图片来源：（侵删）
主体结构：
Backbone(骨干)、 Neck(颈部)、 Head(头部)
contact----concat
Backbone
CBS
CBS模块主要由Conv（卷积层）、BN（Batch Normalization，批归一化层）和SiLU（激活函数）三个部分组成
C3K2
通过参数 c3k 控制模块内部结构。当 c3k=True 时，使用 C3K2 模块；当 c3k=False 时，退化为标准的 Bottleneck 模块（C2F）。
SPPF
先来看看SPP
SPP和SPPF都旨在解决模型处理不同尺寸图像问题。（通过卷积池化等）
SPP图中MaxPool是不同尺寸的池化（也可以换成其他池化方式），然后结合不同尺寸的信息。
SPPF（主要通过调整池化策略，加快了计算速度）
C2PSA
Cross-Level Pyramid Slice Attention（跨层级金字塔切片注意力）
C2PSA结合了PSA(Pointwise Spatial Attention)块，用于增强特征提取和注意力机制。通过在标准 C2f 模块中引入 PSA 块，实现了更强大的注意力机制，从而提高了模型对重要特征的捕捉能力。
Split操作是将输入张量沿指定维度拆分为多个子张量，比如将一个64通道拆分为4个16通道。（可以指定每个子张量的维度，可以不同）
Attention使用多头注意力
Neck
Upsample
上采样就不多说了，什么池化等等。
concat
拼接层，主要是把多个张量（通常是特征图）沿某个维度（通常是通道维度）拼接在一起。这个主要作用是信息整合。
还有一个信息整合 add ，这个是把多个张量按元素相加起来。
C3K2--CBS
同骨干网络的结构
Head
CBS
同骨干网络的结构
DSC
深度可分离卷积层(Depthwise Separable Convolution)
先深度卷积，再逐点卷积。
Conv2d
卷积
模型超参
核心训练超参数：
lr0(初始学习率):- 决定了模型权重更新的初始步长。
- 影响收敛速度和稳定性。
- 建议：通常在0.01到0.001之间，根据数据集和模型大小调整。
lrf(最终学习率):- 训练结束时的学习率，通常远小于
lr0。 - 有助于模型在后期进行微调。
- 建议：通常设置为
lr0的十分之一或更小。
- 训练结束时的学习率，通常远小于
batch(批次大小):- 每次迭代处理的图像数量。
- 影响梯度估计的准确性和内存消耗。
- 建议：根据GPU内存调整，尽可能使用较大的批次大小。
epochs(训练轮数):- 模型遍历整个训练数据集的次数。
- 影响模型的训练程度。
- 建议：根据数据集大小和模型复杂度调整。
imgsz(图像尺寸):- 输入图像的大小。
- 影响模型的检测精度和速度。
- 建议：根据目标大小和计算资源调整。
optimizer(优化器):- 用于更新模型权重的算法。
- 影响收敛速度和稳定性。
- 建议：常用的有Adam、SGD等，Adam通常是较好的默认选择。
device(设备):- 指定用于训练或推理的设备（例如，GPU或CPU）。
- 建议：尽可能使用GPU进行训练。
weight_decay(权重衰减):- 用于防止过拟合，通过在损失函数中添加正则化项。
momentum(动量):- 在SGD优化器中，用于加速收敛并防止陷入局部最小值。
2. 数据增强超参数：
mosaic:- 启用Mosaic数据增强，将四张图像拼接在一起。
- 提高模型对小目标的检测能力。
mixup:- 启用MixUp数据增强，将两张图像及其标签进行混合。
- 提高模型的泛化能力。
flipud(上下翻转):- 增加上下翻转的数据增强
fliplr(左右翻转):- 增加左右翻转的数据增强
hsv_h,hsv_s,hsv_v(HSV增强):- 调整图像的色调、饱和度和亮度。
degrees(旋转角度):- 随机旋转图像的角度。
translate(平移):- 随机平移图像。
scale(缩放):- 随机缩放图像。
shear(错切):- 随机错切图像。
3. 其他重要参数：
conf(置信度阈值):- 用于过滤检测结果的置信度阈值。
iou(IoU阈值):- 用于非极大值抑制（NMS）的IoU阈值。
single_cls:- 将多类目标检测问题简化为单类问题。
resume:- 从上次中断的地方恢复训练。
name:- 给本次训练任务起一个名字。
损失
分类损失、边框损失、置信度损失