YOLOv5代码解析

detect.py

1.导入库

1.1导入安装好的python库

import argparse
import os
import sys
from pathlib import Path

import torch
import torch.backends.cudnn as cudnn

1.2定义路径

FILE = Path(__file__).resolve()          #当前路径G:\2022\Apple-yolov5-master\detect.py
ROOT = FILE.parents[0]  # YOLOv5 root directory    #当前路径的上路径G:\2022\Apple-yolov5-master
if str(ROOT) not in sys.path:           #模块的查询路径列表  Apple-yolov5-master这个里面的列表
    sys.path.append(str(ROOT))  # add ROOT to PATH
ROOT = Path(os.path.relpath(ROOT, Path.cwd()))  # relative    将绝对路径转化为相对路径      root = G:\2022\Apple-yolov5-master

1.3相对路径下的模块加载

#相对路径下的模块
from models.common import DetectMultiBackend
from utils.dataloaders import IMG_FORMATS, VID_FORMATS, LoadImages, LoadStreams
from utils.general import (LOGGER, check_file, check_img_size, check_imshow, check_requirements, colorstr, cv2,
                           increment_path, non_max_suppression, print_args, scale_coords, strip_optimizer, xyxy2xywh)
from utils.plots import Annotator, colors, save_one_box
from utils.torch_utils import select_device, time_sync

1.2主函数解析

有if __name__ == "__main__"表示.py可以独立运行

if __name__ == "__main__":
    opt = parse_opt()     #解析命令行参数
    main(opt)               #执行main函数

1.2.1 main函数

def main(opt):
    check_requirements(exclude=('tensorboard', 'thop'))     #检测包是否成功安装
    run(**vars(opt))         #执行run函数

1.2.2 run函数中关键函数

预测

 # Inference 预测
        visualize = increment_path(save_dir / Path(path).stem, mkdir=True) if visualize else False
        pred = model(im, augment=augment, visualize=visualize)     #       augment 是否需要数据增强      #torch.size([1,18900,85]),18900框，85个预测信息 # x,y,w,h,c,种类预测值80

NMS非极大抑制

 pred = non_max_suppression(pred, conf_thres, iou_thres, classes, agnostic_nms, max_det=max_det)   #1,5,6  最后5个框，6个信息，x,y,w,h,c,目标所属类别

图片尺度不标准进行处理

把检测框画到原图上

det[:, :4] = scale_coords(im.shape[2:], det[:, :4], im0.shape).round()       #坐标映射  im（640,480）映射到原图im0（1080,810）

2.YOLO.py  

2.1main函数

定义参数 关键是cfg的yaml文件

if __name__ == '__main__':
    #定义参数信息
    parser = argparse.ArgumentParser()
    parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml')
    parser.add_argument('--batch-size', type=int, default=1, help='total batch size for all GPUs')
    parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--profile', action='store_true', help='profile model speed')
    parser.add_argument('--line-profile', action='store_true', help='profile model speed layer by layer')
    parser.add_argument('--test', action='store_true', help='test all yolo*.yaml')
    opt = parser.parse_args()
    opt.cfg = check_yaml(opt.cfg)  # check YAML
    print_args(vars(opt))
    device = select_device(opt.device)

创建模型

model = Model(opt.cfg).to(device)

模型搭建

def __init__(self, cfg='yolov5s.yaml', ch=3, nc=None, anchors=None):  # model, input channels, number of classes   #模型初始化，网络搭建

更具YOLOv5s.yaml文件搭配模型

def parse_model(d, ch):  # model_dict, input_channels(3)

YOLOv5.yaml文件解读

 相关Conv、C3、Concat等模型在common.py文件中

3.train.py

3.1参数设置

def parse_opt(known=False):

3.2main函数

Resume从可以设置从中断中恢复

# Resume
    if opt.resume and not check_wandb_resume(opt) and not opt.evolve:  # resume an interrupted run      从中断中恢复

Evolve超参数优化设置，通过遗传修改hpy里面参数，可以直接使用hpy文件效果满足要求

train训练函数

 # Train  正式训练
    if not opt.evolve:        #evolve
        train(opt.hyp, opt, device, callbacks)    #train函数
        if WORLD_SIZE > 1 and RANK == 0:
            LOGGER.info('Destroying process group... ')
            dist.destroy_process_group()

def train(hyp, opt, device, callbacks):  # hyp is path/to/hyp.yaml or hyp dictionary
    save_dir, epochs, batch_size, weights, single_cls, evolve, data, cfg, resume, noval, nosave, workers, freeze = \
        Path(opt.save_dir), opt.epochs, opt.batch_size, opt.weights, opt.single_cls, opt.evolve, opt.data, opt.cfg, \
        opt.resume, opt.noval, opt.nosave, opt.workers, opt.freeze
    callbacks.run('on_pretrain_routine_start')

Loggers函数  记录相关日志 在__init__.py中
train训练集  val测试集
Optimizer   优化器
Trainloader 加载训练集数据
val_loader 加载测试训练数据

定义损失函数，相关损失函数在loss.py中

compute_loss = ComputeLoss(model)  # init loss class    定义损失函数

4.总结

路径很重要，模型有对应位置，

common.py主要是存放框架模型文件

loss.py损失文件

plots.py绘图文件

yolo.py架构文件

detect.py检测文件，通过这个文件来检测情况

train.py训练文件 这个文件负责训练，得到最优权重文件来进行检测

hyp主要有一些参数设置

数据集的yaml文件如coco.yaml

模型的架构文件 如YOLOv5s.yaml

权重文件YOLOv5s.pt