大家還記得這張圖嗎？
深度系統介紹了 52 個目標檢測模型，縱觀 2013 年到 2020 年，從最早的 R-CNN、OverFeat 到後來的 SSD、YOLO v3 再到去年的 M2Det，新模型層出不窮，性能也越來越好！
上文聚焦於源碼和論文，對於各種卷積神經網絡模型的實現，本文將介紹它們的 PyTorch 實現，非常有用！
這份資源已經開源在了 GitHub 上，連結如下：
https://github.com/shanglianlm0525/PyTorch-Networks
先來個總結介紹，該系列的卷積神經網絡實現包含了 9 大主題，目錄如下：
1. 典型網絡
2. 輕量級網絡
3. 目標檢測網絡
4. 語義分割網絡
5. 實例分割網絡
6. 人臉檢測和識別網絡
7. 人體姿態識別網絡
8. 注意力機制網絡
9. 人像分割網絡
下面具體來看一下：
1. 典型網絡（Classical network）
典型的卷積神經網絡包括：AlexNet、VGG、ResNet、InceptionV1、InceptionV2、InceptionV3、InceptionV4、Inception-ResNet。
以 AlexNet 網絡為例，AlexNet 是 2012 年 ImageNet 競賽冠軍獲得者 Hinton 和他的學生 Alex Krizhevsky 設計的。AlexNet 中包含了幾個比較新的技術點，也首次在 CNN 中成功應用了 ReLU、Dropout 和 LRN 等 Trick。同時 AlexNet 也使用了 GPU 進行運算加速。
AlexNet 網絡結構的 PyTorch 實現方式如下：
import torch import torch.nn as nn def Conv3x3BNReLU(in_channels,out_channels,stride,padding=1): return nn.Sequential( nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=3, stridestride=stride, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU6(inplace=True) ) def Conv1x1BNReLU(in_channels,out_channels): return nn.Sequential( nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1, padding=0), nn.BatchNorm2d(out_channels), nn.ReLU6(inplace=True) ) def ConvBNReLU(in_channels,out_channels,kernel_size,stride,padding=1): return nn.Sequential( nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), nn.BatchNorm2d(out_channels), nn.ReLU6(inplace=True) ) def ConvBN(in_channels,out_channels,kernel_size,stride,padding=1): return nn.Sequential( nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), nn.BatchNorm2d(out_channels) ) class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ResidualBlock, self).__init__() mid_channels = out_channels//2 self.bottleneck = nn.Sequential( ConvBNReLU(in_channelsin_channels=in_channels, out_channels=mid_channels, kernel_size=1, stride=1), ConvBNReLU(in_channels=mid_channels, out_channels=mid_channels, kernel_size=3, stride=1, padding=1), ConvBNReLU(in_channels=mid_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1), ) self.shortcut = ConvBNReLU(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1) def forward(self, x): out = self.bottleneck(x) return out+self.shortcut(x)
2.輕量級網絡（Lightweight）
輕量級網絡包括：GhostNet、MobileNets、MobileNetV2、MobileNetV3、ShuffleNet、ShuffleNet V2、SqueezeNet Xception MixNet GhostNet。
以 GhostNet 為例，同樣精度，速度和計算量均少於此前 SOTA 算法。GhostNet 的核心是 Ghost 模塊，與普通卷積神經網絡相比，在不更改輸出特徵圖大小的情況下，其所需的參數總數和計算複雜度均已降低，而且即插即用。
GhostNet 網絡結構的 PyTorch 實現方式如下：
https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/Lightweight/GhostNet.py
3. 目標檢測網絡（ObjectDetection）
目標檢測網絡包括：SSD、YOLO、YOLOv2、YOLOv3、FCOS、FPN、RetinaNet Objects as Points、FSAF、CenterNet FoveaBox。
以 YOLO 系列為例，YOLO（You Only Look Once）是一種基於深度神經網絡的對象識別和定位算法，其最大的特點是運行速度很快，可以用於實時系統。目前 YOLOv3 應用比較多。
YOLOV3 網絡結構的 PyTorch 實現方式如下：
https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/ObjectDetection/YOLOv3.py
4. 語義分割網絡（SemanticSegmentation）
語義分割網絡包括：FCN、Fast-SCNN、LEDNet、LRNNet、FisheyeMODNet。
以 FCN 為例，FCN 誕生於 2014 的語義分割模型先驅，主要貢獻為在語義分割問題中推廣使用端對端卷積神經網絡，使用反卷積進行上採樣。FCN 模型非常簡單，裡面全部是由卷積構成的，所以被稱為全卷積網絡，同時由於全卷積的特殊形式，因此可以接受任意大小的輸入。
FCN 網絡結構的 PyTorch 實現方式如下：
https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/SemanticSegmentation/FCN.py
5. 實例分割網絡（InstanceSegmentation）
實例分割網絡包括：PolarMask。
6. 人臉檢測和識別網絡（commit VarGFaceNet）
人臉檢測和識別網絡包括：FaceBoxes、LFFD、VarGFaceNet。
7. 人體姿態識別網絡（HumanPoseEstimation）
人體姿態識別網絡包括：Stacked Hourglass、Networks Simple Baselines、LPN。
8. 注意力機制網絡
注意力機制網絡包括：SE Net、scSE、NL Net、GCNet、CBAM。
9. 人像分割網絡（PortraitSegmentation）
人像分割網絡包括：SINet。
綜上，該 GitHub 開源項目展示了近些年來主流的 9 大類卷積神經網絡，總共包含了幾十種具體的網絡結構。其中每個網絡結構都有 PyTorch 實現方式。還是很不錯的。