Ultralytics：解读CBLinear模块

前言
相关介绍
- [Ultralytics 简介](#Ultralytics 简介)
前提条件
实验环境
CBLinear（多分支卷积模块）
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）

前提条件

熟悉Python、Pytorch

实验环境

bash 复制代码

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                 3.1.8

CBLinear（多分支卷积模块）

CBLinear 是一个用于生成 多个不同通道数的特征图 的卷积模块。它通过一个共享的卷积层同时输出总通道数为 sum(c2s) 的特征图，然后按指定的通道尺寸列表 c2s 沿通道维度拆分为多个张量。这种设计在需要 多任务输出 或 多尺度特征分支 的网络中非常有用，例如 YOLOv9 中的某些跨层连接结构。

代码实现

python 复制代码

import cv2
import math
import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

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 CBLinear(nn.Module):
    """CBLinear."""

    def __init__(self, c1: int, c2s: list[int], k: int = 1, s: int = 1, p: int | None = None, g: int = 1):
        """Initialize CBLinear module.

        Args:
            c1 (int): Input channels.
            c2s (list[int]): List of output channel sizes.
            k (int): Kernel size.
            s (int): Stride.
            p (int | None): Padding.
            g (int): Groups.
        """
        super().__init__()
        self.c2s = c2s
        self.conv = nn.Conv2d(c1, sum(c2s), k, s, autopad(k, p), groups=g, bias=True)

    def forward(self, x: torch.Tensor) -> list[torch.Tensor]:
        """Forward pass through CBLinear layer."""
        return self.conv(x).split(self.c2s, dim=1)

功能

多输出分支 ：将输入特征通过一个卷积层，生成总通道数为 sum(c2s) 的特征图，然后按照 c2s 列表中的数值，沿通道维拆分成多个张量。
共享卷积权重：所有分支共享同一个卷积核，减少参数量，同时能够并行计算。
灵活配置 ：通过 c2s 可以灵活指定每个分支的输出通道数，适应不同任务需求（如目标检测中的分类头、回归头等）。

初始化参数

参数	类型	说明
`c1`	int	输入特征图的通道数
`c2s`	list $int$	各分支的输出通道数列表，长度表示分支数
`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` 则自动计算
`g`	int	分组卷积的组数（默认 1）

卷积层 self.conv 的输出通道数为 sum(c2s)，偏置 bias=True。
填充 p 通过 autopad 自动计算（保持输出尺寸不变）。

前向方法

forward(x)：输入 x 形状 [B, c1, H, W]，返回一个张量列表，每个张量形状为 [B, c2_i, H, W]，其中 c2_i 对应 c2s[i]。

使用示例

python 复制代码

if __name__ == '__main__':
    # 1. 随机输入
    B, c1, H, W = 2, 16, 32, 32
    x = torch.randn(B, c1, H, W)

    # 2. 定义各分支输出通道数
    c2s = [8, 16, 32]  # 三个分支

    # 3. 创建 CBLinear 模块
    cbl = CBLinear(c1=c1, c2s=c2s, k=3, s=1)

    # 4. 前向传播
    with torch.no_grad():
        outputs = cbl(x)  # outputs 是一个长度为3的列表

    print("输入形状:", x.shape)  # [2, 16, 32, 32]
    for i, out in enumerate(outputs):
        print(f"分支 {i} 输出形状:", out.shape)  # [2, 8, 32, 32], [2, 16, 32, 32], [2, 32, 32, 32]
    print("总参数量:", sum(p.numel() for p in cbl.parameters()))

输出示例：

复制代码

输入形状: torch.Size([2, 16, 32, 32])
分支 0 输出形状: torch.Size([2, 8, 32, 32])
分支 1 输出形状: torch.Size([2, 16, 32, 32])
分支 2 输出形状: torch.Size([2, 32, 32, 32])
总参数量: 16*56*9 + 56 = 8120

流程示意图

#mermaid-svg-TrFRx0DEs44YgqHK{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-TrFRx0DEs44YgqHK .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-TrFRx0DEs44YgqHK .error-icon{fill:#552222;}#mermaid-svg-TrFRx0DEs44YgqHK .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-TrFRx0DEs44YgqHK .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-TrFRx0DEs44YgqHK .marker{fill:#333333;stroke:#333333;}#mermaid-svg-TrFRx0DEs44YgqHK .marker.cross{stroke:#333333;}#mermaid-svg-TrFRx0DEs44YgqHK svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-TrFRx0DEs44YgqHK p{margin:0;}#mermaid-svg-TrFRx0DEs44YgqHK .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-TrFRx0DEs44YgqHK .cluster-label text{fill:#333;}#mermaid-svg-TrFRx0DEs44YgqHK .cluster-label span{color:#333;}#mermaid-svg-TrFRx0DEs44YgqHK .cluster-label span p{background-color:transparent;}#mermaid-svg-TrFRx0DEs44YgqHK .label text,#mermaid-svg-TrFRx0DEs44YgqHK span{fill:#333;color:#333;}#mermaid-svg-TrFRx0DEs44YgqHK .node rect,#mermaid-svg-TrFRx0DEs44YgqHK .node circle,#mermaid-svg-TrFRx0DEs44YgqHK .node ellipse,#mermaid-svg-TrFRx0DEs44YgqHK .node polygon,#mermaid-svg-TrFRx0DEs44YgqHK .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-TrFRx0DEs44YgqHK .rough-node .label text,#mermaid-svg-TrFRx0DEs44YgqHK .node .label text,#mermaid-svg-TrFRx0DEs44YgqHK .image-shape .label,#mermaid-svg-TrFRx0DEs44YgqHK .icon-shape .label{text-anchor:middle;}#mermaid-svg-TrFRx0DEs44YgqHK .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-TrFRx0DEs44YgqHK .rough-node .label,#mermaid-svg-TrFRx0DEs44YgqHK .node .label,#mermaid-svg-TrFRx0DEs44YgqHK .image-shape .label,#mermaid-svg-TrFRx0DEs44YgqHK .icon-shape .label{text-align:center;}#mermaid-svg-TrFRx0DEs44YgqHK .node.clickable{cursor:pointer;}#mermaid-svg-TrFRx0DEs44YgqHK .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-TrFRx0DEs44YgqHK .arrowheadPath{fill:#333333;}#mermaid-svg-TrFRx0DEs44YgqHK .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-TrFRx0DEs44YgqHK .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-TrFRx0DEs44YgqHK .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-TrFRx0DEs44YgqHK .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-TrFRx0DEs44YgqHK .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-TrFRx0DEs44YgqHK .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-TrFRx0DEs44YgqHK .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-TrFRx0DEs44YgqHK .cluster text{fill:#333;}#mermaid-svg-TrFRx0DEs44YgqHK .cluster span{color:#333;}#mermaid-svg-TrFRx0DEs44YgqHK div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-TrFRx0DEs44YgqHK .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-TrFRx0DEs44YgqHK rect.text{fill:none;stroke-width:0;}#mermaid-svg-TrFRx0DEs44YgqHK .icon-shape,#mermaid-svg-TrFRx0DEs44YgqHK .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-TrFRx0DEs44YgqHK .icon-shape p,#mermaid-svg-TrFRx0DEs44YgqHK .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-TrFRx0DEs44YgqHK .icon-shape .label rect,#mermaid-svg-TrFRx0DEs44YgqHK .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-TrFRx0DEs44YgqHK .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-TrFRx0DEs44YgqHK .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-TrFRx0DEs44YgqHK :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 输入 x (B, c1, H, W)
Conv2d: c1 → sum(c2s), k, s, p
输出 (B, sum(c2s), H, W)
split(dim=1, split_sizes=c2s)
分支 0 (B, c2s $0$ , H, W)
分支 1 (B, c2s $1$ , H, W)
...
分支 n-1 (B, c2s $-1$ , H, W)

代码解读

__init__ ：
- 存储 c2s 列表供 forward 使用。
- 创建 nn.Conv2d，输出通道数为 sum(c2s)，其他参数（核大小、步长、填充、分组）透传。
- 使用 autopad 自动计算填充，保证输出空间尺寸不变（除非步长不为 1）。
forward ：
- 对输入 x 应用卷积，得到总输出。
- 使用 torch.split 沿通道维（dim=1）按 c2s 拆分，返回张量列表。

注意事项

输出通道总和 ：sum(c2s) 必须与卷积层的输出通道数一致（实际上代码直接使用该值，因此无冲突）。
空间尺寸变化 ：若步长 s 不为 1，则所有分支的空间尺寸会同步缩小（步长共享），且填充自动调整。
权重共享：所有分支共享同一个卷积核，这意味着它们提取的是相同的底层特征，只是输出通道数不同。如果希望各分支独立学习，应使用多个卷积层。
应用场景：常用于需要同时输出不同维度特征（如多个检测头）的网络结构，例如 YOLOv9 中的某些模块。

优缺点

优点

参数高效：共享卷积权重，相比多个独立卷积层，参数量大幅减少。
计算高效：一次卷积即可生成所有分支输出，计算量远低于多次卷积。
灵活配置 ：通过 c2s 可任意调整各分支的通道数，适应多任务或多尺度需求。
易于集成 ：与普通 Conv 接口相似，可直接替换标准卷积层。

缺点

表达能力受限：所有分支共享相同的卷积核，无法针对每个分支学习独立的特征变换。
输出尺寸绑定：所有分支共享相同的空间尺寸（由步长决定），无法分别控制不同分支的分辨率。
分组卷积的限制 ：g 参数作用于整个卷积，所有分支共享相同的分组数，若各分支需要不同分组则无法实现。

在 YOLOv9 等网络结构中，CBLinear 常用于高效地生成多个特征分支，以便后续进行不同的处理（如不同尺度的检测）。使用时需权衡共享权重带来的效率提升与表达能力下降之间的关系。若任务对分支独立性要求较高，可考虑使用多个独立卷积代替。

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）

Ultralytics：解读CBLinear模块

Ultralytics：解读CBLinear模块

前言

相关介绍

Ultralytics 简介

前提条件

实验环境

CBLinear（多分支卷积模块）

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