YOLOv5s网络模型讲解(一看就会)

已于 2024-05-27 15:53:39 修改
阅读量3.3w 收藏 479
点赞数 63
分类专栏： 目标检测 文章标签： YOLO 深度学习 神经网络
于 2023-03-08 18:55:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44231797/article/details/129408786
版权
本文详细介绍了YOLOv5s的网络组成，包括backbone、neck和head，并解析了YOLOv5s.yaml和YOLOv5l.yaml的参数，阐述了网络结构对目标检测性能的影响。文章还提供了不同配置文件的解析表，帮助理解不同模型配置的差异。
摘要由CSDN通过智能技术生成

文章目录

前言

最近在重构YOLOv5代码，本章主要介绍YOLOv5s的网络结构

1、YOLOv5s-6.0组成

我们熟知YOLOv5s由三部分组成，分别为backbone、neck、head

  1. backbone：主干网络，大多时候指的是提取特征的网络，其作用就是提取图片中的信息，供后面的网络使用。backbone主干网络可以直接加载官方已经训练好的模型参数，此外其后面，添加自己需要的网络，让自定义模型更加贴合实际使用。
  2. neck：放在backbone和head之间，进一步利用backbone提取的特征，提高模型的鲁棒性
  3. head：获取网络输出，head利用之前提取的特征，做出预测。

2、YOLOv5s网络介绍

2.1、参数解析

  1. nc：数据集中的类别数

  2. depth_multiple：模型层数因子(用来调整网络的深度)

    1. 为了控制层的重复的次数。它会和后面的backbone & head的number相乘后取整，代表该层的重复的数量
    2. 如：[[-1, 1, Conv, [64, 6, 2, 2]]，当depth_multiple为1时候，则重复1*1个
depth_multiple0.330.671.01.33
模块 [参数]yolov5syolov5myolov5lyolov5x
第1个C3 [-1, 3, C3, [128]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第2个C3 [-1, 6, C3, [256]]BottleNeck x 2BottleNeck x 4BottleNeck x 6BottleNeck x 8
第3个C3 [-1, 9, C3, [512]]BottleNeck x 3BottleNeck x 6BottleNeck x 9BottleNeck x 12
第4个C3 [-1, 3, C3, [1024]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第5个C3 [-1, 3, C3, [512, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第6个C3 [-1, 3, C3, [256, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第7个C3 [-1, 3, C3, [512, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4
第8个C3 [-1, 3, C3, [1024, False]]BottleNeck x 1BottleNeck x 2BottleNeck x 3BottleNeck x 4

  1. width_multiple：模型通道数因子(用来调整网络的宽度)

    1. 为了控制输出特征图的通道数，它会和出特征图的通道数相乘，代表该层的输出通道数。
    2. 如：[[-1, 1, Conv, [64, 6, 2, 2]]，当width_multiple为0.5时候，则输出通道为64*0.5=32通道
width_multiple0.50.751.01.25
模块 [输出通道数/卷积核个数/步长/零填充]yolov5syolov5myolov5lyolov5x
第1个Conv [64, 6, 2, 2]32486480
第2个Conv [128, 3, 2]6496128160
第3个Conv [256, 3, 2]128192256320
第4个Conv [512, 3, 2]256384512640
第5个Conv [1024, 3, 2]51276810241280
第6个Conv [512, 1, 1]256384512640
第7个Conv [256, 1, 1]128192256320
第8个Conv [256, 3, 2]128192256320
第9个Conv [512, 3, 2]256384512640

  1. anchors：锚定框

    1. yolov5 初始化了 9 个 anchors，分别在三个特征图 （feature map）中使用，每个 feature map 的每个 grid cell （网络单元）都有三个 anchor 进行预测。分配规则：
      • 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(小目标)，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，所以可以预测一些尺度比较大的物体(大目标)，所以分配到的 anchors 越大。
      • 即在小特征图（feature map）上检测大目标，中等大小的特征图上检测中等目标，在大特征图上检测小目标。

5.如何计算参数

H₂=(H1-K+2P)/S+1

其中，H1代表输入宽度，K代表卷积核个数，P代表零填充，S代表步长。

  • Conv：卷积，一般来说宽高会降低一半（主要看参数）。
  • Upsample: 上采样，宽高升高一倍。
  • Concat：拼接，宽高一致情况下，维度相加。
  • 一般S步长为2时候，宽高都会缩小一半，因为除以2

  1. [from, number, module, args] 参数

    [from, number, module, args]

    1. 第一个参数 from ：从哪一层获得输入，-1表示从上一层获得，[-1, 6]表示从上层和第6层两层获得。
    2. 第二个参数 number：表示有几个相同的模块，如果为9则表示有9个相同的模块。
    3. 第三个参数 module：模块的名称，这些模块写在common.py中。
    4. 第四个参数 args：类的初始化参数，用于解析作为 moudle 的传入参数。
      • args参数依次为：输出channel,卷积核大小kernel size,步长stride,p零填充大小，以字典的形式给出，具体取决于该层所使用的模块类型。即，这些参数在初始化时将模块的形参进行了更新。
 # [from, number, module, args]
 # 输入640*640
 # [64, 6, 2, 2] c2=64,k=6,s=2,p=2 , s=2 宽高减半
 # [128, 3, 2] c2=128,k=3,s=2
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 64*320*320
   [-1, 1, Conv, [128, 3, 2]],    # 128*160*160
   [-1, 3, C3, [128]],            # 128*160*160
   [-1, 1, Conv, [256, 3, 2]],    # 256*80*80
   [-1, 6, C3, [256]],            # 256*80*80
   [-1, 1, Conv, [512, 3, 2]],    # 512*40*40
   [-1, 9, C3, [512]],            # 512*40*40
   [-1, 1, Conv, [1024, 3, 2]],   # 1024*20*20
   [-1, 3, C3, [1024]],           # 1024*20*20
   [-1, 1, SPPF, [1024, 5]],      # 1024*20*20
  ]

针对Conv模块，我们可以在YOLO的目录下的module/common.py·中找到如下图所示的Conv的代码：

在这里插入图片描述
在模块初始化时，这些模块的参数的作用：

一般的数据都是从c2开始依次传输，即 [128, 3, 2] 代表 c2=128,k=3,s=2

  1. c1 ：表示输入通道数，即输入特征图的深度或通道数。它决定了输入特征图的形状。
  2. c2 ：表示输出通道数，即卷积层中卷积核的数量，也是输出特征图的深度或通道数。它决定了输出特征图的形状。
  3. k：表示卷积核的大小或尺寸。在这里，k 是一个整数，表示卷积核的高度和宽度相等。例如，k=3 表示使用一个 3x3 的卷积核。
  4. s：表示卷积的步幅（stride），即卷积核在输入特征图上滑动的步长。默认情况下，步幅为 1，表示卷积核每次滑动一个像素。如果设置 s=2，则卷积核每次滑动两个像素。
  5. p：表示卷积的填充（padding）。填充是在输入特征图周围添加额外的像素，以控制输出特征图的大小。p 可以是一个整数，表示在每个边缘添加相同数量的填充像素，也可以是一个元组 (p1, p2)，其中 p1 表示在高度方向的填充数，p2 表示在宽度方向的填充数。默认情况下，没有填充。
  6. g：表示分组卷积（group convolution）中的分组数。默认为 1，表示标准的卷积操作。当 g 大于 1 时，卷积核被分成 g 个子组，每个子组进行独立的卷积操作。分组卷积可以降低计算量，减少参数数量。
  7. d：表示卷积操作的扩张（dilation）。扩张卷积是通过在卷积核元素之间添加间隔来增加感受野的。d 的默认值为 1，表示标准的卷积操作。当 d 大于 1 时，卷积核元素之间会有间隔。

2.2、YOLOv5s.yaml

nc: 80  # number of classes 数据集中的类别数，也就是你要检测的类别数
depth_multiple: 0.33  # model depth multiple  模型层数因子(用来调整网络的深度)
width_multiple: 0.50  # layer channel multiple 模型通道数因子(用来调整网络的宽度)
 
anchors: # 表示作用于当前特征图的Anchor大小为 xxx
# 9个anchor，其中P表示特征图的层级，P3/8该层特征图缩放为1/8,是第3层特征
  - [10,13, 16,30, 33,23]  # P3/8， 表示[10,13],[16,30], [33,23]3个anchor
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32
 
 
# YOLOv5s v6.0 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2，通过该层之后特征图的大小变成原图的1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4，通过该层之后特征图的大小变成原图的1/4
   [-1, 3, C3, [128]],          # 2，通过该层之后特征图的大小不变
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8，过该层之后特征图的大小变成原图的1/8
   [-1, 6, C3, [256]],			# 4，通过该层之后特征图的大小不变
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16，，过该层之后特征图的大小变成原图的1/16
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]
 
# YOLOv5s v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #11 不改变通道数，特征图的长和宽会增加一倍
   [[-1, 6], 1, Concat, [1]],  # 12 cat backbone P4 与第6层的输出进行特征图的融合
   [-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，与第4层的输出进行特征图的融合。
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)
 
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4，与第14层的输出进行特征图的融合
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)
 
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5，与第10层的输出进行特征图的融合
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)
 
   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

2.3、YOLOv5s网络结构图

在这里插入图片描述

2.4、YOLOv5l.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license

# Parameters
nc: 80  # number of classes
depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple
anchors:
  - [10,13, 16,30, 33,23]  # P3/8
  - [30,61, 62,45, 59,119]  # P4/16
  - [116,90, 156,198, 373,326]  # P5/32

# YOLOv5 v6.0 backbone
backbone:
  # [from, number, module, args]
  # 输入 640*640
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2    64*320*320
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4      128*160*160 
   [-1, 3, C3, [128]],
   [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8      256*80*80
   [-1, 6, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16     512*40*40
   [-1, 9, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32    1024*20*20
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9             1024*20*20
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]], #              512*20*20   
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],#   512*40*40
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4  1024*40*40
   [-1, 3, C3, [512, False]],  # 13               512*40*40

   [-1, 1, Conv, [256, 1, 1]],#                   256*40*40
   [-1, 1, nn.Upsample, [None, 2, 'nearest']], #  256*80*80
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3  512*80*80
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)  256*80*80

   [-1, 1, Conv, [256, 3, 2]], #                 256*40*40
   [[-1, 14], 1, Concat, [1]],  # cat head P4    512*40*40
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium) 512*40*40

   [-1, 1, Conv, [512, 3, 2]], #                  512*20*20
   [[-1, 10], 1, Concat, [1]],  # cat head P5     1024*20*20
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)  1024*20*20

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

2.5、YOLOv5l 网络结构图

在这里插入图片描述

3、附件

在yolov5中有l,n,m,s,x，5种配置文件，这5种配置文件只是depth_multiple和width_multiple两个参数不同，其它部分都相同的。

3.1、yolov5s.yaml 解析表

  1. yolov5s.yaml的width_multiple都为0.50
  2. 举例：[[-1, 1, Conv, [64, 6, 2, 2]]，当width_multiple为0.5时候，则输出通道为64*0.5=32通道
层数frommouduleargumentsinputoutput
0-1Conv[3, 32, 6, 2, 2][3, 640, 640][32, 320, 320]
1-1Conv[32, 64, 3, 2][32, 320, 320][64, 160, 160]
2-1C3[64, 64, 1][64, 160, 160][64, 160, 160]
3-1Conv[64, 128, 3, 2][64, 160, 160][128, 80, 80]
4-1C3[128, 128, 2][128, 80, 80][128, 80, 80]
5-1Conv[128, 256, 3, 2][128, 80, 80][256, 40, 40]
6-1C3[256, 256, 3][256, 40, 40][256, 40, 40]
7-1Conv[256, 512, 3, 2][256, 40, 40][512, 20, 20]
8-1C3[512, 512, 1][512, 20, 20][512, 20, 20]
9-1SPPF[512, 512, 5][512, 20, 20][512, 20, 20]
10-1Conv[512, 256, 1, 1][512, 20, 20][256, 20, 20]
11-1Upsample[None, 2, ‘nearest’][256, 20, 20][256, 40, 40]
12[-1, 6]Concat[1][1, 256, 40, 40],[1, 256, 40, 40][512, 40, 40]
13-1C3[512, 256, 1, False][512, 40, 40][256, 40, 40]
14-1Conv[256, 128, 1, 1][256, 40, 40][128, 40, 40]
15-1Upsample[None, 2, ‘nearest’][128, 40, 40][128, 80, 80]
16[-1, 4]Concat[1][1, 128, 80, 80],[1, 128, 80, 80][256, 80, 80]
17-1C3[256, 128, 1, False][256, 80, 80][128, 80, 80]
18-1Conv[128, 128, 3, 2][128, 80, 80][128, 40, 40]
19[-1, 14]Concat[1][1, 128, 40, 40],[1, 128, 40, 40][256, 40, 40]
20-1C3[256, 256, 1, False][256, 40, 40][256, 40, 40]
21-1Conv[256, 256, 3, 2][256, 40, 40][256, 20, 20]
22[-1, 10]Concat[1][1, 256, 20, 20],[1, 256, 20, 20][512, 20, 20]
23-1C3[512, 512, 1, False][512, 20, 20][512, 20, 20]
24[17, 20, 23]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]][1, 128, 80, 80],[1, 256, 40, 40],[1, 512, 20, 20][1, 3, 80, 80, 85],[1, 3, 40, 40, 85],[1, 3, 20, 20, 85]

3.2、 yolov5l.yaml 解析表

注：yolov5l.yaml的depth_multiple和width_multiple都为1

层数frommouduleargumentsinputoutput
0-1Conv[3, 64, 6, 2, 2][3, 640, 640][64, 320, 320]
1-1Conv[64, 128, 3, 2][64, 320, 320][128, 160, 160]
2-1C3[128,128, 1][128, 160, 160][128 160, 160]
3-1Conv[128,256, 3, 2][128 160, 160][256, 80, 80]
4-1C3[256,256, 2][256, 80, 80][256, 80, 80]
5-1Conv[256,512, 3, 2][256, 80, 80][512, 40, 40]
6-1C3[512, 512, 3][512, 40, 40][512, 40, 40]
7-1Conv[512, 1024, 3, 2][512, 40, 40][1024, 20, 20]
8-1C3[1024, 1024, 1][1024, 20, 20][1024, 20, 20]
9-1SPPF[1024, 1024, 5][1024, 20, 20][1024, 20, 20]
10-1Conv[1024,512, 1, 1][1024, 20, 20][512, 20, 20]
11-1Upsample[None, 2, ‘nearest’][512, 20, 20][512, 40, 40]
12[-1, 6]Concat[512+512][1, 512, 40, 40],[1, 512, 40, 40][1024, 40, 40]
13-1C3[1024,512, 1, False][1024, 40, 40][512, 40, 40]
14-1Conv[512,256, 1, 1][512, 40, 40][256, 40, 40]
15-1Upsample[None, 2, ‘nearest’][256, 40, 40][256, 80, 80]
16[-1, 4]Concat[256+256][1, 256, 80, 80],[1, 256, 80, 80][512, 80, 80]
17-1C3[512, 256, 1, False][512, 80, 80][256, 80, 80]
18-1Conv[256, 256, 3, 2][256, 80, 80][256, 40, 40]
19[-1, 14]Concat[256+256][1, 256, 40, 40],[1, 256, 40, 40][512, 40, 40]
20-1C3[512, 512, 1, False][512, 40, 40][512, 40, 40]
21-1Conv[512, 512, 3, 2][512, 40, 40][512, 20, 20]
22[-1, 10]Concat[512+512][1, 512, 20, 20],[1, 512, 20, 20][1024 20, 20]
23-1C3[1024,1024, 1, False][1024, 20, 20][1024, 20, 20]
24[17, 20, 23]Detect[80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]][1, 256, 80, 80],[1, 512, 40, 40],[1, 1024, 20, 20][1, 3, 80, 80, 85],[1, 3, 40, 40, 85],[1, 3, 20, 20, 85]

4、总结

其实看懂代码，结合画的网络结构图，就很容易理解YOLO的模型。后续，将会介绍如何利用YOLOv5进行训练。

参考文章

  1. YOLOv5 模型结构及代码详细讲解
  2. YOLOv5-网络结构
  3. YOLOv5 Focus C3 各模块详解及代码实现

5、目标检测系列文章

  1. 生活垃圾数据集（YOLO版）
  2. YOLOv5如何训练自己的数据集
  3. 双向控制舵机（树莓派版）
  4. 树莓派部署YOLOv5目标检测（详细篇）
  5. YOLO_Tracking 实践 （环境搭建 & 案例测试）
  6. 目标检测：数据集划分 & XML数据集转YOLO标签
  7. YOLOv5改进–轻量化YOLOv5s模型
  8. DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）
  9. YOLOv5目标检测优化点（添加小目标头检测）
  10. YOLOv5参数大全(parse_opt篇)
  11. YOLOv5改进策略：Focaler-IoU损失函数改进
YOLOv5基础 | 万字长文带你深度解析yolov5s.yaml配置文件
突然好想你
10-29 5287
万字长文帮你深度解析YOLOv5算法之yolov5s.yaml配置文件，小白必学！
YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml
路人贾的博客
03-22 1万+
全网最详细的YOLOv5源码解读之配置文件yaml。逐行注释，逐句讲解，一文带你了解yaml。小白必看！
YoLov5s 网络结构图
08-06
Yolov5s具有以下特点： 1、Yolov5s是一种基于Deep CNN的目标检测算法，网络结构采用轻量化实现，旨在提高检测速度和准确率。 2、其网络结构可以分为主干网络和检测头两部分，主干网络利用CSP Darknet53，检测头部分则包括多个卷积层和检测层，其中检测层主要实现目标检测的过程。 3、相较于其他目标检测算法，Yolov5s在推理阶段不需要借助Anchor，从而降低了复杂度，提高了速度。 这里是Yolov5s的网络结构，根据onnx进行生成的png图片。可以直接缩小和放大，观看方便，无水印！！！！！
YOLOv5网络结构图.txt
05-04
yolov5网络结构图yolov5网络结构图yolov5网络结构图yolov5网络结构图yolov5网络结构图yolov5网络结构图
yolov5s网络结构
最新发布
weixin_43490087的博客
09-14 330
yolov5s网络结构。
YOLOv5网络结构图-visio源文件
02-09
YOLOv5网络结构图-visio源文件，可直接编辑修改
YOLOv5s剪枝+量化+安卓部署学习记录───模型剪枝
zswzswzsw233的博客
06-09 3306
使用yolov5s体验一下模型剪枝、量化和安卓部署过程
YOLOv5 模型学习笔记，超详细模型结构
weixin_42864272的博客
08-20 2253
yolov5亲妈级别网络结构图
yolov5s 模型.rar
07-04
yolov5s 模型
yolox网络结构
sinat_39307513的博客
08-03 1903
YOLOX( (backbone): YOLOPAFPN( (backbone): CSPDarknet( (stem): Focus( (conv): BaseConv( (conv): Conv2d(12, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) (bn): BatchNorm2d(32, eps=0.001, momentum=0...
YOLOv5s网络结构详解
热门推荐
水木年崋
08-15 4万+
YOLOv5网络分析，并自行搭建
YOLOV5-网络结构和组件介绍
daweq的博客
11-20 5184
总的来说在基本网络结构中，会对CSP网络的参数进行确定，而我们将用公式吧参数和给出的深度，宽度参数进行计算，从而算出残差次数的使用次数，也就控制了深度。采用上，下采样灵活的构造特征金字塔。在Yolov5中也是通过这样的方式 ，当时Yolov5采用了一个更好的方式，可以使得加灰边的大小尽可能的小，可以增加运行的速度。这四种结构其实本质上没有区别，它们的主要差别是在于，用两个不同的参数，控制了网络的深度和宽度。在Yolov3、Yolov4中，训练不同的数据集时，计算初始锚框的值是通过单独的程序运行的。
yolov5s 预训练模型_YOLOv5从入门到部署之：训练私有数据并修改模型
weixin_39908070的博客
12-28 6329
1 环境部署YOLOv5是基于pytorch实现的, 需要的运行环境已经在requirements.txt文件里面列出。# base ----------------------------------------Cythonmatplotlib>=3.2.2numpy>=1.18.5opencv-python>=4.1.2pillowPyYAML>=5.3scipy&gt...
yolov5s 预训练模型_YOLO v5 实现目标检测（参考数据集&自制数据集）
weixin_39683978的博客
12-18 1709
YOLO v5 实现目标检测(参考数据集&自制数据集)Author：Labyrinthine Leo  Init_time：2020.10.26GitHub：https://github.com/ultralytics/yolov5Index Words：Object Detection、YOLO v5、YOLO Series1、引言1.1、写作动机由于博主当前的研究问题涉及到图...
YOLOv5s.yaml文件解读
zzpl139的博客
12-22 3987
YOLOv5s.yaml文件解读并改动
YOLOv5改进（一）--轻量化YOLOv5s模型
qq_44231797的博客
04-07 5878
轻量化YOLOv5s模型
Yolov5s/Yolov8s网络结构图
Goodness2020的博客
02-01 6799
yolov8、yolov5网络结构图
YOLOv5 网络架构与组件（yolov5s.yaml）
浅汐入梦的博客
04-06 9331
笔记
从YOLOv5源码yolo.py详细介绍Yolov5的网络结构
HollowKnightz的博客
01-06 9585
深度学习笔记:YOLOv5源码阅读
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值