本文版权属于GiantPandaCV，未经允许请勿转载
这一次的实验主要借鉴repvgg重参化的思想，将原有的3×3conv替换成Repvgg Block，为原有的YOLO模型涨点。
前言： 之前做了一次shufflenetv2与yolov5的组合，目的是为了适配arm系列芯片，让yolov5在端侧设备上也能达到实时。但在gpu或者npu方面也一直在尝试着实验，对此类实验的目的很明确，要求也不高，主要还是希望yolov5在保持原有精度的同时能够提速。
实验
这一次的模型主要还是借鉴repvgg重参化的思想，将原有的3×3conv替换成repvgg block，在训练过程中，使用的是一个多分支模型，而在部署和推理的时候，用的是多分支转化为单路的模型。
类比repvgg在论文中阐述的观点，这里的baseline选定的是yolov5s，对yolov5s的3×3conv进行重构，分出一条1×1conv的旁支。
在推理时，将旁支融合到3×3的卷积中，此时的模型和原先的yolov5s模型无二致
在次之前，采用的是最直接的方式对yolov5s进行魔改，也就是直接替换backbone的方式，但发现参数量和FLOPs较高，复现精度最接近yolov5s的是repvgg-A1，如下backbone替换为A1的yolov5s：
而后，为了抑制Flops和参数的增加，采取使用repvgg block替换yolov5s的3×3conv的方式。
两者之间相差的Flops比和参数比约为2.75和1.85.
性能
通过消融实验，得出的yolov5s和融合repvgg block的yolov5s性能差异如下：
这里评估的yolov5s在map指标上和官网有所出入，测试两次后均为55.8和35.8，不过这个测试结果和https://github.com/midasklr/yolov5prune 以及Issue #3168 · ultralytics/yolov5大致相同。使用repvgg block重构yolov5s的3×3卷积，在map@0.5和@.5:.95指标上均能至少提升一个点。
训练结束后的repyolov5s需要进行convert，将旁支的1×1conv进行融合，否则在推理时会比原yolov5s慢20%。
使用convert.py对repvgg block进行重参化，主要代码如下，参考https://github.com/DingXiaoH/RepVGG/blob/main/repvgg.py：
# --------------------------repvgg refuse---------------------------------
def reparam conv(self): # fuse model Conv2d() + BatchNorm2d() layers
"""
:param rbr_dense: 3×3卷积模块
:param rbr_1x1: 1×1旁支inception
:param _pad_1x1_to_3x3_tensor: 对1×1的inception进行扩充
:return:
"""
print('Reparam and Fusing Block... ')
for m in self.model.modules():
# print(m)
if type(m) is RepVGGBlock:
if hasattr(m, 'rbr_1x1'):
# print(m)
kernel, bias = m.get_equivalent_kernel_bias()
conv_reparam = nn.Conv2d(in_channels=m.rbr_dense.conv.in_channels,
out_channels=m.rbr_dense.conv.out_channels,
kernel_size=m.rbr_dense.conv.kernel_size,
stride=m.rbr_dense.conv.stride,
padding=m.rbr_dense.conv.padding, dilation=m.rbr_dense.conv.dilation,
groups=m.rbr_dense.conv.groups, bias=True)
conv_reparam.weight.data = kernel
conv_reparam.bias.data = bias
for para in self.parameters():
para.detach_()
m.rbr_dense = conv_reparam
# m.__delattr__('rbr_dense')
m.__delattr__('rbr_1x1')
m.deploy = True
m.forward = m.fusevggforward # update forward
continue
# print(m)
if type(m) is Conv and hasattr(m, 'bn'):
# print(m)
m.conv = fuse_conv_and_bn(m.conv, m.bn) # update conv
delattr(m, 'bn') # remove batchnorm
m.forward = m.fuseforward # update forward
self.info()
return self
我们可以通过调用onnx模型对convert前后的模型进行可视化：
推理
map指标只是参考的一部分，还有一部分是关于reparam和fuse后的yolov5s会不会因为repvgg block的植入而变慢。在理论上，reparam后的repvgg block等价于3×3卷积，不过该卷积因为融合比普通3×3卷积更加紧凑。
在测试三次coco val2017数据集后（5000张并进行单张推理），得出repyolov5s的单张推测时间为14/14/14（ms）、yolov5s为16/16/16（ms），这里和白神讨论了一下，白神认为两者极度接近的推理时间可能存在着测试误差，无任何说服性。
不过可以肯定的是convert后的yolov5s推理速度不会因为repvgg block植入而变慢。为了避免偶然性和测算误差，这里使用了500/5000/64115/118287张图片进行了推理测试：
测试后的结果如下：
测试
检测效果应该也是大家关心的一个指标，使用以上两个模型，保证其他参数均一致，对图片进行检测，效果如下：
总结
使用repvgg block对yolov5s进行改进，通过消融实验，总结出以下几点：
- 融合repvgg block的yolov5s在大小尺度目标上均能涨点； 使用融合repvgg
- block和leakyrelu的yolov5s比原yolov5s在map上降低了0.5个百分点，但是速度可以提升15%（主要是替换了Silu函数起的作用）；
- 如果不做convert，个人感觉这个融合实验毫无意义，旁生的支路会严重影响模型的运行速度；
- C3 Block和Repvgg Block在cpu上使用性价比低，在gpu和npu上使用才能带来最大增益
- 使用重参化的yolov5是有代价的，代价损耗均在训练方面，会多占用显卡大约5-10%的显存，训练时间也会增多
- 可以考虑使用repvgg block对yolov3-spp和yolov4的3×3卷积进行重构
代码和预训练模型后续会放到本人仓库上：
