Yolov7代码解析

已于 2023-10-26 14:54:27 修改
阅读量637 收藏 4
点赞数
文章标签： YOLO python 深度学习
于 2023-10-19 09:42:46 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_47020721/article/details/133919824
版权

代码解析

在这里插入图片描述

backbone

# -1代表前一层，channel:32 size:3 stride:1
[[-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  
 #ELAN 4-11层
 [-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]],
 # 接收来自 -1，-3，-5，-6层的输入，并沿通道数拼接
 [[-1, -3, -5, -6], 1, Concat, [1]],
 [-1, 1, Conv, [256, 1, 1]],  # 11

在这里插入图片描述

   #MP1 复杂版的最大池化层，通道数不变，尺寸减半
   [-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  
   #ELAN
   [-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
   
   #MP1模块
   [-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  
   #ELAN模块
   [-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
   
   #MP1
   [-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  
   
   #ELAN
   [-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

在这里插入图片描述

head

SPPCSPC

在这里插入图片描述

class SPPCSPC(nn.Module):
    # CSP https://github.com/WongKinYiu/CrossStagePartialNetworks
    def __init__(self, c1, c2, n=1, shortcut=False, g=1, e=0.5, k=(5, 9, 13)):
        super(SPPCSPC, self).__init__()
        c_ = int(2 * c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(c_, c_, 3, 1)
        self.cv4 = Conv(c_, c_, 1, 1)
        self.m = nn.ModuleList([nn.MaxPool2d(kernel_size=x, stride=1, padding=x // 2) for x in k])
        self.cv5 = Conv(4 * c_, c_, 1, 1)
        self.cv6 = Conv(c_, c_, 3, 1)
        self.cv7 = Conv(2 * c_, c2, 1, 1)

    def forward(self, x):
        x1 = self.cv4(self.cv3(self.cv1(x)))
        y1 = self.cv6(self.cv5(torch.cat([x1] + [m(x1) for m in self.m], 1)))
        y2 = self.cv2(x)
        return self.cv7(torch.cat((y1, y2), dim=1))

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
     
   #MP-2模块
   [-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)
  ]

56-63层 ELAN’ ELAN的变形

在这里插入图片描述

MP-2

在这里插入图片描述

CBS

Conv = Conv2d+BatchNorm2d+SiLu激活函数

BatchNorm2d
对输入的四维数组进行批量标准化处理，具体计算公式如下：
在这里插入图片描述
对于所有的batch中样本的同一个channel的数据元素进行标准化处理，即如果有C个通道，无论batch中有多少个样本，都会在通道维度上进行标准化处理，一共进行C次
在这里插入图片描述

SiLu
SiLU是Sigmoid和ReLU的改进版。SiLU具备无上界有下界、平滑、非单调的特性。SiLU在深层模型上的效果优于 ReLU。可以看做是平滑的ReLU激活函数
在这里插入图片描述

class SiLU(nn.Module):
    def forward(x):
        return x * torch.sigmoid(x)

E-ELAN

分组卷积

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

模型缩放方法

在这里插入图片描述

多了一条有两个卷积的支路，扩大了深度，输出的通道数比原来多1.25倍，扩大了宽度

深度监督

在这里插入图片描述

增加了 Aux Head，Aux head也参与损失函数的计算并反向传播参与协助前面的层更新参数

暗魂b
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
YOLOv7原理与代码实例讲解
禅与计算机程序设计艺术
06-15 447
定义Backbone部分# 添加卷积层、ELAN模块等# 定义Neck部分# 添加特征金字塔、特征融合等# 定义Head部分# 添加动态头部结构return xYOLOv7作为YOLO系列的最新版本，在目标检测领域取得了显著的进展。然而，随着应用场景的不断扩展和需求的不断增加，YOLOv7仍面临一些挑战和发展机遇。
Bytetrack-yolov7代码+权重
12-02
本压缩包包含的“Bytetrack_yolov7代码+权重”提供了完整的源码实现以及预训练的模型权重，方便开发者在自己的项目中直接应用或者进行二次开发。 首先，我们来详细了解一下YOLOv7。YOLO（You Only Look Once）是一...
YOLO系列 --- YOLOV7算法（二）：YOLO V7算法detect.py代码解析
热门推荐
weixin_42206075的博客
07-27 2万+
YOLO V7算法detect.py代码解析
YOLOV7详解
m0_59161923的博客
09-05 2164
在该模块中，最终堆叠模块的输入包含多个分支，左一为一个卷积标准化激活函数，左二为一个卷积标准化激活函数，右二为三个卷积标准化激活函数，右一为五个卷积标准化激活函数。四个特征层在堆叠后会再次进行一个卷积标准化激活函数来特征整合。代码有点抽象，主要是ids不好理解，如上图，将[-1,-3,-5,-6]转化为正序就是[5,3,1,0]，其中cv1、cv2对应上图中的0、1，cv3包含4个卷积_归一化_激活函数，对应上图中2、3、4、5。代码为return out。
yolov7开源代码讲解--训练代码
z240626191s的博客
08-30 9112
以前看CNN训练代码的时候，往往代码比较易懂，基本很快就能知道各个模块功能，但到了后面很多出来的网络中，由于加入了大量的trick，导致很多人看不懂代码，代码下载以后无从下手。训练参数和利用yaml定义网络详细过程可以看我另外的文章，都有写清楚。 其实不管什么网络，训练部分大体都分几个部分： 1.网络的定义 2.数据集的处理与加载 3.训练超参数的定义与初始化 4.损失函数的定义 5.训练 5.1.1前向传播 5.1.2反向传播 5.1.3梯度更新 5.1.4模型保存...
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”
YOLO V7源码解析
qq_52053775的博客
11-05 1万+
YOLO v7参数与YOLO v5差不多，我就直接将YOLO v5命令行参数搬过来了，偷个懒。
yolov7模型部署——代码实现（python版和c#版）
qing2019的博客
11-15 7113
yolov7模型部署——代码实现（python版和c#版）
解读YOLO v7的代码(三)损失函数
02-09 1万+
对Yolov7的代码进行分析，研究其正样本生成机制以及损失函数
YOLOv7 Backbone| 原文源码详解
日拱一卒，功不唐捐
12-06 9717
YOLOv7Backbone原文源码解读
解读YOLO v7的代码(二)训练数据的准备
12-30 2916
​ 在上一篇文章解读YOLO v7的代码(一)模型结构研究_gzroy的博客-CSDN博客，我对Yolo v7的模型结构进行了分析，那么这次我们将进一步研读代码的关键部分，学习是如何对模型进行训练的。 训练数据的准备是模型训练的关键，通常我们需要对图像数据做很多图像增广的处理，例如色彩的变换，形变，mixup, mosaic等等，通过对代码的训练数据处理部分的解读，可以更好的帮助我们理解当前主流的图像增广技术。
YOLOv7源代码+权重文件
07-14
方便各位下载，YOLOv7源代码+权重文件
yolov7训练 json标注格式代码
10-06
YOLOv7是一种基于深度学习的目标检测模型，其全称为"You Only Look Once"的第七个版本。相较于前几代，YOLOv7在速度和精度上都有所改进，旨在实现实时目标检测。在YOLO系列模型中，目标检测任务被转化为在图像中直接...
yolov7旋转目标检测完整代码
05-13
"yolov7旋转目标检测完整代码" 指的是这是一个完整的、专用于执行旋转目标检测的代码实现，基于YOLOv7框架。YOLO（You Only Look Once）是一种实时的物体检测算法，而YOLOv7是其最新版本，对旋转物体的检测进行了...
yolov8源代码下载
12-24
对于YOLOv8，可能需要对COCO数据集或其他特定数据集进行预处理，包括标注文件的解析、图像的加载和增强。这通常会在`data`目录下的Python脚本中完成。 YOLOv8还可能包含了一些新的技术，如Mosaic数据增强、CutMix...
Yolov5代码详解.zip
03-10
`Yolov5代码详解.md`文件应该包含了YOLOv5模型的Python代码解析，包括模型定义、训练脚本、数据加载和预处理、损失函数计算、模型优化器的选择以及模型评估等内容。代码结构清晰，注释详细，便于理解模型的工作原理...
YOLOv7——目标检测数据集划分篇
weixin_45819759的博客
06-14 4315
将所有数据集图片放入JPEGImages文件夹中，所有的图片对应的xml文件放入Annotations中，ImageSets文件夹中创建Main文件夹，暂时Main文件夹为空。datasets————Annotations # 存放图片对应的xml文件，与JPEGImages图片一一对应————Main # 存放train.txt和val.txt文件————JPEGImages # 存放所有图片split.pyMain。
YOLOv7中的数据集处理【代码分析】
z240626191s的博客
08-22 6936
本文章主要是针对yolov7中数据集处理部分代码进行解析(和yolov5是一样的)，也是可以更好的理解训练中送入的数据集到底是什么样子的。数据集的处理离不开两个类，(from torch.utils.data.dataloader import DataLoader)，不论什么样的算法，在处理数据集的时候都需要继承这两个类来重写自己的数据集(在我另外的文章中有讲这两个类的使用)。
YOLOv7代码解读[03] cfg/training/yolov7x.yaml解读
最新发布
我是天才很好
02-27 171
【代码】YOLOv7代码解读[03] cfg/training/yolov7x.yaml解读。
yolov8代码解析
08-29
对于YOLOv8的代码解析，我无法直接引用所提供的内容，因为它是一段代码。然而，YOLOv8是一种目标检测模型，被广泛应用于计算机视觉领域。YOLOv8通过将输入图像分割成不同的网格，并为每个网格预测边界框及其类别，实现对目标的检测。该模型具有多个改进模块，如Darknet-53作为主干网络、SPP（Spatial Pyramid Pooling）模块等。此外，YOLOv8还根据不同尺度的特征图输出不同大小的目标框。 如果你希望详细了解YOLOv8的代码解析，我建议你参考相关的文档和论文。这些资料能够提供更详细和准确的解释，帮助你更好地理解YOLOv8的实现原理和代码细节。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [YOLOv8源码逐行解读（yolov8.yaml）（更新中）](https://blog.csdn.net/qq_40835644/article/details/130085632)[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: 100%"] [ .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
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