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）
• PaddleOCR：Win10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）
• YOLOv5：TensorRT加速YOLOv5模型推理
• YOLOv5：IoU、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
• YOLOv5：yolov5s.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（v2.0）
• Stable 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 torch2.7.1+cu128 torchaudio2.7.1+cu128 torchvision0.22.1+cu128 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 Werkzeug3.1.8

DWConv（深度可分离卷积）

DWConv是Conv的派生类，它实现了深度可分离卷积（Depthwise Separable Convolution）的核心操作——逐通道卷积（Depthwise Convolution）。与标准卷积相比，它大幅减少了参数量和计算量，在轻量级网络（如 MobileNet、YOLOv8‑n）中被广泛使用。

代码实现

importcv2importmathimporttorchimportnumpyasnpimportmatplotlib.pyplotaspltfromtorchimportnndefautopad(k,p=None,d=1):# kernel, padding, dilation"""Pad to 'same' shape outputs."""ifd>1:k=d*(k-1)+1ifisinstance(k,int)else[d*(x-1)+1forxink]# actual kernel-sizeifpisNone:p=k//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_act=nn.SiLU()# default activationdef__init__(self,c1,c2,k=1,s=1,p=None,g=1,d=1,act=True):"""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.conv=nn.Conv2d(c1,c2,k,s,autopad(k,p,d),groups=g,dilation=d,bias=False)self.bn=nn.BatchNorm2d(c2)self.act=self.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))classDWConv(Conv):"""Depth-wise convolution module."""def__init__(self,c1,c2,k=1,s=1,d=1,act=True):"""Initialize depth-wise convolution with given parameters. Args: c1 (int): Number of input channels. c2 (int): Number of output channels. k (int): Kernel size. s (int): Stride. d (int): Dilation. act (bool | nn.Module): Activation function. """super().__init__(c1,c2,k,s,g=math.gcd(c1,c2),d=d,act=act)

功能

• 深度可分离卷积（此处仅实现 Depthwise 部分，通常后接 Pointwise 卷积）：
  • 每个输入通道独立进行卷积（分组数g= 输入通道数），输出通道数与输入一致，再通过 1×1 卷积混合通道。
  • 但在本实现中，DWConv直接输出c2个通道，且分组数g = gcd(c1, c2)，这是一种通用分组卷积，当gcd(c1, c2) == c1时退化为标准深度卷积；当c1 == c2时也成立。
• 参数高效：参数量为k*k*c1（相比标准卷积的k*k*c1*c2减少了c2倍），计算量也大幅降低。

初始化参数（与父类不同）

DWConv固定了p=None（由autopad自动计算）、g=math.gcd(c1, c2)（确保分组数能整除输入输出通道），其余参数透传给父类。

分组数g的选择逻辑

• 深度卷积的理想分组数应为g = c1，即每个输入通道单独一组。
• 但若c2不是c1的整数倍，则无法用g=c1直接输出c2个通道（因为分组卷积要求c1 % g == 0且c2 % g == 0）。
• 使用最大公约数gcd(c1, c2)作为分组数，能保证分组数最大，同时满足整除条件。当c2是c1的整数倍时，gcd = c1，即为标准深度卷积。

与标准卷积的区别

使用示例

if__name__=='__main__':# 1. 读取图像img_path="cat_640x640.png"img_bgr=cv2.imread(img_path)ifimg_bgrisNone:raiseFileNotFoundError(f"图片{img_path}不存在！")# 2. 转为张量 (1,3,640,640)img_rgb=cv2.cvtColor(img_bgr,cv2.COLOR_BGR2RGB)img_tensor=torch.from_numpy(img_rgb).float().permute(2,0,1).unsqueeze(0)# 3. 创建 DWConv 层：输入3通道，输出16通道，核3×3，步长2dw_layer=DWConv(c1=3,c2=16,k=3,s=2)# 查看分组数（打印确认）print(f"分组数 g ={dw_layer.conv.groups}")# 应为 gcd(3,16)=1# 4. 前向传播withtorch.no_grad():out=dw_layer(img_tensor)print("输出形状:",out.shape)# torch.Size([1, 16, 320, 320])# 5. 可视化第一个通道的特征图feat_map=out[0,0,:,:].cpu().numpy()feat_map=(feat_map-feat_map.min())/(feat_map.max()-feat_map.min()+1e-8)feat_map=(feat_map*255).astype(np.uint8)plt.figure(figsize=(10,5))plt.subplot(1,2,1)plt.imshow(cv2.cvtColor(img_bgr,cv2.COLOR_BGR2RGB))plt.title("Original")plt.axis("off")plt.subplot(1,2,2)plt.imshow(feat_map,cmap='gray')plt.title("DWConv Output (Ch0)")plt.axis("off")plt.tight_layout()plt.savefig("dwconv_output.png",dpi=150)# plt.show()print("可视化已保存为 dwconv_output.png")

输出示例：

分组数 g=1输出形状: torch.Size([1,16,320,320])可视化已保存为 dwconv_output.png

由于c1=3, c2=16，gcd=1，此时实际为普通分组卷积（组数1），并未实现真正的深度卷积。若要体现深度卷积，可令c2为c1的倍数，例如c2=6→gcd=3，此时每个输入通道独立卷积分组。

流程示意图

代码解读

__init__方法

• 直接调用父类Conv的构造函数，传入g=math.gcd(c1, c2)。
• 父类Conv会创建nn.Conv2d，其中groups=g，实现分组卷积。
• p参数未显式传入（使用父类默认None），由autopad自动计算填充。

为什么用gcd而不是c1？

• 通用性：支持任意c1, c2组合，避免因c2不是c1的整数倍而报错。
• 最大分组数：gcd是满足整除条件的最大分组数，使得每个分组内通道数尽可能少，计算效率更高。
• 特例：当c2能被c1整除时，gcd=c1，即为标准深度卷积。

与完整深度可分离卷积的关系

• 真正的深度可分离卷积通常包含两步：Depthwise（g=c1） + Pointwise（1×1 卷积）。
• DWConv仅完成 Depthwise 部分，若需完整分离，可组合DWConv+Conv(c2, c2, k=1)。
• 在 YOLOv8 中，DWConv常用于骨干网络的某些层，配合 1×1 卷积使用。

注意事项

1. 分组数对输出的影响：当g=1时，DWConv退化为标准卷积（无分组），此时并没有节省计算量。设计网络时应合理选择c1, c2，使g尽量大（最好等于c1），以发挥深度卷积的优势。
2. 参数量对比：当g=c1时，参数量为k²·c1（不含 bias），仅为标准卷积的1/c2。例如c1=32, c2=64, k=3，标准卷积参数 3²·32·64=18432，而深度卷积仅 3²·32=288，减少 98.4%。
3. 适用场景：轻量级网络（MobileNet、ShuffleNet、YOLOv8‑n/s），以及移动端/嵌入式设备部署。
4. 与Conv2的关系：Conv2是多分支融合，DWConv是分组卷积，两者不冲突，可组合使用（如 RepDWConv）。
5. 训练与推理：继承自Conv，因此同样支持forward_fuse（需先融合 BN）和fuse_convs（但DWConv本身无额外分支，无需融合）。

在 YOLOv8 中的应用

YOLOv8 的配置文件中，当使用轻量级版本（n/s）时，某些Conv会被替换为DWConv，以降低计算量。例如在C2f模块的瓶颈中，可将 3×3 卷积替换为DWConv（通过修改 yaml 或代码）。

优缺点

优点

1. 参数大幅减少
   当分组数g = c1（即深度卷积）时，参数量为k²·c1，仅为标准卷积（k²·c1·c2）的1/c2，显著降低模型体积。

2. 计算量显著降低
   浮点运算次数（FLOPs）从k²·c1·c2·H·W降至k²·c1·H·W（当g=c1），尤其适合计算资源受限的设备（如手机、嵌入式芯片）。

3. 正则化效果
   分组操作限制了通道间的信息融合，可视为一种隐式正则化，有助于缓解过拟合，在小数据集上表现更好。

4. 易于扩展
   与 1×1 点卷积组合可形成完整的深度可分离卷积（Depthwise Separable Convolution），已成为轻量级网络的基石（MobileNet、EfficientNet 等）。

缺点

1. 表达能力受限
   深度卷积仅进行空间特征提取，不融合通道信息，必须额外添加 1×1 卷积才能实现跨通道混合，否则输出特征图各通道信息孤立，影响模型精度。

2. 硬件效率并非总是最优
   虽然参数量和理论计算量降低，但在 GPU 等并行计算设备上，分组卷积（尤其是通道数较小时）可能因内存访问模式不够连续，导致实际加速效果不如理论值。

3. 设计灵活性受限
   DWConv要求分组数g能同时整除c1和c2。若c2不是c1的整数倍，则无法达到真正的深度卷积（g=c1），只能退化为普通分组卷积，此时参数节省效果打折。

4. 性能-精度权衡
   过度使用深度卷积会显著降低模型容量，对于复杂任务（如高分辨率目标检测），可能需要增加网络深度或宽度来补偿精度损失，导致设计复杂度上升。

在工程实践中，应根据任务需求和硬件平台，合理选择DWConv的通道数和层数，通常建议在轻量级网络（YOLOv8‑n/s、MobileNet）的前几层使用，深层仍保留标准卷积以保证特征融合能力。

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）
• PaddleOCR：Win10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）
• YOLOv5：TensorRT加速YOLOv5模型推理
• YOLOv5：IoU、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
• YOLOv5：yolov5s.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（v2.0）
• Stable Diffusion：使用自己的数据集微调训练LoRA模型（v2.0）