YOLOv5的C3模块拆解：用天气分类小项目验证你的模块搭建是否正确-平芜编程栈

YOLOv5的C3模块实战：用天气分类项目验证你的模块实现

最近在复现YOLOv5网络结构时，我发现很多初学者（包括我自己）都会遇到一个共同的问题：虽然能看懂C3、SPP这些模块的代码，但不确定自己写的模块是否正确。今天我想分享一个实用的验证方法——通过构建一个微型天气分类网络，来动态验证模块的正确性。

1. 为什么选择天气分类作为验证项目

天气图片分类是一个直观且容易上手的任务。相比目标检测，分类任务的数据准备更简单，训练周期更短，但同样能验证模块的基础功能。我们使用的数据集包含四类天气图片（晴天、雨天、多云、雪天），每张图片尺寸统一为224x224。

选择这个项目验证C3模块有三大优势：

输入输出维度明确：3通道RGB输入，4分类输出
模块组合灵活：可以自由搭配Conv、SPP、C3等模块
验证直观：分类准确率直接反映模块有效性

2. 核心模块实现要点

2.1 基础Conv模块

所有复杂模块的基础是Conv模块，实现时需要注意三个关键点：

class Conv(nn.Module): def __init__(self, c1, c2, k=1, s=1, p=None, act=True, g=1): super(Conv, self).__init__() self.conv = nn.Conv2d(c1, c2, k, s, autopad(k, p), groups=g, bias=False) self.bn = nn.BatchNorm2d(c2) self.act = nn.SiLU() if act else nn.Identity() def forward(self, x): return self.act(self.bn(self.conv(x)))

其中最容易出错的是autopad函数的实现：

def autopad(k, p=None): if p is None: p = k // 2 if isinstance(k, int) else [x // 2 for x in k] return p

2.2 C3模块的结构解析

C3模块是YOLOv5的核心创新之一，它由以下几个部分组成：

两条并行路径：
- 主路径：1x1卷积 → n个Bottleneck
- 捷径：单独的1x1卷积
特征融合：将两条路径的输出在通道维度拼接
最终输出：1x1卷积调整通道数

实现时特别注意通道数的匹配：

class C3(nn.Module): def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): super(C3, self).__init__() c_ = int(c2 * e) self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c1, c_, 1, 1) self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)]) self.cv3 = Conv(2 * c_, c2, 1) def forward(self, x): return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), dim=1))

3. 网络构建与调试技巧

3.1 网络架构设计

我们的微型分类网络采用以下结构：

输入(3,224,224) ↓ Conv(3→32, k=3, s=2) # 输出(32,112,112) ↓ SPP(32→64) # 输出(64,112,112) ↓ C3(64→128) # 输出(128,112,112) ↓ Flatten + Linear # 输出(4)

3.2 动态确定全连接层参数

这是很多初学者会卡住的地方——如何确定第一个Linear层的输入维度？其实可以通过前向传播时打印特征图尺寸来解决：

class TempModel(nn.Module): def __init__(self): super(TempModel, self).__init__() self.conv = Conv(3, 32, 3, 2) self.spp = SPP(32, 64) self.c3 = C3(64, 128) def forward(self, x): x = self.conv(x) x = self.spp(x) x = self.c3(x) print(x.shape) # 打印特征图尺寸 return x

运行后会输出类似torch.Size([32, 128, 112, 112])的结果，其中：

32是batch size
128是通道数
112x112是特征图尺寸

因此全连接层的输入维度应该是128*112*112。

3.3 完整网络实现

class WeatherClassifier(nn.Module): def __init__(self): super(WeatherClassifier, self).__init__() self.net = nn.Sequential( Conv(3, 32, 3, 2), SPP(32, 64), C3(64, 128), nn.Flatten(), nn.Linear(128*112*112, 1000), nn.ReLU(), nn.Linear(1000, 4) ) def forward(self, x): return self.net(x)

4. 训练与验证

4.1 数据准备

使用torchvision的ImageFolder加载天气数据集：

transform = transforms.Compose([ transforms.Resize(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) dataset = torchvision.datasets.ImageFolder('weather_data/', transform=transform) train_size = int(0.8 * len(dataset)) test_size = len(dataset) - train_size train_set, test_set = torch.utils.data.random_split(dataset, [train_size, test_size])

4.2 训练关键参数

model = WeatherClassifier().to(device) criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # 训练循环 for epoch in range(10): for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step()