前文对EfficientNet的结构进行了解析，这里，我们把这个结构添加到Yolact中去。
模型源码已经上传，托管在github，直接下载即可，https://github.com/SpaceView/Yolact_EfficientNet
https://github.com/SpaceView/Yolact_EfficientNet
附带说明一下，添加不同Backbone时，最重要的就是要理解Yolact的结构，把Feature_map和FPN的连接弄清楚就没问题了。
在上文介绍EfficientNet时，各个输出层的结构是这样的，
self.channels == > [16, 24, 40, 112, 320] self.output_layers == > [0, 2, 4, 10, 15]
在我们的这个EfficientNet Backbone中，采用的正是这个结构。
其feature的输出结构是这样的（假设输入图片尺寸512x512），
p5.shape -- > torch.Size([1, 320, 16, 16]) p4.shape -- > torch.Size([1, 112, 32, 32]) p3.shape -- > torch.Size([1, 40, 64, 64]) p1.shape -- > torch.Size([1, 24, 128, 128]) p0.shape -- > torch.Size([1, 16, 256, 256])
在Yolact中，初次运行时假设图片被调整成550x550的尺寸；
因此，一张 x.shape == > torch.Size([1, 3, 550, 550]) 的图片，通过efficientnet生成的feature_maps的结构如下
feature_maps[0].shape == > torch.Size([1, 16, 275, 275]) feature_maps[1].shape == > torch.Size([1, 24, 138, 138]) feature_maps[2].shape == > torch.Size([1, 40, 69, 69]) feature_maps[3].shape == > torch.Size([1, 112, 35, 35]) feature_maps[4].shape == > torch.Size([1, 320, 18, 18])
因为只采用了最后3层，所以，最后feature_maps的输出是这样的
feature_maps[0].shape torch.Size([1, 40, 69, 69]) feature_maps[1].shape torch.Size([1, 112, 35, 35]) feature_maps[2].shape torch.Size([1, 320, 18, 18])
这三层就是源码中的selected_layers。输入给FPN的通道数由backbone.channels给出。
最近实在太忙了，后面的有时间再补充说明吧，源码已经上传了。
使用预训练的模型目前还没有测试，在原来的代码中，这里（Cannot download backbone weights · Issue #48 · zylo117/Yet-Another-EfficientDet-Pytorch · GitHub）提到，不能使用原来efficientnet的权重文件，例如efficientnet-b0-355c32eb.pth的权重文件。
因此，我的办法是，将Yolact运行一下，比如我用了100个iteration，然后把这个文件保存下来，也就是 yolact_EfficientNet_0_100.pth，然后，用这个保存下来的文件中的keys，替换掉原来efficientnet-b0-355c32eb.pth 中的keys，生成一个新的 efficientnet-b0-yolact 的权重文件，这样，就可以直接加载 efficientnet-b0-yolact 到模型中初始化这个Backbone的权重了。
具体如何替换请参考：match_and_rename_efficientnet_dict_keys.py
我在替换时还生成了2个keys的文本文件，如下，大家可以打开比较一下，具体差别在哪里。 efficientnet-b0_keys.txt yolact_EfficientNet_bacbone_keys.txt
