yolov5結構圖可以方便理解。每一行有四個引數，引數1 代表輸入從運算單元獲得，1代表從上乙個單元獲得。引數2 代表該運算單元...
yolov3 yolov4與yolov5效能對比
yolov5s網路最小，速度最少，ap精度也最低。但如果檢測的以大目標為主，追求速度，倒也是個不錯的選擇。其他的三種網路，在此基礎上，不斷加深加寬網路，ap精度也不斷提公升，但速度的消耗也在不斷增加。目前使用下來，yolov5s的模型十幾m大小，速度很快，線上生產效果可觀，嵌入式裝置可以使用。在相同...