YOLOv5系列(三十二) 本文(2.5万字) | 再次解读yaml文件 | 从yaml到模型结构的具体实施细节 | 魔改模型结构两头 | 四头 | 等 |

已于 2024-01-29 01:15:36 修改
阅读量800 收藏 18
点赞数 18
文章标签： YOLO 人工智能 深度学习 yaml yolov5模型结构 两头 四头
于 2023-12-29 11:46:17 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_44302770/article/details/135269917
版权
人工智能专栏计划 专栏收录该内容
141 篇文章 7 订阅

已下架不支持订阅

点击进入专栏：
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程

代码函数调用关系图(最详尽)

因文档特殊，不能在博客正确显示，请移步以下链接！

图解YOLOv5_v7.0代码结构与调用关系(点击进入可以放大缩小等操作)

在这里插入图片描述

文章目录

  • 看完这篇你能学会什么？
  • 1. YOLOv5 模型yaml文件解析
      • 1.1 参数部分
      • 1.2 主干部分
          • 1.3 头部部分
      • 2. yaml文件数据读取机制解析
    • 2.1 parse_model 函数代码详解
    • 2.2 自己添加模块后args到底怎么写？
  • 3.如何通过yaml文件看模型结构？
      • 4.如何把多个改进写进一个yaml文件里？
  • 7.如何添加检测头？
    • 7.1 四头（P2, P3, P4, P5）
    • 7.2 四头（P3, P4, P5, P6）
    • 7.3 四头BiFPN（P3, P4, P5, P6）
    • 7.3 五头（P3, P4, P5, P6, P7）
  • 8.如何减少检测头？
    • 8.1 两头（P3, P4）
  • 9.如何使用更深层的网络？

在这里插入图片描述

看完这篇你能学会什么？

  1. 掌握根据yaml文件画出模型结构图的能力
  2. 掌握根据模型结构图写yaml文件的能力
了解本专栏 已下架不支持订阅
小酒馆燃着灯
关注
  • 18
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录

已下架不支持订阅

工具系列(三) 本文(1.5万字) | 解析glob.glob | os.walk |
weixin_44302770的博客
12-29 881
glob是python的标准库模块，只要安装python就可以使用该模块。glob模块主要用来查找目录和文件，可以使用*、？、[]这三种通配符对路径中的文件进行匹配。：代表0个或多个字符?：代表一个字符[]：匹配指定范围内的字符，如[0-9]匹配数字Unix样式路径名模式扩展glob模块英文文档patterns."""
【KnowledgeBase】最详细的YOLO-V5模型配置文件yaml结构理解
weixin_47691066的博客
11-25 7185
YOLO-V5模型配置文件yaml结构详解
YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py
路人贾的博客
03-07 3万+
全网最详细的YOLOv5之推理部分detect.py源码逐行注释，近四万字的超详细讲解！小白入门必看！
YOLOv5系列(二) 本文(1.1万字) | 解析配置文件yolov5s.yaml |
weixin_44302770的博客
12-26 975
在YOLOv5中网络结构采用yaml作为配置文件，之前我们也介绍过，YOLOv5配置了4种不同大小的网络模型，分别是，这几个模型的结构基本一样，不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数。就和我们买衣服的尺码大小排序一样，YOLOv5s网络是YOLOv5系列中深度最小，特征图的宽度最小的网络。其他的三种都是在此基础上不断加深，不断加宽。所以，这篇文章我们就以为例来介绍。yaml这个文件在models文件夹下。
机器学习(六) 本文(3.5万字) | 特征工程(Feature Engineering) | Python复现 |
weixin_44302770的博客
12-31 980
特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程；如何基于给定数据来发挥更大的数据价值就是特征工程要做的事情会直接影响机器学习的效果。
手把手带你 YOLOv5/v7 添加注意力机制（并附上30多种顶会Attention原理图）2024/2/5更新
热门推荐
YOLOv8项目贡献者
04-27 17万+
YOLOv5/v7 添加注意力机制教程 2023/6/15更新🍀🍀🍀
改进YOLOv5、YOLOv8系列：14.添加S2-MLPv2注意力机制
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-24 7938
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
小知识点系列(一) 本文(2.2万字) | 图像变换 | 平移缩放旋转翻错切 | 仿射变换与透视变换 | 代码复现 |
weixin_44302770的博客
12-25 926
旋转同平移一样，也是用仿射变换实现的，因此也需要定义一个变换矩阵。OpenCV直接提供了 cv.getRotationMatrix2D()函数来生成这个矩阵，该函数有三个参数：参数1：图片的旋转中心参数2：旋转角度(正：逆时针，负：顺时针)参数3：缩放比例，0.5表示缩小一半图解图像各种变换《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程图像几何变换仿射变换与透视变换。
改进YOLOv5、YOLOv8系列：20.添加GAMAttention注意力机制
包括YOLOv5、YOLOv7、YOLOv8等模型改进
08-24 1万+
目标检测科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
YOLOv5玩手机检测模型+一万张手机检测数据集yolov5-6.0-phone-1022.zip
10-22
1、YOLOv5玩手机检测，在真实场景的高质量图片数据训练结过，包含了yolov5s-phone.pt和yololv5n-phone.pt两个模型；map为90%多； 2、YOLO玩手机检测数据集二，10000多张使用lableimg标注软件，标注好的真实场景的高...
从零训练yolov5在COCO数据集上的模型和结果
04-25
2. **配置模型**：根据需求选择或调整YOLOv5模型的架构。YOLOv5提供不同大小的模型版本（如YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x），适用于不同的性能与精度平衡。 3. **设置训练参数**：在`yaml`配置文件中，设置...
yolov5数据集生成（celeba、wideface、xml解析）
10-19
2. **预处理图像**：根据Yolov5的要求，可能需要裁剪、缩放图像，保持长宽比，并将所有图像调整到相同的尺寸，例如416x416像素。 3. **生成TXT标注文件**：将XML解析得到的信息转化为Yolov5的标注格式，每个行代表...
yolov5算法火焰和烟雾识别训练权重+1万多火焰和烟雾识别数据集
06-28
包含15000多火焰和烟雾识别数据集（有网盘链接），数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测...
yolov5算法火焰和烟雾识别训练权重+1万多火焰和烟雾识别数据集+pyqt界面
06-28
包含15000多火焰和烟雾识别数据集（有网盘链接），数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签， 数据集和检测...
实战 | YOLOv8使用TensorRT加速推理教程（步骤 + 代码）
最新发布
Color Space的博客
07-09 58
这一步主要是安装根据自己的硬件安装GPU驱动，下载CUDNN等，以往的文章已经介绍过多次，可以点击下面的图片跳转到对应文章查看(点击图片跳转)。DeepSparse：专为稀疏模型设计的CPU推理运行时，可以有效加速基于WSL2的Windows环境下的推理。OpenVINO：Intel的推理工具套件，用于CPU上的模型优化和加速，支持量化和多种硬件加速。可以使用官网下载的模型也可以使用自己训练好的模型。保持框架最新：确保使用的深度学习框架版本是最新的，以获得最新的优化和bug修复。
绝缘子陶瓷绝缘子玻色绝缘子聚合物绝缘子检测数据集VOC+YOLO格式2050张3类别
FL1623863129的博客
07-06 129
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["glass insulator","polymer insulator","porcelain insulator"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2050。标注数量(xml文件个数)：2050。标注数量(txt文件个数)：2050。
YOLO 应用
weixin_46807151的博客
07-04 180
YOLO（You Only Look Once）算法是一种高效的对象检测模型，自其发布以来，在多个领域中都得到了广泛的应用。总的来说，YOLO算法凭借其高效性和准确性，在多个领域中都有着广泛的应用前景。随着技术的不断发展，YOLO算法的性能和适用范围还将继续提升和扩展。
YOLOv8模型调参---数据增强
weixin_45303602的博客
07-04 770
离线增强是指在模型训练前在计算机上一次性完成所有数据增强操作，将原始数据集转化为包含多种增强版本的扩充数据集，并将增强后的样本保存到磁盘或内存中，然后使用这个固定的扩充数据集进行训练。
解释一下yolov5s.yaml文件的网络结构
05-20
yolov5s.yaml文件是用于训练和测试YOLOv5模型的配置文件，其中包含了模型的网络结构、训练参数、数据集路径等信息。下面是文件中的网络结构部分的详细解释： ``` # Network architecture nc: 80 # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # 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 backbone: # [from, number, module, args] [[-1, 1, Focus, [64, 3]], # 0-P1/2 [-1, 1, Conv, [128, 3, 2]], # 1-P2/4 [-1, 3, Bottleneck, [128]], [-1, 1, Conv, [256, 3, 2]], # 3-P3/8 [-1, 9, Bottleneck, [256]], [-1, 1, Conv, [512, 3, 2]], # 5-P4/16 [-1, 9, Bottleneck, [512]], [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 3, BottleneckCSP, [1024]], [-1, 1, Conv, [512, 1, 1]]] # 10 neck: [[-1, 2, BottleneckCSP, [512]], [-1, 1, Conv, [256, 1, 1]]] # 13 head: [[-1, 1, Conv, [256, 3, 2]], # 14 [-1, 1, BottleneckCSP, [256, False]], [-1, 1, Conv, [512, 3, 2]], # 16 [-1, 1, BottleneckCSP, [512, False]], [-1, 1, Conv, [1024, 3, 2]], # 18 [-1, 1, SPP, [1024, [5, 9, 13]]], [-1, 1, BottleneckCSP, [1024, False]], # 20 [-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 2, BottleneckCSP, [512, False]], # 24 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 2, BottleneckCSP, [256, False]], # 28 [-1, 1, Conv, [256, 3, 2]], # 29-P2/8 [[-1, 14], 1, Concat, [1]], # cat head to neck [-1, 2, BottleneckCSP, [256, False]], # 31 [-1, 1, Detect, [nc, anchors]]] # 32 ``` 上面的网络结构可以分为三个部分：backbone、neck和head。 - backbone：使用CSPDarknet53网络作为基础网络来提取特征，包括10个卷积层，其中7个层采用BottleneckCSP模块来减少参数量，3个层采用普通的卷积层，最终输出三个不同尺度的特征图。 - neck：使用BottleneckCSP模块来进一步提取特征，包括2个卷积层，用于将backbone的P4和P5特征图进行融合。 - head：包含一系列卷积层、BottleneckCSP模块和SPP层，用于对特征进行进一步处理和分类。最后使用Detect层输出检测结果，其中nc表示类别数，anchors表示锚框的大小和位置。

“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
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

小酒馆燃着灯

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