YOLOv5 骨干网络替换为 ShuffleNetV2从源码到落地的完整技术拆解本博客基于yolov5更换骨干网络为shufflenet项目真实代码撰写。所有模块定义、网络结构、通道数与 stride 均取自models/common.py、models/yolo.py、models/yolov5s_shufflenet.yaml原文目录为什么要换骨干YOLOv5 在端侧部署的瓶颈ShuffleNetV2 为什么轻且快四条设计准则源码拆解common.py 新增的 3 个核心模块模型解析器如何认识新模块yolo.py新骨干网络结构逐层解析yolov5s_shufflenet.yaml从零复现的改造步骤与训练效果预期、代价与注意事项小结一、为什么要换骨干YOLOv5 在端侧部署的瓶颈YOLOv5s 默认骨干由Focus切片下采样、C3CSP Bottleneck与SPPF空间金字塔池化堆叠构成精度高、生态成熟但端侧存在两个结构性痛点计算与参数量偏高C3的 bottleneck 含两条并行的1x1 → 3x3路径特征复用充分但 FLOPs 高深层通道膨胀骨干后段通道涨到 512/1024对低算力设备的内存带宽MAC极不友好——而推理延迟恰恰由 MAC 主导而非纸面 FLOPs。因此部署到移动端 App、边缘盒子、嵌入式板卡时工程上更倾向替换为面向速度设计的轻量骨干。ShuffleNetV2 正是这类骨干的代表。二、ShuffleNetV2 为什么轻且快四条设计准则ShuffleNetV2 作者提出关键观点FLOPs 低 ≠ 实际跑得快。真实速度由内存访问成本MAC、并行度、算子碎片化与元素级操作共同决定。四条准则及在本项目代码中的落点准则内容项目代码中的落点① 平衡通道输入/输出通道相等时 MAC 最小branch_features oup // 2两分支通道对半② 慎用分组卷积分组数过高抬高 MAC仅 DW 卷积处分组1x1 用普通卷积③ 减少碎片化分支不宜过多每单元固定 2 分支stride1 时切分④ 减少元素级操作ReLU、add 越少越好仅保留必要 ReLU无额外 add最核心的机制是channel_shuffle通道重排把分组卷积后各分支自说自话的特征在通道维交叉打乱强制信息在分组间流动在保证效率的同时不损失表征能力。三、源码拆解common.py 新增的 3 个核心模块3.1CRM—— 下采样入口Conv ReLU MaxPool# ConvReluMaxPool class CRM(nn.Module): def __init__(self, c1, c2, k3, s2): super(CRM, self).__init__() self.conv1 nn.Sequential( nn.Conv2d(c1, c2, k, s, padding1, biasFalse), nn.BatchNorm2d(c2), nn.ReLU(inplaceTrue), ) self.mp nn.MaxPool2d(kernel_size3, stride2, padding1) def forward(self, x): res self.mp(self.conv1(x)) return res取代原版Focus作为输入下采样层一个Conv3x3 stride2 一个MaxPool3x3 stride2总下采样倍数 2×2 4对应P2/4特征图。算子更简单、硬件友好stride 节奏保持不变。3.2channel_shuffle—— 通道重排def channel_shuffle(x, groups): batchsize, num_channels, height, width x.data.size() channels_per_group num_channels // groups # (B, C, H, W) - (B, g, c_per_g, H, W) x x.view(batchsize, groups, channels_per_group, height, width) x torch.transpose(x, 1, 2).contiguous() # (B, c_per_g, g, H, W) # 展平回 (B, C, H, W)实现分组间通道交叉 x x.view(batchsize, -1, height, width) return x将通道C重排为g × (C/g)转置后再展开——相邻分组的通道被交错打散使下一次分组卷积能看到跨组信息。本项目固定groups2。3.3InvertedResidual—— 核心倒残差单元class InvertedResidual(nn.Module): def __init__(self, inp, oup, stride): super(InvertedResidual, self).__init__() if not (1 stride 3): raise ValueError(illegal stride value) self.stride stride branch_features oup // 2 assert (self.stride ! 1) or (inp branch_features 1) if self.stride 1: self.branch1 nn.Sequential( # 下采样旁路3x3 DW(stride) - 1x1 self.depthwise_conv(inp, inp, kernel_size3, strideself.stride, padding1), nn.BatchNorm2d(inp), nn.Conv2d(inp, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), ) self.branch2 nn.Sequential( # 主分支1x1 - 3x3 DW - 1x1 nn.Conv2d(inp if (self.stride 1) else branch_features, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), self.depthwise_conv(branch_features, branch_features, kernel_size3, strideself.stride, padding1), nn.BatchNorm2d(branch_features), nn.Conv2d(branch_features, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), ) staticmethod def depthwise_conv(i, o, kernel_size, stride1, padding0, biasFalse): return nn.Conv2d(i, o, kernel_size, stride, padding, biasbias, groupsi) def forward(self, x): if self.stride 1: x1, x2 x.chunk(2, dim1) # 通道对半切分 out torch.cat((x1, self.branch2(x2)), dim1) # 一半直连一半过主分支 else: out torch.cat((self.branch1(x), self.branch2(x)), dim1) # 双分支均处理 out channel_shuffle(out, 2) # 通道重排 return out两种 stride两种结构stride 1不降采样输入通道对半切 →x1直接短路、x2走1x1 → 3x3 DW → 1x1→ 两半拼接 →channel_shuffle。正是准则①平衡通道的直接体现——一半恒等映射、一半特征变换信息复用且省算力。stride 1下采样两个分支都做特征提取branch13x3 DW stride 1x1负责降分辨率branch2负责主特征最后拼接 重排。边界条件stride1 时断言inp branch_features 1即inp oup保证通道对半切分合法stride 仅允许 1~3超范围raise ValueError。四、模型解析器如何认识新模块yolo.py光有模块还不够parse_model必须知道通道推导规则。改动两处# yolo.py 顶部导入 CRM, InvertedResidual, # 引入 shufflenet # parse_model 的可推导模块集合中加入两者 CRM, InvertedResidualInvertedResidual构造签名(inp, oup, stride)与Conv家族一致c1, c2 ch[f], args[0]。注册后 YAML 中[InvertedResidual, [128, 2]]即解析为输入通道继承上一层、输出 128、stride 2再经make_divisible(c2 * gw, ch_mul)归一化此处width_multiple1通道保持原值。五、新骨干网络结构逐层解析yolov5s_shufflenet.yaml替换后骨干完全去掉Focus/C3/SPPF仅保留 7 层backbone: [ [-1, 1, CRM, [32]], # 0-P2/4 conv3x3 maxpoolstride4 [-1, 1, InvertedResidual, [128, 2]], # 1 128chstride 4→8 [-1, 3, InvertedResidual, [128, 1]], # 2-P3/8 3× 不降采样单元 [-1, 1, InvertedResidual, [256, 2]], # 3 256chstride 8→16 [-1, 7, InvertedResidual, [256, 1]], # 4-P4/16 7× 不降采样单元 [-1, 1, InvertedResidual, [512, 2]], # 5 512chstride 16→32 [-1, 3, InvertedResidual, [512, 1]], # 6-P5/32 3× 不降采样单元 ]层模块输出通道stride输出特征图检测尺度0CRM324P2/4—1InvertedResidual ×11288——2InvertedResidual ×31288P3/8小目标3InvertedResidual ×125616——4InvertedResidual ×725616P4/16中目标5InvertedResidual ×151232——6InvertedResidual ×351232P5/32大目标head部分原样沿用 YOLOv5 v6.0 的 PANet1x1 通道对齐 → 上采样 → Concat → C3 融合最后由Detect在 P3/P4/P5 三层输出。改造面被严格控制在 backbone。nc: 20 # 类别数改为 20按你的数据集 depth_multiple: 1 # 深度不缩放模块重复次数按 yaml 原值 width_multiple: 1 # 宽度不缩放通道数按 yaml 原值六、从零复现的改造步骤与训练models/common.py文件末尾追加CRM、channel_shuffle、InvertedResidual。models/yolo.py顶部 import 和parse_model白名单注册CRM, InvertedResidual。新建models/yolov5s_shufflenet.yaml按第五节结构编写nc改类别数。训练python train.py --cfg models/yolov5s_shufflenet.yaml \ --data your_dataset.yaml \ --epochs 300 --batch-size 16 --imgsz 640 \ --device 0注仓库中train.py、utils/dataloaders.py也出现与 shufflenet 相关字段推测为标签/推理适配如训练报错请优先核对这两处改动。七、效果预期、代价与注意事项可预期的收益需实测参数与 FLOPs 显著下降推理延迟降低模型体积更小利于部署与量化。必须警惕的代价精度通常下降小目标召回率可能降低通道固定失去缩放灵活性需重新调参降学习率、增强数据增强。指标原始 YOLOv5sShuffleNetV2 骨干版骨干结构Focus C3×3 SPPFCRM InvertedResidual骨干计算强度高全量卷积 CSP低分组 通道对半参数 / FLOPs基线预期显著降低待实测mAP0.5基线预期略降待实测推理延迟基线预期降低待实测八、小结这是典型的**“换骨干实现模型轻量化”**工程用CRM替代Focus做下采样用InvertedResidual通道对半 channel shuffle替代C3堆叠保留 PANet 检测头改动最小化。适合想把手头 YOLOv5 部署到低算力设备、又不想重写 pipeline 的开发者。吃透这段代码的关键是理解 ShuffleNetV2 的四条速度设计准则与channel_shuffle 的通道交叉机制——抓住这两点这套替换逻辑可推广到任何基于Focus/C3的 YOLO 变体上。下面是配套的网络结构可视化图直接渲染下载链接YOLOv5 骨干网络替换为 ShuffleNetV2 
长河君 · 2026/10/14 21:20:12 · 阅读 1.2k 第23章：YOLOv5 骨干网络替换为 ShuffleNetV2
YOLOv5 骨干网络替换为 ShuffleNetV2从源码到落地的完整技术拆解本博客基于yolov5更换骨干网络为shufflenet项目真实代码撰写。所有模块定义、网络结构、通道数与 stride 均取自models/common.py、models/yolo.py、models/yolov5s_shufflenet.yaml原文目录为什么要换骨干YOLOv5 在端侧部署的瓶颈ShuffleNetV2 为什么轻且快四条设计准则源码拆解common.py 新增的 3 个核心模块模型解析器如何认识新模块yolo.py新骨干网络结构逐层解析yolov5s_shufflenet.yaml从零复现的改造步骤与训练效果预期、代价与注意事项小结一、为什么要换骨干YOLOv5 在端侧部署的瓶颈YOLOv5s 默认骨干由Focus切片下采样、C3CSP Bottleneck与SPPF空间金字塔池化堆叠构成精度高、生态成熟但端侧存在两个结构性痛点计算与参数量偏高C3的 bottleneck 含两条并行的1x1 → 3x3路径特征复用充分但 FLOPs 高深层通道膨胀骨干后段通道涨到 512/1024对低算力设备的内存带宽MAC极不友好——而推理延迟恰恰由 MAC 主导而非纸面 FLOPs。因此部署到移动端 App、边缘盒子、嵌入式板卡时工程上更倾向替换为面向速度设计的轻量骨干。ShuffleNetV2 正是这类骨干的代表。二、ShuffleNetV2 为什么轻且快四条设计准则ShuffleNetV2 作者提出关键观点FLOPs 低 ≠ 实际跑得快。真实速度由内存访问成本MAC、并行度、算子碎片化与元素级操作共同决定。四条准则及在本项目代码中的落点准则内容项目代码中的落点① 平衡通道输入/输出通道相等时 MAC 最小branch_features oup // 2两分支通道对半② 慎用分组卷积分组数过高抬高 MAC仅 DW 卷积处分组1x1 用普通卷积③ 减少碎片化分支不宜过多每单元固定 2 分支stride1 时切分④ 减少元素级操作ReLU、add 越少越好仅保留必要 ReLU无额外 add最核心的机制是channel_shuffle通道重排把分组卷积后各分支自说自话的特征在通道维交叉打乱强制信息在分组间流动在保证效率的同时不损失表征能力。三、源码拆解common.py 新增的 3 个核心模块3.1CRM—— 下采样入口Conv ReLU MaxPool# ConvReluMaxPool class CRM(nn.Module): def __init__(self, c1, c2, k3, s2): super(CRM, self).__init__() self.conv1 nn.Sequential( nn.Conv2d(c1, c2, k, s, padding1, biasFalse), nn.BatchNorm2d(c2), nn.ReLU(inplaceTrue), ) self.mp nn.MaxPool2d(kernel_size3, stride2, padding1) def forward(self, x): res self.mp(self.conv1(x)) return res取代原版Focus作为输入下采样层一个Conv3x3 stride2 一个MaxPool3x3 stride2总下采样倍数 2×2 4对应P2/4特征图。算子更简单、硬件友好stride 节奏保持不变。3.2channel_shuffle—— 通道重排def channel_shuffle(x, groups): batchsize, num_channels, height, width x.data.size() channels_per_group num_channels // groups # (B, C, H, W) - (B, g, c_per_g, H, W) x x.view(batchsize, groups, channels_per_group, height, width) x torch.transpose(x, 1, 2).contiguous() # (B, c_per_g, g, H, W) # 展平回 (B, C, H, W)实现分组间通道交叉 x x.view(batchsize, -1, height, width) return x将通道C重排为g × (C/g)转置后再展开——相邻分组的通道被交错打散使下一次分组卷积能看到跨组信息。本项目固定groups2。3.3InvertedResidual—— 核心倒残差单元class InvertedResidual(nn.Module): def __init__(self, inp, oup, stride): super(InvertedResidual, self).__init__() if not (1 stride 3): raise ValueError(illegal stride value) self.stride stride branch_features oup // 2 assert (self.stride ! 1) or (inp branch_features 1) if self.stride 1: self.branch1 nn.Sequential( # 下采样旁路3x3 DW(stride) - 1x1 self.depthwise_conv(inp, inp, kernel_size3, strideself.stride, padding1), nn.BatchNorm2d(inp), nn.Conv2d(inp, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), ) self.branch2 nn.Sequential( # 主分支1x1 - 3x3 DW - 1x1 nn.Conv2d(inp if (self.stride 1) else branch_features, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), self.depthwise_conv(branch_features, branch_features, kernel_size3, strideself.stride, padding1), nn.BatchNorm2d(branch_features), nn.Conv2d(branch_features, branch_features, kernel_size1, stride1, padding0, biasFalse), nn.BatchNorm2d(branch_features), nn.ReLU(inplaceTrue), ) staticmethod def depthwise_conv(i, o, kernel_size, stride1, padding0, biasFalse): return nn.Conv2d(i, o, kernel_size, stride, padding, biasbias, groupsi) def forward(self, x): if self.stride 1: x1, x2 x.chunk(2, dim1) # 通道对半切分 out torch.cat((x1, self.branch2(x2)), dim1) # 一半直连一半过主分支 else: out torch.cat((self.branch1(x), self.branch2(x)), dim1) # 双分支均处理 out channel_shuffle(out, 2) # 通道重排 return out两种 stride两种结构stride 1不降采样输入通道对半切 →x1直接短路、x2走1x1 → 3x3 DW → 1x1→ 两半拼接 →channel_shuffle。正是准则①平衡通道的直接体现——一半恒等映射、一半特征变换信息复用且省算力。stride 1下采样两个分支都做特征提取branch13x3 DW stride 1x1负责降分辨率branch2负责主特征最后拼接 重排。边界条件stride1 时断言inp branch_features 1即inp oup保证通道对半切分合法stride 仅允许 1~3超范围raise ValueError。四、模型解析器如何认识新模块yolo.py光有模块还不够parse_model必须知道通道推导规则。改动两处# yolo.py 顶部导入 CRM, InvertedResidual, # 引入 shufflenet # parse_model 的可推导模块集合中加入两者 CRM, InvertedResidualInvertedResidual构造签名(inp, oup, stride)与Conv家族一致c1, c2 ch[f], args[0]。注册后 YAML 中[InvertedResidual, [128, 2]]即解析为输入通道继承上一层、输出 128、stride 2再经make_divisible(c2 * gw, ch_mul)归一化此处width_multiple1通道保持原值。五、新骨干网络结构逐层解析yolov5s_shufflenet.yaml替换后骨干完全去掉Focus/C3/SPPF仅保留 7 层backbone: [ [-1, 1, CRM, [32]], # 0-P2/4 conv3x3 maxpoolstride4 [-1, 1, InvertedResidual, [128, 2]], # 1 128chstride 4→8 [-1, 3, InvertedResidual, [128, 1]], # 2-P3/8 3× 不降采样单元 [-1, 1, InvertedResidual, [256, 2]], # 3 256chstride 8→16 [-1, 7, InvertedResidual, [256, 1]], # 4-P4/16 7× 不降采样单元 [-1, 1, InvertedResidual, [512, 2]], # 5 512chstride 16→32 [-1, 3, InvertedResidual, [512, 1]], # 6-P5/32 3× 不降采样单元 ]层模块输出通道stride输出特征图检测尺度0CRM324P2/4—1InvertedResidual ×11288——2InvertedResidual ×31288P3/8小目标3InvertedResidual ×125616——4InvertedResidual ×725616P4/16中目标5InvertedResidual ×151232——6InvertedResidual ×351232P5/32大目标head部分原样沿用 YOLOv5 v6.0 的 PANet1x1 通道对齐 → 上采样 → Concat → C3 融合最后由Detect在 P3/P4/P5 三层输出。改造面被严格控制在 backbone。nc: 20 # 类别数改为 20按你的数据集 depth_multiple: 1 # 深度不缩放模块重复次数按 yaml 原值 width_multiple: 1 # 宽度不缩放通道数按 yaml 原值六、从零复现的改造步骤与训练models/common.py文件末尾追加CRM、channel_shuffle、InvertedResidual。models/yolo.py顶部 import 和parse_model白名单注册CRM, InvertedResidual。新建models/yolov5s_shufflenet.yaml按第五节结构编写nc改类别数。训练python train.py --cfg models/yolov5s_shufflenet.yaml \ --data your_dataset.yaml \ --epochs 300 --batch-size 16 --imgsz 640 \ --device 0注仓库中train.py、utils/dataloaders.py也出现与 shufflenet 相关字段推测为标签/推理适配如训练报错请优先核对这两处改动。七、效果预期、代价与注意事项可预期的收益需实测参数与 FLOPs 显著下降推理延迟降低模型体积更小利于部署与量化。必须警惕的代价精度通常下降小目标召回率可能降低通道固定失去缩放灵活性需重新调参降学习率、增强数据增强。指标原始 YOLOv5sShuffleNetV2 骨干版骨干结构Focus C3×3 SPPFCRM InvertedResidual骨干计算强度高全量卷积 CSP低分组 通道对半参数 / FLOPs基线预期显著降低待实测mAP0.5基线预期略降待实测推理延迟基线预期降低待实测八、小结这是典型的**“换骨干实现模型轻量化”**工程用CRM替代Focus做下采样用InvertedResidual通道对半 channel shuffle替代C3堆叠保留 PANet 检测头改动最小化。适合想把手头 YOLOv5 部署到低算力设备、又不想重写 pipeline 的开发者。吃透这段代码的关键是理解 ShuffleNetV2 的四条速度设计准则与channel_shuffle 的通道交叉机制——抓住这两点这套替换逻辑可推广到任何基于Focus/C3的 YOLO 变体上。下面是配套的网络结构可视化图直接渲染下载链接YOLOv5 骨干网络替换为 ShuffleNetV2