yolov8中c2f网络结构图

### YOLOv8 中 C2f 网络结构解析

#### C2f 模块概述
C2f 模块作为YOLOv8架构中的重要组成部分，主要负责特征提取和融合。该模块的设计借鉴了ResNet中的残差连接理念，旨在增强模型的学习能力并缓解梯度消失问题[^1]。

#### Bottleneck 结构描述
在具体实现上，C2f内部采用了Bottleneck设计模式来构建其基础单元。这种结构由一系列卷积层构成，其中包括降维、升维操作以及跳跃连接，有效减少了计算量的同时保持甚至提升了表达力。

#### 特殊变体——C2f1
对于应用于骨干网部分(CNN backbone) 的版本即C2f1而言，除了继承标准版特性外还特别引入了额外的组件以支持更复杂的任务需求。值得注意的是，在这些附加部件里确实包含了能够促进信息传递效率提高的残差路径机制[^2]。

#### 进一步优化尝试-C2f_ScConv
为了进一步改善目标检测效果，研究者们提出了基于原有框架之上集成特定功能模块的想法—比如将空间重配置(SRU)同信道重组(CRU)相结合形成的新元素ScConv融入到传统C2f之中创建出了名为"C2f_ScConv"的改良型方案。此改动不仅有助于加强局部细节捕捉还能更好地处理跨尺度上下文关联性[^3]。

import torch.nn as nn

class SRU(nn.Module):
    def __init__(self, channels):
        super().__init__()
        self.spatial_conv = nn.Conv2d(channels, channels, kernel_size=3, padding=1)

    def forward(self, x):
        return self.spatial_conv(x)

class CRU(nn.Module):
    def __init__(self, channels):
        super().__init__()
        self.channel_wise_fc = nn.Linear(channels, channels)

    def forward(self, x):
        b, c, h, w = x.size()
        out = x.view(b, c, -1).transpose(1, 2)
        out = self.channel_wise_fc(out).transpose(1, 2).view(b, c, h, w)
        return out

class ScConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.sru = SRU(in_channels)
        self.cru = CRU(in_channels)
        self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)

    def forward(self, x):
        spatial_out = self.sru(x)
        channel_out = self.cru(spatial_out)
        fused_feature = spatial_out + channel_out
        final_output = self.conv(fused_feature)
        return final_output