YOLOv8改进——引入可变形卷积DCNv3

YOLOv8 详解
✨✨✨YOLOv8详解 【网络结构+代码+实操】
可变形卷积DCNv1 & DCNv2
✨✨✨论文及代码详解——可变形卷积（DCNv1）
✨✨✨论文及代码详解——可变形卷积（DCNv2）
DCNv3 是InternImage中提出的，DCNv3在DCNv2版本上进行了改进。
✨✨✨论文详解——《InternImage: Exploring Large-Scale Vision Foundation Models with Deformable Convolutions》
✨✨✨ 代码详解——可变形卷积（DCNv3）

本文只讲解在YOLOv8的代码中添加DCNv3的操作流程, 具体的原理参见上述的链接~

1. 下载ops_dcnv3

如下图，首先下载InterImage官方代码，然后在segmentation、detection、classification文件夹下均可以找到ops_dcnv3文件夹，该文件夹下的内容就是实现DCNv3算子的核心代码。

• modules
  如下图所示, modules文件夹中的dcnv3.py文件主要定义了DCNv3模块。
  其中DCNv3_pytorch是DCNv3的pytorch实现版本，DCNv3是DCNv3的C++实现版本。
  
• functions
  如下图所示，function文件夹中的dcnv3_func.py文件定义了DCNv3的一些核心操作。
  其中黄色部分的DCNv3Function类被c++版本的DCNv3 调用。
  其中红色部分的dcnv3_core_pytorch方法被pytorch版本的DCNv3_pytorch调用。
  
• src
  src下的代码是用C++来实现DCNv3中核心操作，其下的cpu和cuda分别表示cpu和cuda编程两种实现版本。c++实现的版本需要去编译，否则如上图所示，黄色箭头指向的import DCNv3 有红色波浪线，无法正常导入。
  如果想import DCNv3成功，有两种解决办法：
  （1）需要编译：DCNv3具体编译方法是直接运行make.sh文件（但是这种方法很容易编译失败，对于pytorch,cuda的版本以及c++编译器的配置都有要求）
  （2）不需要编译：去官网上下载轮子https://github.com/OpenGVLab/InternImage/releases/tag/whl_files （更推荐这种方法，但是也需要注意cuda和pytorch的版本）
  
  然后将ops_dcnv3复制到ultralutics文件夹下。
  

2. 添加DCNv3模块

打开modules.py文件。

首先从ops_dcnv3 中导入DCNv3 和DCNv3_pytorch。
其中DCNv3是C++实现版本，必须先在上一步编译成功，或者安装好了轮子，否则会报错。
DCNv3_pytorch 是pytorch实现的版本，只要基础的pytorch环境安装正确就不会出错。
但是在实际的训练过程中，C++版本的运行速度更快，推荐使用C++版本。

from ..ops_dcnv3.modules import DCNv3,DCNv3_pytorch

• DCNv3_YOLO
  然后在modules.py文件中添加DCNv3_YOLO模块。其中self.dcnv3即可以使用c++版本的DCNv3，也可以使用pytorch版本实现的DCNv3_pytorch。

class DCNV3_YoLo(nn.<