第Y3周：yolov5s.yaml文件解读

• 🍨 本文为🔗365天深度学习训练营中的学习记录博客
• 🍖 原作者：K同学啊 | 接辅导、项目定制
• 🚀 文章来源：K同学的学习圈子

目录

前言：

参数配置：

 anchors配置：

 backbone：

head：

 模型整体：

总结：

---

前言：

        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，其他3中模型都是在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C32修改为C31，第6层的C33修改我C32。
• 💫任务提示：仅需修改./models/yolov5s.yaml文件

 yolov5s.yaml主要由四部分组成：参数配置、anchors配置、backbone和head。

参数配置：

• nc： 数据集类别数

• depth_multiple： 模型层数因子，用于控制层的重复次数（Bottleneck个数）。通过深度参数depth gain 在搭建每一层的时候，子模块数量=int(number*depth)，这样就起到了一个动态调整模型深度的作用。

• width_multuple： 模型通道数因子， 控制Conv通道channel个数（卷积核数量）。在模型中间层的每一层卷积核=int(number*width)，起到一个动态调整模型的作用。

通过这两个参数可以实现不同复杂度的模型设计。YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x这四个模型的区别仅在于depth_multiple与width_multiple这两个参数不同。

 anchors配置：

小 目标3组：[10, 13]， [16, 30]， [33, 23]
中 目标3组：[30, 61]， [62, 45]， [59,119]
大 目标3组：[116,90]， [156,198]， [373,326]

YOLOv5初始化了9个anchor，在3个Detect层（3个feature map）中使用，每个feature map的每个grid_cell都有3个anchor进行预测。分配规则是：

• 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，则相对可以预测一些尺度比较小的物体，所有分配到定anchor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，则相对可以预测一些尺寸比较大的物体，所有分配到的anchor也越大。
  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。
  YOLOv5根据工程经验得到了这么3组anchors（9对尺寸参数），对于很多数据集而言已经很合适了。但也不能保证这3组anchor就适用于所有数据集，所以YOLOv5还有一个anchor进化的策略：使用k-means和遗传进化算法，找到与当前数据集最吻合的anchors。

k-means：对当前数据集中所有的标注信息中的目标框的尺寸做聚类，输出9对anchors的值。

 backbone：

这里我已经对yolov5s的网络模型做出了修改。

这是YOLOv5s的backbone，可以看到每一行是一个模块，每行都是由四个参数构成，分别是：

• from： 表示当前模块的输入来自哪一层的输出，-1表示来自上一层的输出，层编号由0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（也可以理解为模块的功能），通过这个类名在common.py中寻找相应的类，进行模块化的网络搭建。
• args： 是一个list，对应到模块类搭建时需要的参数，主要是channel、kernel_size、stride、padding、bias等。

head：

这是YOLOv5s的head，数据格式和backbone一样。

 模型整体：

        在models文件夹下运行yolo.py文件后，我们就可以看到网络模型的输出。从下图就可以看到我们对模型做出的修改。

总结：

        在完成本次任务中我了解了yolov5s.yaml文件的各个部分的结构，通过对文件中参数的修改，让我对各部分的参数的作用也更加深刻。