Yolov5的yaml文件解读

        

本文为［365天深度学习训练营］(https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg）中的学习记录客
原作者：[K同学啊］https://mtyjkh.blog.csdn.net/

        最新Ultralytics给了Yolov5的两个网络模型，分别是yolov5和yolov5-p6两个部分，本文选择yolov5作为研究对象进行介绍。

        yolov5.yaml文件是yolov5网络结构的定义文件，像改进算法的需要在该文件修该相关参数，让后再修改common.py和yolo.py的相关文件。

1.参数配置

        这里面nc是分类的数目，scales是不同模型的信息，包括深度，宽度和最大通道数目

2.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, [768, 3, 2]] # 7-P5/32
  - [-1, 3, C3, [768]]
  - [-1, 1, Conv, [1024, 3, 2]] # 9-P6/64
  - [-1, 3, C3, [1024]]
  - [-1, 1, SPPF, [1024, 5]] # 11

        这里面是Yolov5的backbone模块，可以看到每一个模块算一行，分别为Conv，C3和SPPF模块。每个模块的具体参数的意义如下：

● 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，层编号由 ○ 开始计数。
● 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，该参数影响整体网络模型的深度。
● module：模块类名，通过这个类名在 common.py中寻找相应的类，进行模块化的搭建网络。
● args：是一个 list，模块搭建所需参数channel,kernel size,stride, padding,bias等。

3.head

head:
  - [-1, 1, Conv, [768, 1, 1]]
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 8], 1, Concat, [1]] # cat backbone P5
  - [-1, 3, C3, [768, False]] # 15

  - [-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]] # 19

  - [-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]] # 23 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 20], 1, Concat, [1]] # cat head P4
  - [-1, 3, C3, [512, False]] # 26 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 16], 1, Concat, [1]] # cat head P5
  - [-1, 3, C3, [768, False]] # 29 (P5/32-large)

  - [-1, 1, Conv, [768, 3, 2]]
  - [[-1, 12], 1, Concat, [1]] # cat head P6
  - [-1, 3, C3, [1024, False]] # 32 (P6/64-xlarge)

  - [[23, 26, 29, 32], 1, Detect, [nc]] # Detect(P3, P4, P5, P6)

Yolov5的head模块又多了几个新的模块，Upsample模块和Concat模块。

● Upsample：上采样或放大特征图的尺寸。用于恢复特征图的分辨率，以便进行更细粒度的信息提取和分析。

● Concat：用于沿着指定的维度将多个张量进行拼接（concatenate）。

        以上就是yolov5的整体模型，模型图如下：