paddle 48 将ODConv与ppyoloe的backbone进行结合（实现更轻量化的模型）

ODCONV是Intel提出的一种极差即用的动态卷积，在小模型上涨点效果较为明显（在大模型上涨点效果略微退化），可被用于轻量化模型的性能优化。常见的轻量化模型有NanoDet、PicoDet和yolo-tiny系列模型等。NanoDet、PicoDet是针对轻量化部署所设计的，而各种yolo-tiny系列则是在提出新的yolo系列模型时所附带的轻量模型。

轻量化模型在设计网络时对FLOPs极为关注，在设计backbone时都是选用mobilenet、ghostnet、shufflenet、Xception系列等结构，以便于减轻特征提取时的计算量；同时在选择neck时也是选用较少参数的实现原则。虽然这些思路是值得参考的，但是在最新的模型结构发展中提出了重参数化、CSPNet等极具创新的设计，也可以大幅度的降低模型的flop，这使的各种yolo-tiny模型在基于neck、head和锚框分配机制的改良下可以与轻量化模型一较长短。而最新提出的动态卷积，尤其是ODCONV，为常规轻量模型性能的再次提升带来了曙光。

ODCONV在卷积核的输入通道、输出通道、核空间和核数量4个尺度上全方位的加权了conv对特征提取的加强，从而使卷积核能发挥出更为强大的效果。故，可以将ODConv用于轻量化的yolo模型中，提升模型的性能。这里基于paddledetection中的ppyoloe模型进行改进，将其backbone中的RepResCSPNet中的常规卷积替换为ODCONV。ODCONV的更多介绍可以参考 https://hpg123.blog.csdn.net/article/details/128881748?spm=1001.2014.3001.5502

目前ODConv所实现的动态卷积并不支持导出为onnx，后续博主会补充改进以支持onnx导出部署

1、代码部分

<