fix export bugs

[ziqi-jin]

你好，我在使用YOLOv5-Lite导出ONNX模型时遇到了问题，问题和修改如下

1. export.py 文件默认会使用 opt.concat == True，这样就会在推理阶段使用m.cat_forward，但是opt.concat 的类型是str，这就导致我设置为False 也是会使用m.cat_forward。

• 修改：我修改了 opt.concat 的数据类型，同样默认也是True

2. 我希望使用opt.concat == False 的情况，让导出过程可以走 m.forward，但是由于models\yolo.py的Detect类中有两行代码是inplace操作，虽然可以导出ONNX文件，但是最后的结果是错误的。代码为

                y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh

因此我对代码进行了修改，修改为

                if not torch.onnx.is_in_onnx_export():
                    y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:
                    xy = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i].data  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)

此外，还对_make_grid的判断进行了修改，新的完整处理逻辑如下如下

        for i in range(self.nl):
            x[i] = self.m[i](x[i])  # conv
            bs, _, ny, nx = x[i].shape  # x(bs,255,20,20) to x(bs,3,20,20,85)
            x[i] = x[i].view(bs, self.na, self.no, ny, nx).permute(0, 1, 3, 4, 2).contiguous()

            if not self.training:  # inference
                if torch.onnx.is_in_onnx_export():
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
                elif self.grid[i].shape[2:4] != x[i].shape[2:4]:
                    self.grid[i] = self._make_grid(nx, ny).to(x[i].device)
                logits = x[i][..., 5:]

                y = x[i].sigmoid()
                if not torch.onnx.is_in_onnx_export():
                    y[..., 0:2] = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    y[..., 2:4] = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i]  # wh
                else:
                    xy = (y[..., 0:2] * 2. - 0.5 + self.grid[i]) * self.stride[i]  # xy
                    wh = (y[..., 2:4] * 2) ** 2 * self.anchor_grid[i].data  # wh
                    y = torch.cat((xy, wh, y[..., 4:]), -1)
                z.append(y.view(bs, -1, self.no))

这样导出的ONNX文件可以正确预测。

[ppogg]

good job！