yolov5的bottleneck模块

Yolov5的bottleneck模块是在ResNet中提出的一种模块，用于构建深度神经网络。该模块主要由三个卷积层组成，其中第一个卷积层的卷积核大小为1x1，用于降低通道数；第二个卷积层的卷积核大小为3x3，用于提取特征；第三个卷积层的卷积核大小为1x1，用于增加通道数。此外，bottleneck模块还包括了BN和激活函数ReLU。

在Yolov5中，bottleneck模块被用于构建CSPNet（Cross Stage Partial Network）模块，用于提高模型的性能和准确率。CSPNet模块将输入数据分成两部分，其中一部分通过bottleneck模块进行特征提取，另一部分则直接进行特征提取，最后将两部分的特征进行拼接，得到最终的输出。

以下是Yolov5中bottleneck模块的代码实现：

class Bottleneck(nn.Module):
    # Standard bottleneck
    def __init__(self, c1, c2, shortcut=True, g=1, e=0.5):
        super(Bottleneck, self).__init__()
        self.conv1 = Conv(c1, c2//2, 1, 1)
        self.conv2 = Conv(c2//2, c2//2, 3, 1, g=g, e=e)
        self.conv3 = Conv(c2//2, c2, 1, 1)
        self.bn = nn.BatchNorm2d(c2)
        self.act = nn.LeakyReLU(0.1, inplace=True)
        self.shortcut = shortcut and c1 == c2
    def forward(self, x):
        out = self.act(self.bn(self.conv1(x)))
        out = torch.cat([self.conv2(out), self.conv2(out)], 1)
        out = self.bn(self.conv3(out))
        if self.shortcut:
            out = out + x  # res connection
        return self.act(out)