YOLOv5源码解读1.1-整体架构

往期回顾:YOLOv5源码解读1.0-目录_汉卿HanQ的博客-CSDN博客

---

目录

1.github

2.data

3.models 

4.runs

5.utils

6.VOCdevkit

7.others

---

大家下载后，如果不出意外就会和我这个一样。本篇解释一下各个文件夹的作用

---

1.github

        这里并不重要，是存放github上的一些配置

---

2.data

        data文件夹主要存放一些超参数的配置文件是用来配置训练集，测试集和验证集路径的，还有一些官方提供的测试图片

         data文件夹中有两个很重要的文件-images文件和voc.yaml

        运行detect.py后会对images里的图片进行标注，如果训练自己数据集，就需要修改voc.yaml文件(详情见YOLOv5模型搭建博客)

        这里不建议把数据集放在这个路径下

---

3.models 

        models文件夹是模型文件夹，里面主要是一些网络构建的配置文件和函数，其中包含s m l x四个版本，这几个版本检测速度又快到慢，但精度由低到高。

        在训练数据集时，需要修改里面的yaml文件来训练自己的模型

        其中yaml不过过多解读，训练模型时搜素一个适合自己的即可，这里对py文件进行解读

• _init_.py 空文件
• common.py 存放网络结构的定义通用模块 包括autopad Conv DwConv TransformerLayer等
• experimental.py 实验性质的代码，包括MixConv2d 跨层权重Sum
• tf.py tensorflow版本的YOLOv5代码
• yolo.py YOLO的特点模块，包括BaseModel DetectionModel ClassificationModel parse_model等

---

4.runs

        

        runs是我们运行的时候的一些输出图片，每运行一次就会生成一个exp文件夹，其中detect是测试模型，输出图片并标注图片中物体和概率

        train是训练模型，输出模型矩阵，混淆矩阵，F1曲线，超参数文件，P曲线，R曲线，PR曲线，结果文件等

• confusion_matix.png 混淆矩阵
• P_cirve.png 精确率和置信度关系图
• R_cirve.png召回率率和置信度关系图
• PR_cirve.png 精确率和召回率关系图
• F1_cirve.png F1分数和置信度关系图
• labels_correlogram.jpg 预测标签长宽和位置分布
• results.png 各种loss和metrics曲线
• results.csv 对应上面png的原始results数据
• hyp.yaml 超参数记录文件
• pp.yaml 模型可选项记录文件
• train_bath*.jpg 训练集图像*
• val_batch*_labels.jpg 验证集图像*
• val_batch*pre.jpg 验证集图像*带预测标注
• weights 权重矩阵
• best.pt 历史最好权重
• last.pt 上次检测点权重
• labels.jpg 1.1表示每个类别的数据量 1.2真实标注的BBox 2.1真实标注的中心点坐标 2.2真实标注的矩阵宽高

---

5.utils

        utils文件是工具文件

• aws  恢复中断训练，和aws平台使用相关的工具
• flask_rest_api  和flask相关的工具
• google_app_engine  和谷歌app引擎相关的工具
• loggers  日志打印
• _init_.py  notebook的初始化,检查系统软件和硬件
• activations.py  激活函数
• augmentations  存放各种图像增强技术
• autoanchor.py  自动生成锚框
• autobatch.py  自动生成批量大小
• benchmarks.py 对模型进行性能评估（推理速度和内存占用上的评估）
• callbacks.py 回调函数，主要为logger服务
• datasets  dateset和dateloader定义代码
• downloads.py  谷歌云盘内容下载
• general.py  全项目通用代码，相关实用函数实现
• loss.py  存放各种损失函数
• metrics.py  模型验证指标，包括ap,混淆矩阵等
• plots.py 绘图相关函数，如绘制loss、ac曲线，还能单独将一个bbox存储为图像
• torch_utils.py  辅助函数 

---

6.VOCdevkit

        自己创建的数据集，是使用labelimg标注好的训练集和测试集数据

---

7.others

        这里对目录部分就告一段落，接下来会讲detect.py代码，如果喜欢，别忘了点个赞哦！