给YOLOv5增加Dysample

### 实现 DySample 动态上采样算子到 YOLOv5

为了在YOLOv5中集成DySample层，需遵循一系列特定操作来确保模型能够利用这一先进的上采样技术。具体而言，在YOLOv5框架内引入DySample涉及修改配置文件、创建新的Python脚本以及调整现有训练任务管理器。

#### 修改 YAML 文件

编辑YOLOv5的网络结构定义文件（通常是`.yaml`），以便支持新加入的DySample模块。这一步骤主要是在适当位置插入有关DySample参数设置的信息[^1]：

# 假设这是部分网络架构描述的一部分
backbone:
  ...
neck:
  - type: 'DySample'    # 插入此行以指定采用DySample作为颈部组件之一
head:
  ...

#### 创建 `dysample.py`

新建名为`dysample.py`的Python源码文件用于实现具体的DySample逻辑。该文件应包含构建和初始化DySample对象所需的所有类定义及其方法。以下是简化版伪代码示例:

import torch.nn as nn

class DySample(nn.Module):
    def __init__(self, channels_in, channels_out):
        super(DySample, self).__init__()
        # 初始化过程...
    
    def forward(self, x):
        # 定义前向传播计算流程...
        return output

#### 调整 `tasks.py`

最后一步是对负责协调不同阶段工作的`tasks.py`做出相应改动，使得整个项目可以识别并正确加载自定义的DySample组件。通常情况下这意味着要扩展已有的导入语句列表，并可能还需要更新某些函数签名或内部调用来适应新增加的功能特性。

完成上述更改之后，通过运行测试案例或其他形式的小规模实验来确认一切正常运作是非常重要的。如果遇到任何问题，则应回溯检查每一步的具体实施情况直至找到原因所在。