深度学习Week14-yolov5s.yaml文件解读（YOLOv5）

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

这周接着详细解析小白YOLOv5全流程-训练+实现数字识别_牛大了2022的博客-CSDN博客_yolov5识别数字上周入门教大家下载配置环境如果没有的话请参考上一篇的文章深度学习Week12-训练自己的数据集YOLOv5_牛大了2022的博客-CSDN博客

一、介绍和要求

YOLOv5配置了4种不同大小的网络模型分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x其中 YOLOv5s 是网络深度和宽度最小但检测速度最快的模型之前数字监测就是用yolov5s其他3种模型都是在YOLOv5s的基础上不断加深、加宽网络使得网络规模扩大在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量本文选择YOLOv5s作为研究对象进行介绍。
./models/yolov5s.yaml文件是YOLOv5s网络结构的定义文件如果你想改进算法的网络结构需要先修改该文件中的相关参数然后再修改./models/common.py与./models/yolo.py中的相关代码。

📌 本周任务将yolov5s网络模型中第4层的C3*2修改为C3*1第6层的C3*3修改为C3*2。
💫 任务提示仅需修改./models/yolov5s.yaml文件。

1、参数配置

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

·depth_multiple控制子模块数量=intnumber*depth该参数与任务有关
·width_multiple控制卷积核的数量=intnumber*width

四种模型的这两者不同。

2、anchors

anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

三者分别适合小目标、中目标和大目标的检测。

YOLOv5初始化了9个anchors在三个Detect层使用3个feature map中使用每个feature map的每个grid_cell 都有三个anchor进行预测。分配规则

尺度越大的 feature map 越靠前相对原图的下采样率越小感受野越小所以相对可以预测一些尺度比较小的物体所有分配到的 anchors 越小

尺度越小的 feature map 越靠后相对原图的下采样率越大感受野越大所以相对可以预测一些尺度比较大的物体所有分配到的 anchors 越大。

即可以在小特征图feature map上检测大目标也可以在大特征图上检测小目标。

3、backbone

backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8
   [-1, 3, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 6, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

这是yolov5s的backbone可以看到每一个模块算一行每行都由四个参数构成。分别是
·from表示当前模块的输入来自那一层的输出-1表示来自上一层的输出。
·number表示当前模块的理论重复次数实际的重复次数还要由上面的参数depth_multiple共同决定决定网络模型的深度。
·module模块类名通过这个类名去common.py中寻找相应的类进行模块化的搭建网络。
·args是一个1ist模块搭建所需参数channe1kernel_sizestridepaddingbias等会在网络搭建过程中根据不同层进行改变。

4.head

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13
 
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

和backbone一样