yolov7.yaml文件详解

已于 2022-09-22 10:26:55 修改
阅读量1w 收藏 123
点赞数 23
文章标签： 深度学习 机器学习 人工智能 计算机视觉 python
于 2022-09-05 20:03:08 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/weixin_43397302/article/details/126708227
版权

 1、parameters

（1）nc代表目标检测所检测的种类

（2）depth_multiple：控制通道的深度的系数，表示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：控制网络宽度的系数；

在此解释一下网络深度与网络宽度

网络深度

实际在构建网络模型的时候，并不是直接使用上述第二个参数，而是用网络深度去乘以第二个参数，最终获得的数量才是真正的层数量。举个例子，此时网络深度是0.33，某个层的第二个参数是3，那么实际在构建网络模型的时候只创建了0.33*3=1个，并不是三个。

网络宽度同网络深度都需要乘系数

 2、anchors

anchor我们经常称为锚 

anchors有三行分为对应大中小特征图，分为对应大特征图、中特征图、小特征图

其中数字每种类型可看成三对，每个预测头所对应的anchors长宽大小

3、backbone（骨干网络*）

# yolov7 backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Conv, [32, 3, 1]],  # 0
  
   [-1, 1, Conv, [64, 3, 2]],  # 1-P1/2      
   [-1, 1, Conv, [64, 3, 1]],
   
   [-1, 1, Conv, [128, 3, 2]],  # 3-P2/4  
   [-1, 1, Conv, [64, 1, 1]],
   [-2, 1, Conv, [64, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]],  # 11
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 16-P3/8  
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]],  # 24
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 29-P4/16  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 37
         
   [-1, 1, MP, []],
   [-1, 1, Conv, [512, 1, 1]],
   [-3, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [512, 3, 2]],
   [[-1, -3], 1, Concat, [1]],  # 42-P5/32  
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -3, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [1024, 1, 1]],  # 50
  ]

from 表示该层的输入从哪来。-1表示输入取自上一层，-2表示上两层，3表示第3层（从0开始数），[-1, 4]表示取自上一层和第4层，依次类推。。。。。
number 表示该层模块堆叠的次数，对于C3、BottleneckCSP等模块，表示其子模块的堆叠，具体细节可以查看源代码。当然最终的次数还要乘上depth_multiple系数。
module 表示该层的模块是什么类型。Conv就是卷积+BN+激活模块。所有的模块在 model/common.py 中都有定义。
args 表示输入到模块的参数。例如Conv：[128, 3, 2] 表示输出通道128，卷积核尺寸3，strid=2，当然最终的输出通道数还要乘上 width_multiple，对于其他模块，第一个参数值一般都是指输出通道数，具体细节可以看 model/common.py 中的定义。


4、head

# yolov7 head
head:
  [[-1, 1, SPPCSPC, [512]], # 51
  
   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [37, 1, Conv, [256, 1, 1]], # route backbone P4
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 63
   
   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [24, 1, Conv, [128, 1, 1]], # route backbone P3
   [[-1, -2], 1, Concat, [1]],
   
   [-1, 1, Conv, [128, 1, 1]],
   [-2, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [-1, 1, Conv, [64, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [128, 1, 1]], # 75
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [128, 1, 1]],
   [-3, 1, Conv, [128, 1, 1]],
   [-1, 1, Conv, [128, 3, 2]],
   [[-1, -3, 63], 1, Concat, [1]],
   
   [-1, 1, Conv, [256, 1, 1]],
   [-2, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [-1, 1, Conv, [128, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [256, 1, 1]], # 88
      
   [-1, 1, MP, []],
   [-1, 1, Conv, [256, 1, 1]],
   [-3, 1, Conv, [256, 1, 1]],
   [-1, 1, Conv, [256, 3, 2]],
   [[-1, -3, 51], 1, Concat, [1]],
   
   [-1, 1, Conv, [512, 1, 1]],
   [-2, 1, Conv, [512, 1, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [-1, 1, Conv, [256, 3, 1]],
   [[-1, -2, -3, -4, -5, -6], 1, Concat, [1]],
   [-1, 1, Conv, [512, 1, 1]], # 101
   
   [75, 1, RepConv, [256, 3, 1]],
   [88, 1, RepConv, [512, 3, 1]],
   [101, 1, RepConv, [1024, 3, 1]],

   [[102,103,104], 1, IDetect, [nc, anchors]],   # Detect(P3, P4, P5)
  ]

其他规则和backbone规则一样，在这里解释一下

[102,103,104], 1, IDetect, [nc, anchors]

[[17, 20, 23], 1, Detect, [nc, anchors]] 表示把第102、103和104三层作为Detect模块的输入，

[nc, anchors]是初始化Detect模块的参数。Detect模块在model/yolo.py中声明，相当于从模型中提出想要的层作为输入，转换为相应的检测头，其输出用来计算loss

把爱留给SCI
关注
  • 23
    点赞
  • 踩
  • 123
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
YOLOv7 yaml 文件简化 | 104层简化为30层
YOLOv8项目贡献者
07-14 2305
YOLOv7 yaml 文件简化 | 104层简化为30层
YOLOv7改进策略|YOLOv7血细胞检测、YOLOV7 和 CNN-SWIN 变压器改进,分别别实现了 92.7、95.6 和 91.1 准确率
最新发布
sybh的博客
06-13 802
自动血细胞检测是指在显微图像中识别不同类型的血细胞，包括 红细胞(RBC)、白细胞(WBC)、血小板等。这是病理实验室 用于诊断和治疗不同疾病的准确血细胞计数的关键过程。血细胞 检测的主要挑战是血细胞是小规模物体，传统物体检测器只能实 现次优性能。
YOLO系列 “.yaml“文件解读
深度学习炼丹师，偶尔分享炼丹技术!
03-01 2846
YOLO系列yaml详解！
yolov7简化网络yaml配置文件
athrunsunny的博客
12-14 962
了解v7的都知道，配置文件中网络层数多达100多层，不过并不复杂，相似的模块比较多，可以看到简化后配置文件的层数也就31层。贫穷打工牛马，项目之余改的，感觉改的还不是很优雅，欢迎小伙伴多提意见。之后修改yolo.py的cfg路径，如果运行成功能看到最上面的图。首先创建 yolov7-ELAN-E.yaml。本篇介绍如何简化yolov7的网络配置文件。在BaseModel的fuse函数中添加。在parse_model中添加模块名。在common.py中添加。
YOLOv7的yolov7.yaml详解
m0_70654337的博客
10-20 669
将YOLOv7模型流程图与yolov7.yaml文件进行一一对应，相互匹配。
YOLOv7快速上手训练自定义数据集
weixin_42429239的博客
02-17 1636
YOLOV4的作者团队联合几位大佬已经发布了YOLOv7，记录下如何自定义训练自己的数据集模型。快速上手，如果需要细节操作还是需要自己仔细研究的。本文的目的就是帮助大家快速上手，能跑出模型结果，调优问题需要大家自己研究了。
yolov5s.yaml中各参数作用意义及使用netron工具来可视化yolov5s的结构
沉醉于风中的博客
03-16 1万+
一、yolov5s.yaml中各行（参数）所表示的意义 # parameters nc: 20 # number of classes depth_multiple: 0.33 # model depth multiple 控制模型的深度（BottleneckCSP个数） width_multiple: 0.50 # layer channel multiple 控制Conv通道channel个数（卷积核数量） # depth_multiple表示BottleneckCSP模块的缩放因子，将所有Bot
YOLOv5 源码解析 —— 网络模型建立
荷碧TongZJ 的水文
04-30 9536
在 YOLOv5 源码中，模型的建立是依靠 yolo.py 中的函数和对象完成的：
YOLOv8（源码）.rar
03-22
除了核心的模型代码，YOLOv8的源码可能还包括配置文件，用于设置训练和评估的具体参数，如学习率、批大小、训练轮数等。此外，可能还包含数据集的加载逻辑，例如PASCAL VOC或COCO数据集，这些数据集包含了丰富的标注...
worker.v2i.yolov5pytorch.zip
03-20
《PyTorch实现YOLOv5的深度学习详解》 标题中的"worker.v2i.yolov5pytorch.zip"表明这是一个与YOLOv5在PyTorch框架下的实现相关的项目压缩包。YOLO（You Only Look Once）是一种实时目标检测系统，而YOLOv5是其最新...
基于yolov5的烟厂飞蛾识别
02-26
2. 模型训练：使用`python train.py --data data.yaml --cfg models/yolov5s.yaml --weights '' --epochs 100`命令开始训练，其中"data.yaml"是数据集配置文件，"yolov5s.yaml"是选用的模型配置文件。 **五、模型...
深度学习-yolov5源代码
01-02
**深度学习-yolov5源代码详解** Yolov5是YOLO（You Only Look Once）系列目标检测算法的最新版本，它在前几代的基础上进行了优化，提升了目标检测的速度和准确性。Yolo系列以其实时性、高效性和相对简单的网络结构...
Yolov5:在TensorFlow2中高效实现YOLOV5
05-11
yaml文件配置模型 定制数据培训 镶嵌数据扩充 通过锚的iou或wh比编码标签 阳性样本增加 多GPU训练 详细的代码注释 充满弊端，还有巨大的改进空间 用法 克隆和安装要求 $ git clone git@github....
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
热门推荐
m0_46406029的博客
03-25 2万+
YOLOV7训练自己的数据集以及训练结果分析(手把手教你)
YOLO系列 --- YOLOV7算法（四）：YOLO V7算法网络结构解析
weixin_42206075的博客
08-03 1万+
YOLO系列 --- YOLOV7算法（四）：YOLO V7算法网络结构解析
YOLOv7 tiny 新增小目标检测层
qq_44464101的博客
05-29 3120
YOLOv7 tiny 、小目标层、结构图
YOLOv7实验测试之一：遥感图像检测应用（YOLOv7.yaml）
m0_70388905的博客
07-20 2143
训练过程用了1.2个小时，得到的权值文件为285MB，mAP为89.3%，网络层数407,参数量3652891。与YOLOv5s对比来看，YOLOv5s（5.0版本）在nwpu-10数据集上mAP可以达到91.7%，实验设置几乎一致的前提下。前期一直没有时间跑YOLOv7源码，今天对YOLOv7在NWPU-10遥感图像数据集上进行实验测试，现将实验训练以及评估过程分享如下，希望对大家有帮助。为了客观分享，我对整个过程进行了截图，能够让大家看到我的实验参数以及实验设置。人工智能AI算法工程师。......
YOLOV7开源代码讲解--训练参数解释
z240626191s的博客
08-24 1万+
本文章是对yolov7开源代码中训练部分的参数进行解释，方便在训练中更直观的理解，可以更换的使用各个功能，完成最终的“炼丹”
优雅精简：简化 YOLOv7 的 YAML 配置文件
一直在水些技术小文
11-09 360
在本文中，我们将学习如何简化 YOLOv7 的 YAML 配置文件，以提高可读性和可维护性。然而，随着项目的复杂性增加，配置文件可能会变得冗长和复杂，降低了可读性和可维护性。在本文中，我们学习了如何简化 YOLOv7 的 YAML 配置文件，以提高可读性和可维护性。通过使用 YAML 锚点和别名，以及将配置文件分为多个部分，我们可以更轻松地管理复杂的项目配置。这些技巧不仅适用于 YOLOv7，还适用于其他深度学习项目，帮助您更好地管理和维护配置文件，提高项目的可维护性。在上面的示例中，我们使用。
yolov8.yaml
08-19
yolov8.yaml是一个配置文件，用于指定使用Yolov8模型进行目标检测时的一些参数。例如，该文件可以指定要检测的类别数目、模型文件的路径以及一些其他参数。在文件中，你可以修改nc参数将其设置为你的数据集的类别数目，以与你的实际需求相匹配。这样可以确保模型在检测时能够正确地识别你所感兴趣的目标类别。另外，yolov8.yaml文件也可以用于指定一些其他的训练参数和配置项，如图片大小、训练批次大小等。通过修改这些参数，你可以根据实际情况来优化模型的性能和训练结果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [Yolov8教程，安装，训练，推理速度太强悍了，详细教学](https://blog.csdn.net/m0_62479378/article/details/130472736)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [YOLOv8训练参数详解](https://blog.csdn.net/weixin_45277161/article/details/131047101)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

把爱留给SCI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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