Ultralytics：解读Focus模块
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。
前提条件
- 熟悉Python、Pytorch
实验环境
bash
Package Version
------------------------ ------------
Python 3.11.8
absl-py 2.4.0
accelerate 1.13.0
annotated-doc 0.0.4
anyio 4.13.0
calflops 0.3.2
certifi 2026.4.22
charset-normalizer 3.4.7
click 8.3.3
colorama 0.4.6
contourpy 1.3.3
cycler 0.12.1
filelock 3.29.0
flatbuffers 25.12.19
fonttools 4.62.1
fsspec 2026.4.0
grpcio 1.80.0
h11 0.16.0
hf-xet 1.5.0
httpcore 1.0.9
httpx 0.28.1
huggingface_hub 1.14.0
idna 3.15
Jinja2 3.1.6
kiwisolver 1.5.0
Markdown 3.10.2
markdown-it-py 4.2.0
MarkupSafe 3.0.3
matplotlib 3.10.9
mdurl 0.1.2
ml_dtypes 0.5.0
mpmath 1.3.0
networkx 3.6.1
numpy 1.26.4
nvidia-cublas-cu12 12.8.3.14
nvidia-cuda-cupti-cu12 12.8.57
nvidia-cuda-nvrtc-cu12 12.8.61
nvidia-cuda-runtime-cu12 12.8.57
nvidia-cudnn-cu12 9.7.1.26
nvidia-cufft-cu12 11.3.3.41
nvidia-cufile-cu12 1.13.0.11
nvidia-curand-cu12 10.3.9.55
nvidia-cusolver-cu12 11.7.2.55
nvidia-cusparse-cu12 12.5.7.53
nvidia-cusparselt-cu12 0.6.3
nvidia-nccl-cu12 2.26.2
nvidia-nvjitlink-cu12 12.8.61
nvidia-nvtx-cu12 12.8.55
onnx 1.19.0
onnxruntime-gpu 1.26.0
onnxslim 0.1.94
opencv-python 4.6.0.66
packaging 26.2
pillow 12.2.0
pip 24.0
polars 1.40.1
polars-runtime-32 1.40.1
protobuf 7.34.1
psutil 7.2.2
pycocotools 2.0.11
Pygments 2.20.0
pyparsing 3.3.2
python-dateutil 2.9.0.post0
PyYAML 6.0.3
regex 2026.5.9
requests 2.34.1
rich 15.0.0
safetensors 0.7.0
scipy 1.16.0
setuptools 65.5.0
shellingham 1.5.4
six 1.17.0
sympy 1.14.0
tabulate 0.10.0
tensorboard 2.20.0
tensorboard-data-server 0.7.2
tokenizers 0.22.2
torch 2.7.1+cu128
torchaudio 2.7.1+cu128
torchvision 0.22.1+cu128
tqdm 4.67.3
transformers 5.8.1
triton 3.3.1
typer 0.25.1
typing_extensions 4.15.0
ultralytics 8.4.58
ultralytics-thop 2.0.19
urllib3 2.7.0
Werkzeug 3.1.8Focus（特征聚焦模块）
Focus 是 YOLOv5 中引入的一种下采样模块，用于在保留空间信息的同时增加通道数。其核心思想是将输入特征图在空间上每隔一个像素进行采样 ，得到四个子图，然后在通道维度上拼接 ，从而使通道数变为原来的 4 倍，空间尺寸减半。接着通过一个标准卷积层（Conv）进行特征变换。这种操作相当于用步长为 2 的卷积处理原始图像，但在 YOLOv5 的设计中被认为能更好地保留信息。不过，在现代 YOLOv8 中，该模块已被简化为直接使用步长为 2 的卷积，因为后者同样有效且更高效。
代码实现
python
import cv2
import math
import torch
import numpy as np
import matplotlib.pyplot as plt
from torch import nn
def autopad(k, p=None, d=1): # kernel, padding, dilation
"""Pad to 'same' shape outputs."""
if d > 1:
k = d * (k - 1) + 1 if isinstance(k, int) else [d * (x - 1) + 1 for x in k] # actual kernel-size
if p is None:
p = k // 2 if isinstance(k, int) else [x // 2 for x in k] # auto-pad
return p
class Conv(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 activation
def __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_act if act is True else act if isinstance(act, nn.Module) else nn.Identity()
def forward(self, x):
"""Apply convolution, batch normalization and activation to input tensor.
Args:
x (torch.Tensor): Input tensor.
Returns:
(torch.Tensor): Output tensor.
"""
return self.act(self.bn(self.conv(x)))
def forward_fuse(self, x):
"""Apply convolution and activation without batch normalization.
Args:
x (torch.Tensor): Input tensor.
Returns:
(torch.Tensor): Output tensor.
"""
return self.act(self.conv(x))
class Focus(nn.Module):
"""Focus module for concentrating feature information.
Slices input tensor into 4 parts and concatenates them in the channel dimension.
Attributes:
conv (Conv): Convolution layer.
"""
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):
"""Initialize Focus module 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.
act (bool | nn.Module): Activation function.
"""
super().__init__()
self.conv = Conv(c1 * 4, c2, k, s, p, g, act=act)
# self.contract = Contract(gain=2)
def forward(self, x):
"""Apply Focus operation and convolution to input tensor.
Input shape is (B, C, H, W) and output shape is (B, c2, H/2, W/2).
Args:
x (torch.Tensor): Input tensor.
Returns:
(torch.Tensor): Output tensor.
"""
return self.conv(torch.cat((x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]), 1))
# return self.conv(self.contract(x))功能
- 空间下采样 ：通过隔点采样，将特征图的高和宽各缩小一半（即 H / 2 × W / 2 H/2 \times W/2 H/2×W/2）。
- 通道数扩充 ：将四个子图在通道维度拼接，通道数变为 4 × c 1 4 \times c_1 4×c1。
- 特征变换 ：拼接后的特征图通过一个
Conv层（包含卷积、BN、激活）输出指定通道数 c 2 c_2 c2。 - 等效于步长为 2 的卷积：在数学上，Focus 操作与使用步长为 2、核大小可调的标准卷积等价（当卷积核为 3×3 等时），但 Focus 的分片拼接过程可能对梯度流有一定影响。
初始化参数
| 参数 | 类型 | 说明 |
|---|---|---|
c1 |
int | 输入通道数 |
c2 |
int | 输出通道数 |
k |
int | 卷积核大小（默认 1） |
s |
int | 卷积步长（默认 1） |
p |
int / None | 填充（若为 None，由 autopad 自动计算） |
g |
int | 分组数（默认 1） |
act |
bool / nn.Module | 激活函数（与 Conv 一致） |
需要注意的是，
Focus本身不包含步长参数（s仅用于后续卷积），其下采样是通过切片操作固定的（2 倍下采样）。若需其他下采样倍数，需修改切片方式。
前向方法
forward(x)：对输入x进行四个方向的隔点采样，拼接后在通道维度进行卷积。
具体切片操作为：
x[..., ::2, ::2]：从 (0,0) 开始，每隔一个像素采样。x[..., 1::2, ::2]：从 (1,0) 开始。x[..., ::2, 1::2]：从 (0,1) 开始。x[..., 1::2, 1::2]：从 (1,1) 开始。
然后将这四个张量在第 1 维（通道维）拼接，得到形状 (B, 4*C, H/2, W/2)，再送入 self.conv。
使用示例
python
if __name__ == '__main__':
# 1. 读取图像
img_path = "cat_640x640.png"
img_bgr = cv2.imread(img_path)
if img_bgr is None:
raise FileNotFoundError(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 Focus 层：输入3通道，输出16通道，卷积核3×3，步长1（下采样由Focus本身完成）
focus_layer = Focus(c1=3, c2=16, k=3, s=1, p=None) # p=None 自动填充，保持卷积后尺寸不变
# 4. 前向传播
with torch.no_grad():
out = focus_layer(img_tensor)
print("输出形状:", out.shape) # 预期 torch.Size([1, 16, 320, 320])
# 5. 可视化第一个通道
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 (640x640)")
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(feat_map, cmap='gray')
plt.title("Focus Output (320x320, Ch0)")
plt.axis("off")
plt.tight_layout()
plt.savefig("focus_output.png", dpi=150)
# plt.show()
print("可视化已保存为 focus_output.png")输出示例：
输出形状: torch.Size([1, 16, 320, 320])
可视化已保存为 focus_output.png流程示意图
代码解读
__init__ 方法
self.conv = Conv(c1 * 4, c2, k, s, p, g, act=act)：创建一个Conv模块，其输入通道数为c1*4（因为切片拼接后通道数为原来的 4 倍），输出通道数为c2，其他参数（k,s,p,g,act）直接透传。- 注释掉的
self.contract是 Ultralytics 早期版本中的另一种实现方式（使用Contract层），但当前版本改用直接切片拼接。
forward 方法
- 使用
torch.cat在通道维度（dim=1）拼接四个切片。 - 拼接后调用
self.conv进行特征变换。
注意事项
-
与普通步长为 2 的卷积等效性：
- 当卷积核大小为 3×3、步长 2 时，
Focus与直接使用Conv(c1, c2, k=3, s=2)在数学上不等价 （因为Focus先切片再卷积，感受野略有不同），但二者都能实现下采样。实际上，YOLOv5 作者认为Focus能更好地保留信息，但后续实验表明直接卷积也能达到相近效果，因此 YOLOv8 已移除Focus，改用Conv(k=3, s=2)。
- 当卷积核大小为 3×3、步长 2 时，
-
输入尺寸必须为偶数：
- 由于切片需要
H和W能被 2 整除，否则会导致尺寸不一致或报错。
- 由于切片需要
-
计算开销：
Focus的切片拼接操作本身无参数，但会使通道数膨胀 4 倍，增加后续卷积的输入通道数，从而增加参数量和计算量（相比直接步长为 2 的卷积，Focus的卷积输入通道数较大，但实际 FLOPs 与直接卷积相比，在不同设置下可能有所不同，通常Focus略高）。
-
适用场景：
- 主要应用于早期 YOLO 系列（如 YOLOv5）的骨干网络第一层，用于将输入图像快速下采样到 320×320（640→320）。对于新项目，建议直接使用
Conv(k=3, s=2)。
- 主要应用于早期 YOLO 系列（如 YOLOv5）的骨干网络第一层，用于将输入图像快速下采样到 320×320（640→320）。对于新项目，建议直接使用
-
与
ConvTranspose的关系：- 两者方向相反：
Focus下采样，ConvTranspose上采样。
- 两者方向相反：
优缺点
优点
- 信息保留充分：通过分别采样四个子区域，保留了原始图像中相邻像素的局部信息，可能有助于小目标检测。
- 结构简单：仅需切片和拼接，无额外参数，易于实现。
- 加速收敛 ：在某些数据集上，
Focus被观察到能使训练更快收敛（但该优势在 YOLOv8 中被认为不明显）。
缺点
- 计算成本较高 ：通道数膨胀为 4 倍，导致后续卷积参数量增加（
Conv的输入通道为4*c1，而直接步长为 2 的卷积输入通道仅为c1）。 - 输入尺寸受限：必须为偶数尺寸，否则需填充或裁剪。
- 与主流设计趋势不符：现代轻量级网络（如 YOLOv8）倾向于使用直接卷积，因其在硬件上更高效，且精度差异可忽略。
- 不易扩展：若需其他下采样倍数（如 4 倍），需自定义切片逻辑，不够灵活。
在 YOLOv8 中，Focus 已被弃用，取而代之的是在第一个卷积层直接使用 Conv(c1, c2, k=3, s=2)。若您在旧版 YOLOv5 项目中看到该模块，可保留；若为新建项目，建议使用标准卷积下采样。
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）