Res2Net
Res2Net是ResNet（残差网络）的一种改进版本，主要通过引入多分支的结构和逐级增加的分辨率来提高网络的表达能力。Res2Net的核心思想是将多个分支的信息融合在一个残差块中，以提高网络对不同分辨率的特征的表达能力。
具体来说，Res2Net引入了多尺度子网络（Multi-Scale Sub-Networks）来处理不同分辨率的特征，然后将它们的输出级联在一起。Res2Net的核心结构是一个多分支的残差块，每个分支都有自己的卷积层，负责处理不同分辨率的特征。这种设计使得Res2Net能够更好地捕捉不同尺度和多分辨率的特征，从而提高其在各种计算机视觉任务中的性能。
与ResNet相比，Res2Net的主要优势在于它能够更好地捕捉不同尺度的特征信息。通过将卷积分解成多个子模块，并将这些子模块连接起来，Res2Net可以有效地扩展感受野的范围，从而捕捉到更丰富的特征信息。此外，Res2Net还可以在不增加网络深度的情况下提高网络性能，因此在一些计算资源有限的任务中，也具有一定的优势。
Res2Net作为YOLO主干网络的可行性分析
- 性能优势：Res2Net作为ResNet的改进版本，具有更强的特征表达能力和更高的性能。将其作为YOLO的主干网络，可以使得YOLO能够更有效地提取图像中的特征信息，从而提高目标检测的精度和效率。
- 兼容性：YOLO是一种基于卷积神经网络的目标检测算法，而Res2Net也是一种基于卷积神经网络的模型。因此，将Res2Net作为YOLO的主干网络具有很好的兼容性。通过合理地设计网络结构和参数设置，可以将Res2Net与YOLO的检测头进行有效地融合，形成完整的目标检测模型。
- 优化与改进：虽然Res2Net已经具有很好的性能表现，但在实际应用中还可以根据具体任务需求进行进一步的优化和改进。例如，可以通过调整Res2Net的网络结构、深度、宽度等参数来平衡模型的性能和速度；也可以采用一些先进的优化技术（如剪枝、量化等）来减小模型的参数量和计算量，进一步提高模型的实时性和部署能力。
替换Res2Net(基于MMYOLO)
OpenMMLab 2.0 体系中 MMYOLO、MMDetection、MMClassification、MMSelfsup 中的模型注册表都继承自 MMEngine 中的根注册表，允许这些 OpenMMLab 开源库直接使用彼此已经实现的模块。 因此用户可以在 MMYOLO 中使用来自 MMDetection、MMClassification、MMSelfsup 的主干网络，而无需重新实现。
假设想将'Res2Net'作为 'yolov5' 的主干网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
deepen_factor = _base_.deepen_factor
widen_factor = 1.0
channels = [512, 1024, 2048]
model = dict(
backbone=dict(
_delete_=True, # 将 _base_ 中关于 backbone 的字段删除
type='mmdet.Res2Net', # 使用 mmdet 中的 Res2Net
depth=101,
scales=4,
base_width=26,
num_stages=4,
out_indices=(1, 2, 3),
frozen_stages=1,
norm_cfg=dict(type='BN', requires_grad=True),
norm_eval=True,
style='pytorch',
init_cfg=dict(type='Pretrained', checkpoint='open-mmlab://res2net101_v1d_26w_4s')),
neck=dict(
type='YOLOv5PAFPN',
widen_factor=widen_factor,
in_channels=channels, # 注意：Res2Net-101 输出的3个通道是 [512, 1024, 2048]，和原先的 yolov5-s neck 不匹配，需要更改
out_channels=channels),
bbox_head=dict(
type='YOLOv5Head',
head_module=dict(
type='YOLOv5HeadModule',
in_channels=channels, # head 部分输入通道也要做相应更改
widen_factor=widen_factor))
)
