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

---

✅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。

简单介绍：

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。

一、前导知识-yaml文件介绍

YAML简单介绍

二、查看配置文件

yolov5的所有网络yaml文件如下：

我们需要修改的网络参数配置文件为yolov5s.yaml，其文件的内容如下：

1. 参数配置

• depth_multiple：channel的缩放系数，就是将配置里面的backbone和head部分有关通道的设置，全部乘以该系数即可
• width_multiple：BottleneckCSP模块的层缩放系数，将所有的BottleneckCSP模块的number系数乘上该参数就可以最终的层个数

2.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。

3、backbone

• 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

4、head

三、修改配置文件

主要修改backbone

• python yolo.py,you will see:

参考：yolov5s.yaml中各参数作用意义及使用netron工具来可视化yolov5s的结构
YOLOV5-5.x 源码解读-autoanchor.py
【YOLOV5-5.x 源码解读】yolov5s.yaml