模块整理！YOLOv9中的“Silence”、“RepNCSPELAN4”、“ADown”、“CBLinear”创新模块汇总！

专栏地址：目前售价售价69.9，改进点70+

专栏介绍：YOLOv9改进系列 | 包含深度学习最新创新，助力高效涨点！！！

本文对YOLOv9中出现的新模块进行整理

1. Silence模块

模块介绍：Silence是YOLOv9中便于辅助分支调用输入到网络中的原始img的模块，模块自身不进行运算，输出与输入无变化，模块代码：

class Silence(nn.Module):
    def __init__(self):
        super(Silence, self).__init__()
    def forward(self, x):    
        return x

2. RepNCSPELAN4模块

RepNCSPELAN4是YOLOv9中的特征提取-融合模块，类似前几代YOLO中的C3、C2f等模块。作者通过结合两种神经网络架构，即带有梯度路径规划的 CSPNet 和 ELAN，考虑轻量化、推理速度和准确性设计出的一种广义高效层聚合网络（GELAN），作者使用带有 CSPNet 块的 GELAN 替换了 ELAN，并 RepConv作为计算块。RepNCSPELAN4可拆分为RepN-CSP-ELAN4 ，代码及模块图如下：

class RepNCSPELAN4(nn.Module):
    # csp-elan
    def __init__(self, c1, c2, c3, c4, c5=1):  # ch_in, ch_out, number, shortcut, groups, expansion
        super().__init__()
        self.c = c3//2
        self.cv1 = Conv(c1, c3, 1, 1)
        self.cv2 = nn.Sequential(RepNCSP(c3//2, c4, c5), Conv(c4, c4, 3, 1))
        self.cv3 = nn.Sequential(RepNCSP(c4, c4, c5), Conv(c4, c4, 3, 1))
        self.cv4 = Conv(c3+(2*c4), c2, 1, 1)

    def forward(self, x):
        y = list(self.cv1(x).chunk(2, 1))
        y.extend((m(y[-1])) for m in [self.cv2, self.cv3])
        return self.cv4(torch.cat(y, 1))

    def forward_split(self, x):
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in [self.cv2, self.cv3])
        return self.cv4(torch.cat(y, 1))

3. ADown模块

ADown是YOLOv9中的下采样模块，模块中使用卷积、平均池化、最大池化完成下采样操作，代码及结构图如下：

class ADown(nn.Module):
    def __init__(self, c1, c2):  # ch_in, ch_out, shortcut, kernels, groups, expand
        super().__init__()
        self.c = c2 // 2
        self.cv1 = Conv(c1 // 2, self.c, 3, 2, 1)
        self.cv2 = Conv(c1 // 2, self.c, 1, 1, 0)

    def forward(self, x):
        x = torch.nn.functional.avg_pool2d(x, 2, 1, 0, False, True)
        x1,x2 = x.chunk(2, 1)
        x1 = self.cv1(x1)
        x2 = torch.nn.functional.max_pool2d(x2, 3, 2, 1)
        x2 = self.cv2(x2)
        return torch.cat((x1, x2), 1)

4. CBLinear模块

CBLinear是YOLOv9用于辅助分支的一个模块，包含一个卷积模块，将经过一次卷积后得到的张量拆分成包含为1-N个元素的元组，模块代码和结构如下：

class CBLinear(nn.Module):
    def __init__(self, c1, c2s, k=1, s=1, p=None, g=1):  # ch_in, ch_outs, kernel, stride, padding, groups
        super(CBLinear, self).__init__()
        self.c2s = c2s
        self.conv = nn.Conv2d(c1, sum(c2s), k, s, autopad(k, p), groups=g, bias=True)

    def forward(self, x):
        outs = self.conv(x).split(self.c2s, dim=1)
        return outs