一、本文介绍

本文给大家带来的改进机制是2024-1月的最新成果 DCNv4 ，其是DCNv3的升级版本，效果可以说是在目前的卷积中名列前茅了， 同时该卷积具有轻量化的效果 ！一个DCNv4参数量下降越15Wparameters左右，。它主要通过 两个方面 对前一版本DCNv3进行改进：首先，它 移除了空间聚合中的softmax归一化 ，这样做增强了其动态特性和表达能力；其次，它 优化了内存访问过程 ，以减少冗余操作，从而加快处理速度。DCNv4的表现可以说是非常的全面，同时该网络为新发目前存在大量使用Bug我均已修复。 欢迎大家订阅本专栏，本专栏每周更新3-5篇最新机制，更有包含我所有改进的文件和交流群提供给大家。

欢迎大家订阅我的专栏一起学习YOLO！

二、DCNv4原理

​

论文地址： 论文官方地址

代码地址： 代码官方地址

​

2.1 DCNv4的基本原理

DCNv4（Deformable Convolution v4） 是一种改进的 卷积网络 操作符，专为提高 计算机视觉 应用的效率和效果而设计。它主要通过 两个方面 对前一版本DCNv3进行改进：首先，它 移除了空间聚合中的softmax归一化 ，这样做增强了其动态特性和表达能力；其次，它 优化了内存访问过程 ，以减少冗余操作，从而加快处理速度。这些改进使DCNv4在各种视觉任务中，例如图像分类和生成，表现出更快的收敛速度和更高的处理效率。

DCNv4的 主要特点 可以分为以下两点：

1. 动态特性增强： 通过移除空间聚合中的 softmax 归一化，DCNv4增强了其动态特性和表达能力。
2. 内存访问优化： DCNv4优化了内存访问过程，减少了冗余操作，从而提高了处理速度。

下图展示了 DCNv4与其他空间聚合核心操作符的比较：

​

在处理同一通道内不同位置的查询像素时：

a) DCNv3使用有界（0到1范围内）动态权重聚合空间特征，采样点集（注意力集）对于每个位置是相同的。
b) DCNv3对于每个位置使用一个专用的窗口。
c) 传统卷积提供更灵活的无界值范围以聚合权重，并使用固定形状和大小的窗口。
d) DCNv4结合了动态形状和大小的窗口、自适应感受野以及无界值范围的动态聚合权重，对于每个位置都是输入依赖的。

2.2 动态特性增强

在DCNv4中， 动态特性增强 的实现对于计算机视觉 模型 的适应性和灵活性是一个重要进步。这一特性使得DCNv4能够更加有效地处理图像中的形变和动态变化，尤其是在那些 需要精细调整感受野以识别不同尺寸和形状对象的场景中 。通过 去除之前版本中的softmax归一化 ，DCNv4的每个卷积核都能自适应地调整其聚合权重，对每个像素的响应不再受到固定范围的限制。这种灵活性的增加对于提升模型在处理不同分辨率、不同尺度的物体时的性能至关重要，尤其是在图像生成和高级图像理解任务中表现得更为明显。

2.3 内存访问优化

下图展示了 DCNv4在优化内存访问方面的改进：

​

与DCNv3相比， DCNv4 使用一个线程来处理同一组中的多个通道，这些通道共享采样偏移和聚合权重。这种方法减少了像内存读取和双线性插值系数计算这样的工作量，并且可以合并多个内存访问指令。结果是，DCNv4减少了内存访问需求，如图所示，与DCNv3相比，它能够减少一半的内存访问输出张量。这种优化提高了处理速度，并减少了计算资源的使用。

三、DCNv4的核心代码

3.1 DCNv4的核心代码

该网络目前涉及到编译处理操作，代码结构无法进行重构组成，只能提供文件的形式给大家，修改后的代码我以上传Qq群内，大家可以入群获取即可，不想入群的小伙伴也可以通过如下的百度云链接进行下载。

百度网盘链接：https://pan.baidu.com/s/13qjv9TzVGsC4ranCkHMCHg
提取码：Snu7

3.2 DynamicHead_DCNv4代码

import torch.nn as nn
import torch
from ultralytics.nn.DCNv4_op.DCNv4.modules.dcnv4 import DCNv4
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 with args(ch_in, ch_out, kernel, stride, padding, groups, dilation, activation)."""
    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 arguments including activation."""
        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."""
        return self.act(self.bn(self.conv(x)))
    def forward_fuse(self, x):
        """Perform transposed convolution of 2D data."""
        return self.act(self.conv(x))
class Bottleneck(nn.Module):
    """Standard bottleneck."""
    def __init__(self, c1, c2, shortcut=True, g=1, k=(3, 3), e=0.5):
        """Initializes a bottleneck module with given input/output channels, shortcut option, group, kernels, and
        expansion.
        """
        super().__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, k[0], 1)
        self.cv2 = DCNv4(c2)
        self.add = shortcut and c1 == c2
    def forward(self, x):
        """'forward()' applies the YOLO FPN to input data."""
        return x + self.cv2(self.cv1(x)) if self.add else self.cv2(self.cv1(x))
class C2f_DCNv4(nn.Module):
    """Faster Implementation of CSP Bottleneck with 2 convolutions."""
    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5):
        """Initialize CSP bottleneck layer with two convolutions with arguments ch_in, ch_out, number, shortcut, groups,
        expansion.
        """
        super().__init__()
        self.c = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, 2 * self.c, 1, 1)
        self.cv2 = Conv((2 + n) * self.c, c2, 1)  # optional act=FReLU(c2)
        self.m = nn.ModuleList(Bottleneck(self.c, self.c, shortcut, g, k=(3, 3), e=1.0) for _ in range(n))
    def forward(self, x):
        """Forward pass through C2f layer."""
        x = self.cv1(x)
        x = x.chunk(2, 1)
        y = list(x)
        # y = list(self.cv1(x).chunk(2, 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))
    def forward_split(self, x):
        """Forward pass using split() instead of chunk()."""
        y = list(self.cv1(x).split((self.c, self.c), 1))
        y.extend(m(y[-1]) for m in self.m)
        return self.cv2(torch.cat(y, 1))

四、手把手教你使用DCNv4

首先需要注意的是，目前该卷积尚未提供Pytorch版本，发布的版本需要编译才可以运行， Windows 系统很难编译可能20个里面能编译成功一个就不错了，所以建议大家使用该结构的时候利用Linux系统来使用，进行租用服务器，不会租用服务器训练的读者，可以入群看群内视频，我已发布如何利用服务器训练的教程视频。

我这里的教程是以Windows示例，群内视频是Linux系统教程自己使用那种自行选择就行。

4.1 修改一

我们将下载好的文件复制粘贴到如下的目录文件下' ultralytics /nn'。粘贴后的文件目录构造如下图所示->

​

4.2 修改二

第二步我门中到我们复制进去文件里的如下文件进行编译'ultralytics/nn/DCNv4_op/make.sh'，

之后弹出窗口进行编译，如果成功最后会有成功的提示的。

4.3 修改三

第三步我们编译成功之后，我们就可以使用了，需要注意的是该模块无法替换主干上的普通的卷积，只能搭配C2f来使用(步长为2的时候会报错)。

我们将章节3.2 中的提到的DynamicHead_DCNv4的代码进行如下的步骤添加即可。

我们找到如下ultralytics/nn/modules文件夹下建立一个目录名字呢就是'Addmodules'文件夹 ( 用群内的文件的话已经有了无需新建) ！然后在其内部建立一个新的py文件将核心代码复制粘贴进去即可。

​

4.4 修改四

第二步我们在该目录下创建一个新的py文件名字为'__init__.py'( 用群内的文件的话已经有了无需新建) ，然后在其内部导入我们的检测头如下图所示。

4.5 修改五

第三步我门中到如下文件'ultralytics/nn/tasks.py'进行导入和注册我们的模块 ( 用群内的文件的话已经有了无需重新导入直接开始第四步即可) ！

4.6 修改六

按照我的添加在parse_model里添加即可。

4.7 修改七

此步需要仔细修改大家不修改此步会报模型不能够定义在CPU上的错误，还是这个文件'ultralytics/nn/tasks.py''然后我们按照图片进行修改。

            try:
                m.stride = torch.tensor([s / x.shape[-2] for x in forward(torch.zeros(1, ch, s, s))])  # forward on CPU
            except RuntimeError:
                try:
                    self.model.to(torch.device('cuda'))
                    m.stride = torch.tensor([s / x.shape[-2] for x in forward(
                        torch.zeros(1, ch, s, s).to(torch.device('cuda')))])  # forward on CUDA
                except RuntimeError as error:
                    raise error

替换完成的样子如下图所示

到此就修改完成了，大家可以复制下面的yaml文件运行。

五、C2f_DCNv4的yaml文件和运行记录

5.1 C2f_DCNv4的yaml文件

下面的添加 C2f_DCNv4 是我实验结果的版本。

C2f该还不能够替换第一个C2f也会报错，其中的原因我还没来得及去看。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv10 object detection model. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov10n.yaml' will call yolov10.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f_DCNv4, [256, True]]
  - [-1, 1, SCDown, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f_DCNv4, [512, True]]
  - [-1, 1, SCDown, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f_DCNv4, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
  - [-1, 1, PSA, [1024]] # 10
# YOLOv10.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f_DCNv4, [512]] # 13
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f_DCNv4, [256]] # 16 (P3/8-small)
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 13], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f_DCNv4, [512]] # 19 (P4/16-medium)
  - [-1, 1, SCDown, [512, 3, 2]]
  - [[-1, 10], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2fCIB, [1024, True, True]] # 22 (P5/32-large)
  - [[16, 19, 22], 1, v10Detect, [nc]] # Detect(P3, P4, P5)

5.2 C2f_DCNv4的训练过程截图

五、本文总结

到此本文的正式分享内容就结束了，在这里给大家推荐我的YOLOv11改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，也会对一些老的改进机制进行补充，如果大家觉得本文帮助到你了，订阅本专栏，关注后续更多的更新~

​