Ultralytics：解读GhostConv模块
- 前言
- 相关介绍
-
-
- [Ultralytics 简介](#Ultralytics 简介)
-
- 前提条件
- 实验环境
- [GhostConv（Ghost 卷积模块）](#GhostConv（Ghost 卷积模块）)
- 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）
- 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 3.1.8GhostConv（Ghost 卷积模块）
GhostConv 是基于 GhostNet 论文中提出的 Ghost 模块实现的轻量级卷积。其核心思想是：使用少量"固有"特征图，再通过廉价的线性操作（如深度卷积）生成更多的"幻影"特征图，从而在减少参数和计算量的同时，保持与标准卷积相近的表示能力。该模块在移动端和轻量级网络中效果显著。
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 GhostConv(nn.Module):
"""Ghost Convolution module.
Generates more features with fewer parameters by using cheap operations.
Attributes:
cv1 (Conv): Primary convolution.
cv2 (Conv): Cheap operation convolution.
References:
https://github.com/huawei-noah/Efficient-AI-Backbones
"""
def __init__(self, c1, c2, k=1, s=1, g=1, act=True):
"""Initialize Ghost Convolution module with given parameters.
Args:
c1 (int): Number of input channels.
c2 (int): Number of output channels.
k (int): Kernel size.
s (int): Stride.
g (int): Groups.
act (bool | nn.Module): Activation function.
"""
super().__init__()
c_ = c2 // 2 # hidden channels
self.cv1 = Conv(c1, c_, k, s, None, g, act=act)
self.cv2 = Conv(c_, c_, 5, 1, None, c_, act=act)
def forward(self, x):
"""Apply Ghost Convolution to input tensor.
Args:
x (torch.Tensor): Input tensor.
Returns:
(torch.Tensor): Output tensor with concatenated features.
"""
y = self.cv1(x)
return torch.cat((y, self.cv2(y)), 1)功能
- 特征生成 ：首先使用标准卷积（
cv1）生成一部分"固有"特征图（数量为c2 // 2）；然后通过一个"便宜"的深度卷积（cv2，核大小 5×5，分组数等于通道数）生成额外的特征图；最后将两者在通道维度拼接，得到总数为c2的输出特征图。 - 参数高效 ：相比直接生成
c2个通道的标准卷积，GhostConv 的参数量和计算量显著减少。 - 灵活配置：可自定义主卷积的核大小、步长、分组等参数，便宜操作固定为 5×5 深度卷积（可调整）。
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 | 主卷积核大小（默认 1） |
s |
int | 主卷积步长（默认 1） |
g |
int | 主卷积的分组数（默认 1） |
act |
bool / nn.Module | 激活函数（与 Conv 一致） |
注意：
c2应为偶数，因为内部c_ = c2 // 2取半，若为奇数则可能丢失信息，实际使用中建议保持偶数。
前向方法
forward(x)：先通过cv1得到y（形状[B, c_, H_out, W_out]），然后通过cv2对y进行深度卷积，得到同样形状的输出，最后在通道维度拼接，得到[B, 2*c_, H_out, W_out] = [B, c2, H_out, W_out]。
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 GhostConv 层：输入3通道，输出16通道，主卷积核3×3，步长2（下采样）
ghost_layer = GhostConv(c1=3, c2=16, k=3, s=2, g=1, act=True)
# 4. 前向传播
with torch.no_grad():
out = ghost_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("GhostConv Output (320x320, Ch0)")
plt.axis("off")
plt.tight_layout()
plt.savefig("ghostconv_output.png", dpi=150)
# plt.show()
print("可视化已保存为 ghostconv_output.png")输出示例：
输出形状: torch.Size([1, 16, 320, 320])
可视化已保存为 ghostconv_output.png流程示意图
代码解读
__init__ 方法
c_ = c2 // 2：决定固有特征图的数量，通常取输出通道的一半。self.cv1 = Conv(c1, c_, k, s, None, g, act=act)：主卷积，负责生成固有特征。p=None利用autopad自动填充。self.cv2 = Conv(c_, c_, 5, 1, None, c_, act=act)：便宜操作，使用 5×5 的深度卷积（分组数g=c_表示每个通道单独卷积），步长固定为 1（不改变空间尺寸），激活函数与cv1共用。
forward 方法
- 先
cv1得y，再对y做cv2得z，最后拼接y和z。
核心思想
- 标准卷积直接生成所有特征图，而 GhostConv 只生成一半，另一半通过更廉价的线性变换（深度卷积）获得。这减少了卷积核数量，降低了计算成本。
注意事项
- 输出通道必须为偶数 ：由于
c_ = c2 // 2，若c2为奇数，则拼接后通道数为2*c_可能不等于c2，导致错误。建议使用时保证c2 % 2 == 0。 - 便宜操作的核大小：本实现固定为 5×5，这在 GhostNet 中被证明是较好的选择，但也可根据任务调整（如改为 3×3 或 7×7）以平衡精度和速度。
- 与标准深度可分离卷积的区别：深度可分离卷积是先深度卷积后点卷积，而 GhostConv 是先点卷积（主卷积）生成部分特征，再用深度卷积生成补充特征，本质不同。
- 分组数传递 ：
g参数仅影响主卷积，便宜操作自动使用c_作为分组数（即深度卷积），实现了通道间隔离。 - 下采样控制 ：下采样由主卷积的步长
s控制，便宜操作步长固定为 1，确保空间尺寸一致。
优缺点
优点
- 参数量和计算量显著减少：相比标准卷积，约可节省 50% 以上的参数，同时保持相近的精度。
- 特征多样性：通过固有特征和幻影特征的组合，增加了特征图的多样性，有助于提升模型表达能力。
- 即插即用：可直接替换网络中的标准卷积层，无需大幅修改网络结构。
- 硬件友好：深度卷积在移动端设备上已有良好优化，实际推理速度提升明显。
缺点
- 输出通道限制：必须为偶数，限制了设计自由度。
- 便宜操作固定：无法自适应调整核大小或类型，可能在不同任务上不是最优。
- 训练复杂度：多分支结构可能使训练初期收敛稍慢，需适当调整学习率。
- 对分组数的依赖 ：主卷积分组数
g会影响特征融合方式，若设置不当可能降低效果。
在 YOLO 系列中，GhostConv 可用于替代骨干网络中的部分标准卷积（如 C2f 中的瓶颈卷积），以构建超轻量级模型（如 YOLOv8‑Ghost）。建议在实际部署前进行充分实验，以确定最佳替换位置和参数配置。
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）