Ultralytics：解读C3Ghost模块-171主机测评

Ultralytics：解读C3Ghost模块

前言
相关介绍
- Ultralytics 简介
前提条件
实验环境
C3Ghost（C3 模块 + GhostBottleneck）
- - 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

在这里插入图片描述

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

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

C3Ghost（C3 模块 + GhostBottleneck）

C3Ghost 是 C3 模块的轻量化变体，它将内部的 Bottleneck 块替换为 GhostBottleneck，从而在保持 CSP 结构的同时，利用 Ghost 模块和深度卷积大幅降低参数量和计算量。该模块适用于移动端或边缘设备上的目标检测网络（如 YOLOv5‑Ghost），在精度和速度之间取得了良好的平衡。

代码实现

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 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)

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

def __init__(self, c1, c2, k=1, s=1, d=1, act=True):
"""Initialize depth-wise convolution with given parameters.

Args:
c1 (int): Number of input channels.
c2 (int): Number of output channels.
k (int): Kernel size.
s (int): Stride.
d (int): Dilation.
act (bool | nn.Module): Activation function.
"""
super().__init__(c1, c2, k, s, g=math.gcd(c1, c2), d=d, act=act)

class GhostBottleneck(nn.Module):
"""Ghost Bottleneck https://github.com/huawei-noah/Efficient-AI-Backbones."""

def __init__(self, c1: int, c2: int, k: int = 3, s: int = 1):
"""Initialize Ghost Bottleneck module.

Args:
c1 (int): Input channels.
c2 (int): Output channels.
k (int): Kernel size.
s (int): Stride.
"""
super().__init__()
c_ = c2 // 2
self.conv = nn.Sequential(
GhostConv(c1, c_, 1, 1), # pw
DWConv(c_, c_, k, s, act=False) if s == 2 else nn.Identity(), # dw
GhostConv(c_, c2, 1, 1, act=False), # pw-linear
)
self.shortcut = (
nn.Sequential(DWConv(c1, c1, k, s, act=False), Conv(c1, c2, 1, 1, act=False)) if s == 2 else nn.Identity()
)

def forward(self, x: torch.Tensor) –> torch.Tensor:
"""Apply skip connection and addition to input tensor."""
return self.conv(x) + self.shortcut(x)

class Bottleneck(nn.Module):
"""Standard bottleneck."""

def __init__(
self, c1: int, c2: int, shortcut: bool = True, g: int = 1, k: tuple[int, int] = (3, 3), e: float = 0.5
):
"""Initialize a standard bottleneck module.

Args:
c1 (int): Input channels.
c2 (int): Output channels.
shortcut (bool): Whether to use shortcut connection.
g (int): Groups for convolutions.
k (tuple): Kernel sizes for convolutions.
e (float): Expansion ratio.
"""
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, k[0], 1)
self.cv2 = Conv(c_, c2, k[1], 1, g=g)
self.add = shortcut and c1 == c2

def forward(self, x: torch.Tensor) –> torch.Tensor:
"""Apply bottleneck with optional shortcut connection."""
return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))

class C3(nn.Module):
"""CSP Bottleneck with 3 convolutions."""

def __init__(self, c1: int, c2: int, n: int = 1, shortcut: bool = True, g: int = 1, e: float = 0.5):
"""Initialize the CSP Bottleneck with 3 convolutions.

Args:
c1 (int): Input channels.
c2 (int): Output channels.
n (int): Number of Bottleneck blocks.
shortcut (bool): Whether to use shortcut connections.
g (int): Groups for convolutions.
e (float): Expansion ratio.
"""
super().__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = Conv(c1, c_, 1, 1)
self.cv3 = Conv(2 * c_, c2, 1) # optional act=FReLU(c2)
self.m = nn.Sequential(*(Bottleneck(c_, c_, shortcut, g, k=((1, 1), (3, 3)), e=1.0) for _ in range(n)))

def forward(self, x: torch.Tensor) –> torch.Tensor:
"""Forward pass through the CSP bottleneck with 3 convolutions."""
return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

class C3Ghost(C3):
"""C3 module with GhostBottleneck()."""

def __init__(self, c1: int, c2: int, n: int = 1, shortcut: bool = True, g: int = 1, e: float = 0.5):
"""Initialize C3 module with GhostBottleneck.

Args:
c1 (int): Input channels.
c2 (int): Output channels.
n (int): Number of Ghost bottleneck blocks.
shortcut (bool): Whether to use shortcut connections.
g (int): Groups for convolutions.
e (float): Expansion ratio.
"""
super().__init__(c1, c2, n, shortcut, g, e)
c_ = int(c2 * e) # hidden channels
self.m = nn.Sequential(*(GhostBottleneck(c_, c_) for _ in range(n)))

功能

CSP 结构：继承自 C3，包含 cv1、cv2 两个并行的 1×1 卷积，一个 cv3 1×1 卷积用于输出压缩，以及一个 m 序列（此处被替换为 GhostBottleneck）。
Ghost 瓶颈：每个 GhostBottleneck 内部使用 GhostConv（生成冗余特征）和 DWConv（深度卷积），大幅降低计算量。
通道配置：c_ = int(c2 * e) 决定隐藏通道数，GhostBottleneck 内部要求其输入输出通道相等（此处均为 c_），且 c_ 必须为偶数。

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
n	int	GhostBottleneck 块的数量（默认 1）
shortcut	bool	是否使用残差连接（注意：该参数在 C3Ghost 中实际上不起作用，因为 GhostBottleneck 未使用该参数，仅父类 C3 会用它构造 Bottleneck，但父类的 m 被覆盖）
g	int	分组卷积的组数（同样被忽略，因为 GhostBottleneck 内部不使用 g）
e	float	扩展比，c_ = int(c2 * e)（默认 0.5）

由于 GhostBottleneck 固定步长 s=1（未提供 s 参数），因此模块不进行下采样，仅做特征变换。

前向方法

forward(x)：继承自 C3，输入 x，输出 [B, c2, H, W]。

数据流（与 C3 相同）：

a = self.cv1(x) → 1×1 卷积，c1 → c_

b = self.cv2(x) → 1×1 卷积，c1 → c_

a = self.m(a) → 通过 n 个 GhostBottleneck，每个保持通道 c_

cat = torch.cat((a, b), dim=1) → [B, 2*c_, H, W]

self.cv3(cat) → 1×1 卷积，2*c_ → c2，输出。

使用示例

在这里插入图片描述

if __name__ == '__main__':
# 1. 随机输入
x = torch.randn(1, 32, 64, 64)

# 2. 创建 C3Ghost（c2=64，则 c_=32，必须为偶数）
c3ghost = C3Ghost(c1=32, c2=64, n=2, shortcut=True, g=1, e=0.5)

# 3. 前向传播
with torch.no_grad():
out = c3ghost(x)
print("输入形状:", x.shape) # [1, 32, 64, 64]
print("输出形状:", out.shape) # [1, 64, 64, 64]

# 4. 使用真实图像演示（扩展为多通道）
img_path = "cat_640x640.png"
img_bgr = cv2.imread(img_path)
if img_bgr is not None:
img_gray = cv2.cvtColor(cv2.resize(img_bgr, (64, 64)), cv2.COLOR_BGR2GRAY)
img_tensor = torch.from_numpy(img_gray).float().unsqueeze(0).unsqueeze(0) # [1,1,64,64]
# 扩展通道至 c1=32
x_img = img_tensor.repeat(1, 32, 1, 1)

model_img = C3Ghost(c1=32, c2=32, n=1, e=0.5)
with torch.no_grad():
out_img = model_img(x_img)

inp_ch0 = x_img[0, 0].cpu().numpy()
out_ch0 = out_img[0, 0].cpu().numpy()

def norm(arr):
return (arr – arr.min()) / (arr.max() – arr.min() + 1e-8)

plt.figure(figsize=(12, 5), constrained_layout=True)
plt.subplot(1, 3, 1)
plt.imshow(img_gray, cmap='gray')
plt.title("Original Gray")
plt.axis("off")
plt.subplot(1, 3, 2)
plt.imshow(norm(inp_ch0), cmap='gray')
plt.title("Input Ch0")
plt.axis("off")
plt.subplot(1, 3, 3)
plt.imshow(norm(out_ch0), cmap='gray')
plt.title("C3Ghost Output Ch0")
plt.axis("off")
plt.savefig("c3ghost_demo.png", dpi=150)
print("可视化已保存为 c3ghost_demo.png")

在这里插入图片描述输出示例：

输入形状: torch.Size([1, 32, 64, 64])
输出形状: torch.Size([1, 64, 64, 64])
可视化已保存为 c3ghost_demo.png

流程示意图

#mermaid-svg-1zrY3YeadsXTjM7x{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-1zrY3YeadsXTjM7x .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-1zrY3YeadsXTjM7x .error-icon{fill:#552222;}#mermaid-svg-1zrY3YeadsXTjM7x .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-1zrY3YeadsXTjM7x .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-1zrY3YeadsXTjM7x .marker{fill:#333333;stroke:#333333;}#mermaid-svg-1zrY3YeadsXTjM7x .marker.cross{stroke:#333333;}#mermaid-svg-1zrY3YeadsXTjM7x svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-1zrY3YeadsXTjM7x p{margin:0;}#mermaid-svg-1zrY3YeadsXTjM7x .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-1zrY3YeadsXTjM7x .cluster-label text{fill:#333;}#mermaid-svg-1zrY3YeadsXTjM7x .cluster-label span{color:#333;}#mermaid-svg-1zrY3YeadsXTjM7x .cluster-label span p{background-color:transparent;}#mermaid-svg-1zrY3YeadsXTjM7x .label text,#mermaid-svg-1zrY3YeadsXTjM7x span{fill:#333;color:#333;}#mermaid-svg-1zrY3YeadsXTjM7x .node rect,#mermaid-svg-1zrY3YeadsXTjM7x .node circle,#mermaid-svg-1zrY3YeadsXTjM7x .node ellipse,#mermaid-svg-1zrY3YeadsXTjM7x .node polygon,#mermaid-svg-1zrY3YeadsXTjM7x .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-1zrY3YeadsXTjM7x .rough-node .label text,#mermaid-svg-1zrY3YeadsXTjM7x .node .label text,#mermaid-svg-1zrY3YeadsXTjM7x .image-shape .label,#mermaid-svg-1zrY3YeadsXTjM7x .icon-shape .label{text-anchor:middle;}#mermaid-svg-1zrY3YeadsXTjM7x .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-1zrY3YeadsXTjM7x .rough-node .label,#mermaid-svg-1zrY3YeadsXTjM7x .node .label,#mermaid-svg-1zrY3YeadsXTjM7x .image-shape .label,#mermaid-svg-1zrY3YeadsXTjM7x .icon-shape .label{text-align:center;}#mermaid-svg-1zrY3YeadsXTjM7x .node.clickable{cursor:pointer;}#mermaid-svg-1zrY3YeadsXTjM7x .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-1zrY3YeadsXTjM7x .arrowheadPath{fill:#333333;}#mermaid-svg-1zrY3YeadsXTjM7x .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-1zrY3YeadsXTjM7x .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-1zrY3YeadsXTjM7x .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-1zrY3YeadsXTjM7x .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-1zrY3YeadsXTjM7x .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-1zrY3YeadsXTjM7x .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-1zrY3YeadsXTjM7x .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-1zrY3YeadsXTjM7x .cluster text{fill:#333;}#mermaid-svg-1zrY3YeadsXTjM7x .cluster span{color:#333;}#mermaid-svg-1zrY3YeadsXTjM7x 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-1zrY3YeadsXTjM7x .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-1zrY3YeadsXTjM7x rect.text{fill:none;stroke-width:0;}#mermaid-svg-1zrY3YeadsXTjM7x .icon-shape,#mermaid-svg-1zrY3YeadsXTjM7x .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-1zrY3YeadsXTjM7x .icon-shape p,#mermaid-svg-1zrY3YeadsXTjM7x .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-1zrY3YeadsXTjM7x .icon-shape .label rect,#mermaid-svg-1zrY3YeadsXTjM7x .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-1zrY3YeadsXTjM7x .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-1zrY3YeadsXTjM7x .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-1zrY3YeadsXTjM7x :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

输入 x (B, c1, H, W)

Conv 1×1: c1 -> c_ (cv1)

Conv 1×1: c1 -> c_ (cv2)

n 个 GhostBottleneck（每个保持 c_ 通道）

处理后 (B, c_, H, W)

直接传递 (B, c_, H, W)

拼接: cat -> (B, 2*c_, H, W)

Conv 1×1: 2*c_ -> c2 (cv3)

输出 (B, c2, H, W)

代码解读

__init__：
- 调用父类 C3.__init__，这会创建 cv1、cv2、cv3 以及初始的 self.m（Bottleneck 序列）。
- 计算 c_ = int(c2 * e)。
- 覆盖 self.m 为 nn.Sequential，包含 n 个 GhostBottleneck，每个的输入输出通道均为 c_。
forward：直接继承自 C3，无需重写。

注意事项

c_ 必须为偶数：因为 GhostBottleneck 内部 c_ = c2 // 2（这里的 c2 指模块的输出通道，即传入的 c_），若 c_ 为奇数，会因 c2//2 截断而导致输出通道不匹配。

shortcut 和 g 参数无效：由于 GhostBottleneck 未使用这些参数，它们仅用于父类 C3 的 Bottleneck 构造，但父类的 m 被覆盖，因此这些参数在 C3Ghost 中不起作用。

空间尺寸不变：GhostBottleneck 步长固定为 1，因此模块不进行下采样。

轻量但精度可能略降：Ghost 模块和深度卷积减少了参数，但也可能损失部分表示能力。

与 C3 的兼容性：接口与 C3 一致，可直接替换，但需注意隐藏通道的奇偶性。

优缺点

优点

计算高效：Ghost 模块和深度卷积大幅降低 FLOPs 和参数量，适合移动端部署。

即插即用：与 C3 接口完全一致，可无缝替换，无需修改网络结构。

可调节性：通过 n 和 e 控制深度和宽度，灵活适应不同资源场景。

缺点

表达能力受限：相比标准 Bottleneck，Ghost 模块可能损失部分特征多样性，在复杂任务上精度略低。

通道约束：要求 int(c2 * e) 为偶数，限制了参数选择。

shortcut 失效：传入的 shortcut 参数无法作用于 GhostBottleneck，无法启用残差连接（GhostBottleneck 默认无残差，除非步长为 2）。

无下采样功能：步长固定为 1，若需下采样需额外使用其他模块。

在 YOLOv5‑Ghost 或轻量级网络中，C3Ghost 可作为骨干网络的基本构建块，在保持较高精度的同时极大提升速度。使用时建议根据硬件条件调整 n 和 e，并注意 c_ 必须为偶数。若需下采样，可配合 Conv 层（如步长 2）使用。

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C3Ghost模块

Ultralytics：解读C3Ghost模块

前言

相关介绍

Ultralytics 简介

前提条件

实验环境

C3Ghost（C3 模块 + GhostBottleneck）

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

相关推荐

评论抢沙发

热门标签

热门文章

最新文章

归档

分类

Ultralytics：解读C3Ghost模块

前言

相关介绍

Ultralytics 简介

前提条件

实验环境

C3Ghost（C3 模块 + GhostBottleneck）

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

相关推荐

评论 抢沙发

热门标签

热门文章

最新文章

归档

分类

评论抢沙发