Ultralytics解读Bottleneck模块前言相关介绍Ultralytics 简介前提条件实验环境Bottleneck标准瓶颈模块代码实现功能初始化参数前向方法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 Werkzeug3.1.8Bottleneck标准瓶颈模块Bottleneck是一种经典的残差模块广泛用于 ResNet、YOLO 等网络结构中。它通过两个卷积层先降维后升维减少计算量并支持残差连接shortcut从而在增加网络深度的同时保持训练稳定性。该实现参考了 YOLOv5/YOLOv8 的设计提供了灵活的参数配置。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))classBottleneck(nn.Module):Standard bottleneck.def__init__(self,c1:int,c2:int,shortcut:boolTrue,g:int1,k:tuple[int,int](3,3),e:float0.5):Initialize a standard bottleneck module. Args: c1 (int): Input channels. c2 (int): Output channels. shortcut (bool): Whether to use shortcut connection. g (int): Groups for convolutions. k (tuple): Kernel sizes for convolutions. e (float): Expansion ratio. super().__init__()c_int(c2*e)# hidden channelsself.cv1Conv(c1,c_,k[0],1)self.cv2Conv(c_,c2,k[1],1,gg)self.addshortcutandc1c2defforward(self,x:torch.Tensor)-torch.Tensor:Apply bottleneck with optional shortcut connection.returnxself.cv2(self.cv1(x))ifself.addelseself.cv2(self.cv1(x))功能特征压缩与恢复通过c_ int(c2 * e)将通道压缩通常e0.5即减半然后通过第二个卷积恢复减少计算量。残差连接当shortcutTrue且输入输出通道数相同时将输入直接与输出相加促进梯度流动。灵活配置支持分组卷积、自定义卷积核大小适应不同网络设计。初始化参数参数类型说明c1int输入通道数c2int输出通道数shortcutbool是否启用残差连接默认 Truegint分组卷积的组数默认 1ktuple[int, int]两个卷积的核大小默认(3, 3)efloat通道扩展比隐藏层通道数 c2 * e默认 0.5前向方法forward(x)输入x输出形状[B, c2, H, W]空间尺寸不变。计算流程y self.cv1(x)第一个卷积通道数变为c_。z self.cv2(y)第二个卷积通道数恢复为c2。若self.add为真shortcutTrue且c1 c2返回x z否则返回z。使用示例if__name____main__:# 1. 创建随机输入xtorch.randn(1,32,64,64)# 2. 创建 Bottleneck 模块输入32输出64shortcutFalse因为通道不等bottleneck1Bottleneck(c132,c264,shortcutTrue,e0.5,k(3,3))# 3. 前向传播withtorch.no_grad():out1bottleneck1(x)print(输入形状:,x.shape)# [1, 32, 64, 64]print(输出形状:,out1.shape)# [1, 64, 64, 64]# 4. 创建通道相等且启用shortcut的模块bottleneck2Bottleneck(c164,c264,shortcutTrue,e0.5)withtorch.no_grad():out2bottleneck2(out1)print(shortcut 输出形状:,out2.shape)# [1, 64, 64, 64]# 5. 使用真实图像演示单通道扩展为多通道img_pathcat_640x640.pngimg_bgrcv2.imread(img_path)ifimg_bgrisnotNone:# 缩放到 64x64转为灰度图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]# 扩展通道数至 32模拟特征图x_imgimg_tensor.repeat(1,32,1,1)# [1,32,64,64]# 创建 Bottleneck输入32输出32shortcut启用bottleneck_imgBottleneck(c132,c232,shortcutTrue,e0.5)withtorch.no_grad():out_imgbottleneck_img(x_img)# 可视化输入通道0、输出通道0inp_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(Bottleneck Output Ch0)plt.axis(off)plt.savefig(bottleneck_demo.png,dpi150)print(可视化已保存为 bottleneck_demo.png)输出示例输入形状: torch.Size([1, 32, 64, 64]) 输出形状: torch.Size([1, 64, 64, 64]) shortcut 输出形状: torch.Size([1, 64, 64, 64]) 可视化已保存为 bottleneck_demo.png流程示意图代码解读__init__c_ int(c2 * e)计算隐藏层通道数通常小于c2实现降维。self.cv1第一个卷积使用核大小k[0]默认 3步长 1将通道从c1映射到c_。self.cv2第二个卷积使用核大小k[1]默认 3步长 1分组数g将通道从c_映射到c2。self.add布尔值决定是否启用残差连接条件为shortcutTrue且c1 c2。forward若self.add为真返回x self.cv2(self.cv1(x))否则仅返回self.cv2(self.cv1(x))。注意事项空间尺寸不变所有卷积步长均为 1填充自动为 same因此输入输出空间尺寸相同。残差条件只有shortcutTrue且c1 c2时才会添加残差否则无残差。扩展比e通常取 0.5使隐藏层通道减半降低参数量。也可根据需要调整如 1.0 表示不压缩。分组卷积g用于第二个卷积可减少参数量如深度可分离卷积。核大小灵活性允许分别指定两个卷积的核大小适应不同感受野需求。优缺点优点参数高效通过先降维后升维减少计算量和参数量提高模型效率。残差机制保持梯度传递便于训练深层网络。灵活配置支持 shortcut 开关、分组卷积、自定义核大小适配多种场景。与残差网络兼容可无缝替换标准 ResNet 瓶颈块。缺点表达能力受限降维比e较小时可能损失部分特征信息。无跨层融合与 CSP 结构相比缺少特征复用机制梯度多样性稍弱。对通道数敏感若c1与c2相差较大残差失效可能影响训练。在 YOLOv5/YOLOv8 中Bottleneck是构建C2f和C3模块的基础单元。实际使用时可根据任务设置合适的e、g和k并注意在深层网络中合理启用 shortcut。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
Ultralytics：解读Bottleneck模块
发布时间：2026/7/5 14:36:52
Ultralytics解读Bottleneck模块前言相关介绍Ultralytics 简介前提条件实验环境Bottleneck标准瓶颈模块代码实现功能初始化参数前向方法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 Werkzeug3.1.8Bottleneck标准瓶颈模块Bottleneck是一种经典的残差模块广泛用于 ResNet、YOLO 等网络结构中。它通过两个卷积层先降维后升维减少计算量并支持残差连接shortcut从而在增加网络深度的同时保持训练稳定性。该实现参考了 YOLOv5/YOLOv8 的设计提供了灵活的参数配置。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))classBottleneck(nn.Module):Standard bottleneck.def__init__(self,c1:int,c2:int,shortcut:boolTrue,g:int1,k:tuple[int,int](3,3),e:float0.5):Initialize a standard bottleneck module. Args: c1 (int): Input channels. c2 (int): Output channels. shortcut (bool): Whether to use shortcut connection. g (int): Groups for convolutions. k (tuple): Kernel sizes for convolutions. e (float): Expansion ratio. super().__init__()c_int(c2*e)# hidden channelsself.cv1Conv(c1,c_,k[0],1)self.cv2Conv(c_,c2,k[1],1,gg)self.addshortcutandc1c2defforward(self,x:torch.Tensor)-torch.Tensor:Apply bottleneck with optional shortcut connection.returnxself.cv2(self.cv1(x))ifself.addelseself.cv2(self.cv1(x))功能特征压缩与恢复通过c_ int(c2 * e)将通道压缩通常e0.5即减半然后通过第二个卷积恢复减少计算量。残差连接当shortcutTrue且输入输出通道数相同时将输入直接与输出相加促进梯度流动。灵活配置支持分组卷积、自定义卷积核大小适应不同网络设计。初始化参数参数类型说明c1int输入通道数c2int输出通道数shortcutbool是否启用残差连接默认 Truegint分组卷积的组数默认 1ktuple[int, int]两个卷积的核大小默认(3, 3)efloat通道扩展比隐藏层通道数 c2 * e默认 0.5前向方法forward(x)输入x输出形状[B, c2, H, W]空间尺寸不变。计算流程y self.cv1(x)第一个卷积通道数变为c_。z self.cv2(y)第二个卷积通道数恢复为c2。若self.add为真shortcutTrue且c1 c2返回x z否则返回z。使用示例if__name____main__:# 1. 创建随机输入xtorch.randn(1,32,64,64)# 2. 创建 Bottleneck 模块输入32输出64shortcutFalse因为通道不等bottleneck1Bottleneck(c132,c264,shortcutTrue,e0.5,k(3,3))# 3. 前向传播withtorch.no_grad():out1bottleneck1(x)print(输入形状:,x.shape)# [1, 32, 64, 64]print(输出形状:,out1.shape)# [1, 64, 64, 64]# 4. 创建通道相等且启用shortcut的模块bottleneck2Bottleneck(c164,c264,shortcutTrue,e0.5)withtorch.no_grad():out2bottleneck2(out1)print(shortcut 输出形状:,out2.shape)# [1, 64, 64, 64]# 5. 使用真实图像演示单通道扩展为多通道img_pathcat_640x640.pngimg_bgrcv2.imread(img_path)ifimg_bgrisnotNone:# 缩放到 64x64转为灰度图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]# 扩展通道数至 32模拟特征图x_imgimg_tensor.repeat(1,32,1,1)# [1,32,64,64]# 创建 Bottleneck输入32输出32shortcut启用bottleneck_imgBottleneck(c132,c232,shortcutTrue,e0.5)withtorch.no_grad():out_imgbottleneck_img(x_img)# 可视化输入通道0、输出通道0inp_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(Bottleneck Output Ch0)plt.axis(off)plt.savefig(bottleneck_demo.png,dpi150)print(可视化已保存为 bottleneck_demo.png)输出示例输入形状: torch.Size([1, 32, 64, 64]) 输出形状: torch.Size([1, 64, 64, 64]) shortcut 输出形状: torch.Size([1, 64, 64, 64]) 可视化已保存为 bottleneck_demo.png流程示意图代码解读__init__c_ int(c2 * e)计算隐藏层通道数通常小于c2实现降维。self.cv1第一个卷积使用核大小k[0]默认 3步长 1将通道从c1映射到c_。self.cv2第二个卷积使用核大小k[1]默认 3步长 1分组数g将通道从c_映射到c2。self.add布尔值决定是否启用残差连接条件为shortcutTrue且c1 c2。forward若self.add为真返回x self.cv2(self.cv1(x))否则仅返回self.cv2(self.cv1(x))。注意事项空间尺寸不变所有卷积步长均为 1填充自动为 same因此输入输出空间尺寸相同。残差条件只有shortcutTrue且c1 c2时才会添加残差否则无残差。扩展比e通常取 0.5使隐藏层通道减半降低参数量。也可根据需要调整如 1.0 表示不压缩。分组卷积g用于第二个卷积可减少参数量如深度可分离卷积。核大小灵活性允许分别指定两个卷积的核大小适应不同感受野需求。优缺点优点参数高效通过先降维后升维减少计算量和参数量提高模型效率。残差机制保持梯度传递便于训练深层网络。灵活配置支持 shortcut 开关、分组卷积、自定义核大小适配多种场景。与残差网络兼容可无缝替换标准 ResNet 瓶颈块。缺点表达能力受限降维比e较小时可能损失部分特征信息。无跨层融合与 CSP 结构相比缺少特征复用机制梯度多样性稍弱。对通道数敏感若c1与c2相差较大残差失效可能影响训练。在 YOLOv5/YOLOv8 中Bottleneck是构建C2f和C3模块的基础单元。实际使用时可根据任务设置合适的e、g和k并注意在深层网络中合理启用 shortcut。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
相关文章
工业HMI新手友好设计：3步降低学习成本至10分钟
工厂人员流动频繁，新员工或临时顶岗人员可能需要在极短时间内独立操作HMI。新手友好设计的核心，不是简化系统功能，而是降低初始学习曲线，提供即时、按需的帮助让新手能快速达到“安全独立操作”的基本线。三步引导体系① 首次登录…
YOLOv7数据增强与训练策略优化：提升目标检测模型泛化能力
YOLOv7数据增强与训练策略优化：提升目标检测模型泛化能力 概述 在深度学习领域，数据是模型训练的基础，数据质量和数量直接影响模型的性能。目标检测任务中，数据增强是提高模型泛化能力的关键技术之一。通过对训练数据进行多样化的变换，可以增加数据的多样性，减少过拟合…
TVA推动物理AI的具身智能革命（8）
前沿技术介绍：AI智能体视觉（TVA，Transformer-based Vision Agent）是依托Transformer架构与“因式智能体”理论所构建的颠覆性工业视觉技术，属于“物理AI” 领域的一种全新技术形态，完成了从“虚拟世界”到“…
终极指南：如何在IE8-9浏览器中实现快速加载和最佳性能的aight性能优化方案
终极指南：如何在IE8-9浏览器中实现快速加载和最佳性能的aight性能优化方案 【免费下载链接】aight JavaScript shims and shams for making IE8-9 behave reasonably 项目地址: https://gitcode.com/gh_mirrors/ai/aight 对于技术决策者和开发者来说…
Umi-OCR引擎插件故障诊断与修复：从原理到实践的技术指南
Umi-OCR引擎插件故障诊断与修复：从原理到实践的技术指南 【免费下载链接】Umi-OCR OCR software, free and offline. 开源、免费的离线OCR软件。支持截屏/批量导入图片，PDF文档识别，排除水印/页眉页脚，扫描/生成二维码。内置多国语…
KNN算法 sklearn 1.4.2 实战：鸢尾花分类准确率从 0.76 提升到 0.97 的 3 个调参技巧
KNN算法 sklearn 1.4.2 实战：鸢尾花分类准确率从 0.76 提升到 0.97 的 3 个调参技巧鸢尾花分类是机器学习领域的经典案例，但很多开发者在使用KNN算法时，往往止步于默认参数的实现，忽略了调参带来的性能飞跃。本文将揭示如何通过三…
锂离子电池过压保护与BQ2920+PIC18F2455方案解析
1. 锂离子电池过压保护的必要性与挑战锂离子电池因其高能量密度和长循环寿命，已成为便携式电子设备和储能系统的首选电源。然而，这类电池对工作电压极为敏感——单节电池的满电电压通常为4.2V，若充电电压超过此阈值，轻则缩短电池寿…
Dokemon网络配置指南：Docker网络管理和容器间通信
Dokemon网络配置指南：Docker网络管理和容器间通信 【免费下载链接】dokemon Docker Container Management GUI 项目地址: https://gitcode.com/gh_mirrors/do/dokemon Dokemon是一个功能强大的Docker容器管理GUI工具，它提供了直观的网络配置界面&…
SeaTunnel Web 与 SeaTunnel Zeta Engine 集成指南：分布式任务执行原理
SeaTunnel Web 与 SeaTunnel Zeta Engine 集成指南：分布式任务执行原理 【免费下载链接】seatunnel-web SeaTunnel is a distributed, high-performance data integration platform for the synchronization and transformation of massive data (offline & rea…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
FAE放射组学分析工具：医学影像特征探索的完整解决方案
FAE放射组学分析工具：医学影像特征探索的完整解决方案 【免费下载链接】FAE FeAture Explorer 项目地址: https://gitcode.com/gh_mirrors/fae/FAE 你是否曾经面对海量医学影像数据感到无从下手？想要从CT、MRI等影像中提取有价值的定量特征&#…
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南 【免费下载链接】happy-llm 📚 从零开始构建大模型 项目地址: https://gitcode.com/GitHub_Trending/ha/happy-llm 还在为大型多模态模型动辄数十亿参数、显存占用高而烦恼&…
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址…