1 模型结构
# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license
# Parameters
nc: 20 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.25 # layer channel multiple
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
# YOLOv5 v6.0 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, 6, C3, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, C3, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
# 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)
]
参数含义
- from:输入索引。-1代表上一层的输出作为本层输入,[-1, 6]代表上一层和第6层的输出共同作为本层输入
- number:操作的重复次数
- module:模块类型
- args:模型参数。如第0层的[64, 6, 2, 2]代表输出通道64,卷积核6*6,步幅2,填充2;第9层的[1024, 5]代表输出通道1024,最大池化核5*5;第13层的[512, False]代表输出通道512,不使用残差连接
- 0-P1/2:0代表层索引;P1代表第一张特征图;2代表下采样倍数
2 骨干网络
2.1 C3(CSP Bottleneck with 3 convolutions)
CSP(Cross Stage Partial):一种改进的网络结构,用于增强信息流通、减轻信息冗余、并减少计算量。将特征图划为两部分,一部分直接通过,另一部分经过一系列卷积操作后再与之前的部分合并。
2.2 Bottleneck
常见结构,将高维特征压缩到低维,再恢复到高维。目的是在保持模型表示能力的同时减少计算成本、参数数量。
结构
- 1*1卷积层(降低维度):如果输入的通道数是256,可以降维成64
- 3*3卷积层(提取特征):对降维后的特征图进行特征提取。由于通道数变少,计算代价也变少
- 1*1卷积层(恢复维度):保证输出的特征维度与输入相同
- 残差连接(residual connection):输入的特征图与讲过上述三层卷积操作的输出特征图直接相加。这种跳跃连接的方式使得模型能保留原始信息,减轻梯度消失
2.3 特征图说明
C3模块的输入、输出特征图尺寸不变,因为不标记为新的特征图
3 Detect模块
[[17, 20, 23], 1, Detect, [nc, anchors]]
从17、20、23层提取特征图(P3/P4/P5)作为模块输入