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
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。
# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple 控制模型的深度
width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数(卷积核数量)
子模块数量 = int ( number * depth_multiple )
卷积核的数量 = int ( number * width_multiple)
anchors:
- [10,13, 16,30, 33,23] # P3/8 检测小目标,10,13是一组尺寸,总共三组检测小目标
- [30,61, 62,45, 59,119] # P4/16 检测中目标,共三组
- [116,90, 156,198, 373,326] # P5/32 检测大目标,共三组
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。分配的规则是: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,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。
# YOLOv5 v6.0 backbone
backbone:
# [from, number, module, args]
"""
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
moduld: 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list 模块搭建所需参数 channel, kernel_size, stride, padding, bias等 会在网络搭建过程中根据不同层进行改变
"""
[[-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
]
修改:
# 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, 3, C3, [256]], # 第四层 number * 1/3 = 1
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 6, C3, [512]], # 第六层 number * 1/3 = 2
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 3, C3, [1024]],
[-1, 1, SPPF, [1024, 5]], # 9
]
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)
]