Ultralytics解读C1模块前言相关介绍Ultralytics 简介前提条件实验环境C1CSP Bottleneck with 1 convolution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 Werkzeug3.1.8C1CSP Bottleneck with 1 convolutionC1是一种轻量级的CSPCross Stage Partial瓶颈模块它仅使用1 个 1×1 卷积和多个 3×3 卷积构建残差结构。在 YOLOv5 等模型中它常被用作基础构建块以平衡计算量与特征表达能力。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))classC1(nn.Module):CSP Bottleneck with 1 convolution.def__init__(self,c1:int,c2:int,n:int1):Initialize the CSP Bottleneck with 1 convolution. Args: c1 (int): Input channels. c2 (int): Output channels. n (int): Number of convolutions. super().__init__()self.cv1Conv(c1,c2,1,1)self.mnn.Sequential(*(Conv(c2,c2,3)for_inrange(n)))defforward(self,x:torch.Tensor)-torch.Tensor:Apply convolution and residual connection to input tensor.yself.cv1(x)returnself.m(y)y功能通道变换通过 1×1 卷积将输入通道从c1映射到c2同时实现跨通道信息融合。多层特征提取对变换后的特征图依次应用n个 3×3 卷积保持通道数不变捕获空间特征。残差连接将 1×1 卷积的输出与经过n个 3×3 卷积的输出相加缓解梯度消失促进深层训练。CSP 风格虽然未显式拆分特征图但其结构类似于 CSPNet 中的部分残差块仅使用单个卷积进行通道调整。初始化参数参数类型说明c1int输入特征图的通道数c2int输出特征图的通道数也是中间特征的通道数nint3×3 卷积的层数默认为 1控制模块深度前向方法forward(x)输入x形状[B, c1, H, W]输出[B, c2, H, W]。计算流程y self.cv1(x)1×1 卷积通道数变为c2。z self.m(y)n个 3×3 卷积依次作用在y上输出仍为[B, c2, H, W]。返回z y残差相加。使用示例if__name____main__:# 1. 创建随机输入特征图模拟 batch1, 通道16, 高宽64xtorch.randn(1,16,64,64)# 2. 创建 C1 模块输入通道 16输出通道 32n2两个 3x3 卷积c1_blockC1(c116,c232,n2)# 3. 前向传播withtorch.no_grad():outc1_block(x)print(输入形状:,x.shape)# [1, 16, 64, 64]print(输出形状:,out.shape)# [1, 32, 64, 64]# 4. 使用真实图像演示需将图像转为特征图这里直接展示输入输出通道0img_pathcat_640x640.pngimg_bgrcv2.imread(img_path)ifimg_bgrisnotNone:# 缩放到 64x64转为灰度图并升维为单通道特征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]# 为了匹配 c116复制通道模拟特征图x_imgimg_tensor.repeat(1,16,1,1)# [1,16,64,64]# 创建 C1 模块输入16输出32n1c1_imgC1(c116,c232,n1)withtorch.no_grad():out_imgc1_img(x_img)# [1,32,64,64]# 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(C1 Output Ch0)plt.axis(off)plt.savefig(c1_demo.png,dpi150)print(可视化已保存为 c1_demo.png)输出示例输入形状: torch.Size([1, 16, 64, 64]) 输出形状: torch.Size([1, 32, 64, 64]) 可视化已保存为 c1_demo.png流程示意图代码解读__init__self.cv11×1 卷积用于调整通道数并整合跨通道信息。self.m由n个Conv(c2, c2, 3)组成的序列每个卷积保持通道数不变步长为 1自动填充autopad(3)保证空间尺寸不变。forwardy self.cv1(x)得到中间特征。self.m(y)经过 n 个 3×3 卷积提取更深层特征。最后将y与self.m(y)逐元素相加形成残差连接。注意事项通道数变化1×1 卷积将输入通道从c1变为c2后续 3×3 卷积保持c2不变因此输出通道为c2。n 的作用n控制 3×3 卷积的堆叠数量可增加模型深度但也会带来更多计算量。空间尺寸不变所有卷积步长均为 1填充为自动 same因此输入输出空间尺寸完全相同。残差连接由于y和self.m(y)形状相同可直接相加无需额外投影。与标准 Bottleneck 的区别标准瓶颈通常包含两个卷积1×1 降维、3×3 卷积、1×1 升维而C1只有 1 个 1×1 和多个 3×3结构更简洁。优缺点优点参数量较少相比标准瓶颈C1减少了 1×1 卷积的数量尤其当n较小时更轻量。残差结构缓解梯度消失便于训练更深网络。灵活调节深度通过n可方便地控制网络深度。即插即用可嵌入 YOLO、ResNet 等架构中。缺点表达能力有限仅使用单一 1×1 卷积进行通道变换可能不如双瓶颈结构降维再升维表达力强。计算量随 n 线性增长n较大时3×3 卷积堆叠会增加计算开销。无显式 CSP 分割未像标准 CSP 那样将特征图分为两部分分别处理可能影响梯度多样性。在 YOLOv5 等网络中C1常作为C3模块的基础组件C3包含两个C1分支。实际使用时可根据任务需求调整n值并在通道数较大的层适当增加n以提升特征提取能力。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