代码

YOLOX 版本

# 深度可分离卷积的作用：
# 深度可分离卷积的计算量比普通卷积小，因为深度可分离卷积分为两步，第一步是深度卷积，第二步是点卷积，深度卷积的计算量比普通卷积小，点卷积的计算量比普通卷积小class DWConv(nn.Module):
    """Depthwise Conv + Conv"""

    def __init__(self, in_channels, out_channels, ksize, stride=1, act="silu"):
        super().__init__()
        self.dconv = BaseConv(  # dconv表示深度可分离卷积
            in_channels,        # 输入通道数
            in_channels,        # 输出通道数
            ksize=ksize,        # 卷积核大小
            stride=stride,      # 步长
            groups=in_channels, # 分组卷积，当groups=in_channels时，表示使用深度可分离卷积
                                # 分组卷积的作用是将输入的通道数分成groups组，每组的通道数为in_channels//groups，然后对每组通道数进行卷积，最后将每组卷积后的特征图进行拼接
            act=act,
        )
        self.pconv = BaseConv(  # pconv表示pointwise卷积
            in_channels, out_channels, ksize=1, stride=1, groups=1, act=act
            # pointwise卷积的作用是将输入的特征图的通道数从in_channels变为out_channels
        )

    def forward(self, x):
        x = self.dconv(x)
        return self.pconv(x)

YOLOV8版本

class DWConv(Conv):
    """Depth-wise convolution."""

    def __init__(self, c1, c2, k=1, s=1, d=1, act=True):  # ch_in, ch_out, kernel, stride, dilation, activation
        """Initialize Depth-wise convolution with given parameters."""
        super().__init__(c1, c2, k, s, g=math.gcd(c1, c2), d=d, act=act)

模型结构

对比分析

YOLOX中使用了DW+PW，YOLOV8中只使用了DW