在ultralytics官方的yolov5代码里，模型的构建都是定义在yaml文件里的，在yaml文件里，有两个重要参数：depth_multiple和width_multiple。其中depth_multiple控制网络的深度，width_multiple控制网络的宽度。这样做的好处是可以通过这两个参数控制网络的宽度和深度，实现不同大小不同复杂度的模型设计，但是这种写法缺点是不再能直接采用第三方工具例如netron进行网络模型可视化了，并且yaml文件不利于学习网络结构特性和网络里的层与层之间的连接关系。
通常情况下，我们使用pytorch构建一个神经网络，模型是定义在.py文件里的。在ultralytics的yolov5代码里，定义网络模型是动过解析yaml文件，利用pytorch动态图的特性，动态生成网络结构的。这里面使用到了一个关键函数parse_model，它在models/yolo.py里。最近我在使用这个函数的时候，琢磨出了一个小工具，它能自动生成一个.py文件，把网络结构定义在.py文件里，这样你就可以学习到yolov5的一些模块细节，做前向计算时候，层与层之间的连接关系。我把这套程序发布在github上，地址是
885
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
