Ultralytics解读Proto模块前言相关介绍Ultralytics 简介前提条件实验环境ProtoYOLO 分割掩码原型生成模块代码实现功能初始化参数前向方法使用示例流程示意图代码解读注意事项优缺点优点缺点参考文献前言由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏、人工智能混合编程实践专栏或我的个人主页查看YOLOs-CPP一个免费开源的YOLO全系列C推理库以YOLO26为例PaddleOCRWin10上安装使用PPOCRLabel标注工具目标检测使用自己的数据集微调DEIMv2进行物体检测图像分割PyTorch从零开始实现SegFormer语义分割图像超分使用自己的数据集微调Real-ESRGAN-x4plus进行超分重建图像生成PyTorch从零开始实现一个简单的扩散模型Stable Diffusion使用自己的数据集微调 Stable Diffusion 3.5 LoRA 文生图模型图像超分使用自己的数据集微调Real-ESRGAN-x2plus进行超分重建Anomalib使用Anomalib 2.1.0训练自己的数据集进行异常检测Anomalib在Linux服务器上安装使用Anomalib 2.1.0人工智能混合编程实践C调用封装好的DLL进行异常检测推理人工智能混合编程实践C调用封装好的DLL进行FP16图像超分重建v3.0隔离系统Python源码编译3.11.8到自定义目录含PGO性能优化在线机的Python环境迁移到离线机上Nuitka 将 Python 脚本封装为 .pyd 或 .so 文件Ultralytics使用 YOLO11 进行速度估计Ultralytics使用 YOLO11 进行物体追踪Ultralytics使用 YOLO11 进行物体计数Ultralytics使用 YOLO11 进行目标打码人工智能混合编程实践C调用Python ONNX进行YOLOv8推理人工智能混合编程实践C调用封装好的DLL进行YOLOv8实例分割人工智能混合编程实践C调用Python ONNX进行图像超分重建人工智能混合编程实践C调用Python AgentOCR进行文本识别通过计算实例简单地理解PatchCore异常检测Python将YOLO格式实例分割数据集转换为COCO格式实例分割数据集YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目Stable Diffusion在服务器上部署使用Stable Diffusion WebUI进行AI绘图v2.0Stable Diffusion使用自己的数据集微调训练LoRA模型v2.0相关介绍Ultralytics 简介Ultralytics 基于多年的计算机视觉和人工智能基础研究创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。官方文档https://docs.ultralytics.com/官方代码https://github.com/ultralytics/ultralytics.git前提条件熟悉Python、Pytorch实验环境Package Version ------------------------ ------------ Python3.11.8 absl-py2.4.0 accelerate1.13.0 annotated-doc0.0.4 anyio4.13.0 calflops0.3.2 certifi2026.4.22 charset-normalizer3.4.7 click8.3.3 colorama0.4.6 contourpy1.3.3 cycler0.12.1 filelock3.29.0 flatbuffers25.12.19 fonttools4.62.1 fsspec2026.4.0 grpcio1.80.0 h110.16.0 hf-xet1.5.0 httpcore1.0.9 httpx0.28.1 huggingface_hub1.14.0 idna3.15Jinja23.1.6 kiwisolver1.5.0 Markdown3.10.2 markdown-it-py4.2.0 MarkupSafe3.0.3 matplotlib3.10.9 mdurl0.1.2 ml_dtypes0.5.0 mpmath1.3.0 networkx3.6.1 numpy1.26.4 nvidia-cublas-cu1212.8.3.14 nvidia-cuda-cupti-cu1212.8.57 nvidia-cuda-nvrtc-cu1212.8.61 nvidia-cuda-runtime-cu1212.8.57 nvidia-cudnn-cu129.7.1.26 nvidia-cufft-cu1211.3.3.41 nvidia-cufile-cu121.13.0.11 nvidia-curand-cu1210.3.9.55 nvidia-cusolver-cu1211.7.2.55 nvidia-cusparse-cu1212.5.7.53 nvidia-cusparselt-cu120.6.3 nvidia-nccl-cu122.26.2 nvidia-nvjitlink-cu1212.8.61 nvidia-nvtx-cu1212.8.55 onnx1.19.0 onnxruntime-gpu1.26.0 onnxslim0.1.94 opencv-python4.6.0.66 packaging26.2pillow12.2.0 pip24.0polars1.40.1 polars-runtime-321.40.1 protobuf7.34.1 psutil7.2.2 pycocotools2.0.11 Pygments2.20.0 pyparsing3.3.2 python-dateutil2.9.0.post0 PyYAML6.0.3 regex2026.5.9 requests2.34.1 rich15.0.0 safetensors0.7.0 scipy1.16.0 setuptools65.5.0 shellingham1.5.4 six1.17.0 sympy1.14.0 tabulate0.10.0 tensorboard2.20.0 tensorboard-data-server0.7.2 tokenizers0.22.2 torch2.7.1cu128 torchaudio2.7.1cu128 torchvision0.22.1cu128 tqdm4.67.3 transformers5.8.1 triton3.3.1 typer0.25.1 typing_extensions4.15.0 ultralytics8.4.58 ultralytics-thop2.0.19 urllib32.7.0 Werkzeug3.1.8ProtoYOLO 分割掩码原型生成模块Proto是 Ultralytics YOLO 系列如 YOLOv8‑seg中用于实例分割的核心组件负责从特征图中生成一组原型掩码prototype masks。这些原型掩码是通用的、与类别无关的“基掩码”后续会与每个检测框的掩码系数mask coefficients进行线性组合得到最终的分割掩码。该模块通过卷积层 转置卷积上采样的方式将输入特征图转换为固定数量的原型掩码图其空间分辨率通常为输入特征图的 2 倍。代码实现importcv2importmathimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFimportnumpyasnpimportmatplotlib.pyplotaspltdefautopad(k,pNone,d1):# kernel, padding, dilationPad to same shape outputs.ifd1:kd*(k-1)1ifisinstance(k,int)else[d*(x-1)1forxink]# actual kernel-sizeifpisNone:pk//2ifisinstance(k,int)else[x//2forxink]# auto-padreturnpclassConv(nn.Module):Standard convolution module with batch normalization and activation. Attributes: conv (nn.Conv2d): Convolutional layer. bn (nn.BatchNorm2d): Batch normalization layer. act (nn.Module): Activation function layer. default_act (nn.Module): Default activation function (SiLU). default_actnn.SiLU()# default activationdef__init__(self,c1,c2,k1,s1,pNone,g1,d1,actTrue):Initialize Conv layer with given parameters. Args: c1 (int): Number of input channels. c2 (int): Number of output channels. k (int): Kernel size. s (int): Stride. p (int, optional): Padding. g (int): Groups. d (int): Dilation. act (bool | nn.Module): Activation function. super().__init__()self.convnn.Conv2d(c1,c2,k,s,autopad(k,p,d),groupsg,dilationd,biasFalse)self.bnnn.BatchNorm2d(c2)self.actself.default_actifactisTrueelseactifisinstance(act,nn.Module)elsenn.Identity()defforward(self,x):Apply convolution, batch normalization and activation to input tensor. Args: x (torch.Tensor): Input tensor. Returns: (torch.Tensor): Output tensor. returnself.act(self.bn(self.conv(x)))defforward_fuse(self,x):Apply convolution and activation without batch normalization. Args: x (torch.Tensor): Input tensor. Returns: (torch.Tensor): Output tensor. returnself.act(self.conv(x))classProto(nn.Module):Ultralytics YOLO models mask Proto module for segmentation models.def__init__(self,c1:int,c_:int256,c2:int32):Initialize the Ultralytics YOLO models mask Proto module with specified number of protos and masks. Args: c1 (int): Input channels. c_ (int): Intermediate channels. c2 (int): Output channels (number of protos). super().__init__()self.cv1Conv(c1,c_,k3)self.upsamplenn.ConvTranspose2d(c_,c_,2,2,0,biasTrue)# nn.Upsample(scale_factor2, modenearest)self.cv2Conv(c_,c_,k3)self.cv3Conv(c_,c2)defforward(self,x:torch.Tensor)-torch.Tensor:Perform a forward pass through layers using an upsampled input image.returnself.cv3(self.cv2(self.upsample(self.cv1(x))))功能特征降维与提炼通过cv13×3 卷积将输入通道c1压缩到中间通道c_提取紧凑特征。空间上采样使用 2×2 转置卷积ConvTranspose2d将特征图的空间尺寸放大 2 倍高和宽各翻倍增加细节分辨率。特征精炼与输出再经过cv2和cv3两个 3×3 卷积最终输出通道数为c2的特征图其中每个通道即为一个原型掩码。输出尺寸最终输出的空间尺寸为输入尺寸的 2 倍通道数为原型数量c2。初始化参数参数类型说明c1int输入特征图的通道数通常来自骨干网络c_int中间通道数默认 256用于降低计算量c2int输出通道数默认 32即生成的原型掩码数量cv1、cv2、cv3均为Conv模块包含卷积 BatchNorm SiLU 激活卷积核大小为 3步长为 1填充自动 same。upsample为 2×2 转置卷积nn.ConvTranspose2d输入/输出通道均为c_步长 2无填充带偏置。前向方法forward(x)输入x形状[B, c1, H, W]输出[B, c2, 2H, 2W]。计算流程x self.cv1(x)→[B, c_, H, W]x self.upsample(x)→[B, c_, 2H, 2W]x self.cv2(x)→[B, c_, 2H, 2W]x self.cv3(x)→[B, c2, 2H, 2W]使用示例if__name____main__:# 1. 模拟输入特征图通常来自骨干网络或 NeckB,c1,H,W2,128,32,32xtorch.randn(B,c1,H,W)# 2. 创建 Proto 模块输入通道128中间256输出32个原型protoProto(c1128,c_256,c232)# 3. 前向传播withtorch.no_grad():outproto(x)print(输入形状:,x.shape)# [2, 128, 32, 32]print(输出形状:,out.shape)# [2, 32, 64, 64]# 4. 使用真实图像演示仅演示流程实际需提取特征图img_pathcat_640x640.pngimg_bgrcv2.imread(img_path)ifimg_bgrisnotNone:# 缩放到 64x64 并转为张量img_rgbcv2.cvtColor(cv2.resize(img_bgr,(64,64)),cv2.COLOR_BGR2RGB)img_tensortorch.from_numpy(img_rgb).float().permute(2,0,1).unsqueeze(0)/255.0# [1,3,64,64]# 模拟一个简单的特征图通过卷积提取dummy_convnn.Conv2d(3,128,3,1,1)withtorch.no_grad():featdummy_conv(img_tensor)# [1,128,64,64]# 使用 Protoproto_imgProto(c1128,c_64,c24)# 生成4个原型withtorch.no_grad():protosproto_img(feat)# [1, 4, 128, 128]# 可视化第一个原型掩码proto0protos[0,0].cpu().numpy()# [128, 128]proto0(proto0-proto0.min())/(proto0.max()-proto0.min()1e-8)plt.figure(figsize(10,5))plt.subplot(1,2,1)plt.imshow(img_rgb)plt.title(Original)plt.axis(off)plt.subplot(1,2,2)plt.imshow(proto0,cmapgray)plt.title(Prototype 0)plt.axis(off)plt.savefig(proto_demo.png,dpi150)print(可视化已保存为 proto_demo.png)输出示例输入形状: torch.Size([2, 128, 32, 32]) 输出形状: torch.Size([2, 32, 64, 64]) 可视化已保存为 proto_demo.png流程示意图输入 x (B, c1, H, W)cv1: Conv 3x3, c1 → c_特征 (B, c_, H, W)upsample: ConvTranspose2d, 2×2, stride2上采样 (B, c_, 2H, 2W)cv2: Conv 3x3, c_ → c_特征 (B, c_, 2H, 2W)cv3: Conv 3x3, c_ → c2输出原型 (B, c2, 2H, 2W)代码解读__init__self.cv13×3 卷积将输入通道c1压缩到c_减少后续计算量。self.upsample转置卷积反卷积将空间尺寸放大 2 倍同时保持通道数c_。与双线性插值上采样相比转置卷积是可学习的能提供更精细的上采样效果。self.cv2和self.cv3两个 3×3 卷积进一步精炼特征最终将通道数压缩到原型数量c2。forward顺序执行上述层输出原型掩码。注意事项输入与输出尺寸关系输出空间尺寸为输入尺寸的 2 倍因此输入特征图的分辨率需适中过高会增加计算量过低则丢失细节。原型数量c2通常设置为 32 左右过多会增加计算量过少则影响分割精度。转置卷积的“棋盘效应”使用ConvTranspose2d可能产生棋盘格伪影但 YOLO 设计中后续会与掩码系数结合且使用了 BatchNorm 和激活可缓解该问题。激活函数Conv模块默认使用 SiLUSwish与 YOLOv8 整体风格一致。训练与推理该模块在训练和推理阶段行为相同无特殊模式。优缺点优点高效仅由 3 个卷积层和 1 个上采样层组成参数少计算快。可学习上采样使用转置卷积而非固定插值使上采样过程可调有助于生成更精细的原型。输出分辨率高将特征图分辨率提升至 2 倍有利于小目标分割。缺点转置卷积可能引入伪影在不适当的初始化或训练下可能产生棋盘格效应。输出尺寸固定为 2 倍无法灵活调整上采样倍数如需 4 倍需修改代码。原型之间缺乏显式约束生成的原型掩码可能重复或冗余需依赖训练数据学习多样性。在 YOLOv8‑seg 中Proto模块位于检测头之前与掩码系数预测分支并行共同生成最终的分割掩码。它通过少量参数实现了从特征图到原型掩码的转换是实例分割任务的关键组成部分。使用时可根据输入特征图尺寸调整c_和c2以平衡计算量和精度。参考文献[1] https://docs.ultralytics.com/[2] https://github.com/ultralytics/ultralytics.git由于本人水平有限难免出现错漏敬请批评改正。更多精彩内容可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏、人工智能混合编程实践专栏或我的个人主页查看YOLOs-CPP一个免费开源的YOLO全系列C推理库以YOLO26为例PaddleOCRWin10上安装使用PPOCRLabel标注工具目标检测使用自己的数据集微调DEIMv2进行物体检测图像分割PyTorch从零开始实现SegFormer语义分割图像超分使用自己的数据集微调Real-ESRGAN-x4plus进行超分重建图像生成PyTorch从零开始实现一个简单的扩散模型Stable Diffusion使用自己的数据集微调 Stable Diffusion 3.5 LoRA 文生图模型图像超分使用自己的数据集微调Real-ESRGAN-x2plus进行超分重建Anomalib使用Anomalib 2.1.0训练自己的数据集进行异常检测Anomalib在Linux服务器上安装使用Anomalib 2.1.0人工智能混合编程实践C调用封装好的DLL进行异常检测推理人工智能混合编程实践C调用封装好的DLL进行FP16图像超分重建v3.0隔离系统Python源码编译3.11.8到自定义目录含PGO性能优化在线机的Python环境迁移到离线机上Nuitka 将 Python 脚本封装为 .pyd 或 .so 文件Ultralytics使用 YOLO11 进行速度估计Ultralytics使用 YOLO11 进行物体追踪Ultralytics使用 YOLO11 进行物体计数Ultralytics使用 YOLO11 进行目标打码人工智能混合编程实践C调用Python ONNX进行YOLOv8推理人工智能混合编程实践C调用封装好的DLL进行YOLOv8实例分割人工智能混合编程实践C调用Python ONNX进行图像超分重建人工智能混合编程实践C调用Python AgentOCR进行文本识别通过计算实例简单地理解PatchCore异常检测Python将YOLO格式实例分割数据集转换为COCO格式实例分割数据集YOLOv8 Ultralytics使用Ultralytics框架训练RT-DETR实时目标检测模型基于DETR的人脸伪装检测YOLOv7训练自己的数据集口罩检测YOLOv8训练自己的数据集足球检测YOLOv5TensorRT加速YOLOv5模型推理YOLOv5IoU、GIoU、DIoU、CIoU、EIoU玩转Jetson Nano五TensorRT加速YOLOv5目标检测YOLOv5添加SE、CBAM、CoordAtt、ECA注意力机制YOLOv5yolov5s.yaml配置文件解读、增加小目标检测层Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集YOLOv5使用7.0版本训练自己的实例分割模型车辆、行人、路标、车道线等实例分割使用Kaggle GPU资源免费体验Stable Diffusion开源项目Stable Diffusion在服务器上部署使用Stable Diffusion WebUI进行AI绘图v2.0Stable Diffusion使用自己的数据集微调训练LoRA模型v2.0