YOLOv5网络详解之主干结构

最新推荐文章于 2025-01-20 09:58:05 发布
最新推荐文章于 2025-01-20 09:58:05 发布
阅读量452 收藏
点赞数
分类专栏： YOLOv5改进：从入门到实战改进 文章标签： YOLO python 深度学习 人工智能
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_47060902/article/details/134044709
版权
本文详细介绍了YOLOv5网络的主干结构，包括CBS（卷积+BN+Silu）、C3（包含Bottleneck和特征拼接）以及SPPF（SPP结构的改进版）。每个结构都配合代码和结构图进行了解析，阐述其在特征提取中的作用和优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

一、CBS结构

代码

结构图

CBS结构详解

二、C3结构

代码

结构图

C3详解

三、SPPF结构

代码

结构图

sppf详解

YOLOv5结构


yolov5网络的主干是cspdarknet53，主干结构的作用就是用来提取特征的

YOLOv5的主干结构有CBS、C3和SPPF三种结构

一、CBS结构

代码

def autopad(k, p=None):  # kernel, padding
    # Pad to 'same'
    if p is None:
        p = k // 2 if isinstance(k, int) else [x // 2 for x in k]  # auto-pad
    return p


class Conv(nn.Module):
    # Standard convolution
    def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True):  # ch_in, ch_out, kernel, stride, padding, groups
        super().__init__()
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 20万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
万字详解YOLOv8网络结构Backbone/neck/head以及Conv、Bottleneck、C2f、SPPF、Detect等模块
热门推荐
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-26 8万+
YOLOv8是由Ultralytics开发的最先进的目标检测模型，推升了速度、准确性和用户友好性的界限。YOLO这一缩写代表“你只看一次”（You Only Look Once），通过在一次网络传递中同时预测所有边界框，提升了算法的效率和实时处理能力。相比之下，其他一些目标检测技术需要经过多个阶段或过程来完成检测。YOLOv8在流行的YOLOv5架构上进行了扩展，在多个方面提供了改进。
YOLOv5主干网络详解
11-22 999
CSP 即 Backbone 中的 C3，因为在 Backbone 中 C3 存在 shortcut，而在 Neck 中 C3 不使用 shortcut，所以 backbone 中的 C3 层使用 CSP1_x 表示，Neck 中的 C3 使用 CSP2_x 表示。在训练过程中，对其微调，使得更适合于我们的任务。与ResNet的不同在于：CSP将输入维度减半运算后并，未再使用1x1卷积核进行升维，而是将原始输入x也降了维，采取concat的方法进行张量的拼接，得到与原始输入相同维度的输出。
详解yolov5的网络结构
m0_71124168的博客
07-05 1万+
YOLOv5是一种基于轻量级卷积神经网络（CNN）的目标检测算法，整体可以分为三个部分，如上图所示，我们需要先理解三个模块：Conv，C3，SPPF，以便理解网络结构图。关于这三个模块的解释放在文章末尾。其他我觉得有用的前置知识也会放在文章末尾。YOLOv5是一种基于轻量级卷积神经网络（CNN）的目标检测算法，整体可以分为三个部分，，以便理解网络结构图。关于这三个模块的解释放在文章末尾。其他我觉得有用的前置知识也会放在文章末尾。
YOLOv5网络结构解析
dont worry about it的博客
05-06 5万+
YOLO（You Only Look Once）系列作为目标检测领域的重要算法，以其速度快、性能好而著称。YOLOv5是该系列的最新版本，它在保持YOLO一贯的简洁高效特点的同时，进一步优化了算法性能。本文将深入探讨YOLOv5的实现细节，包括其基础组件和关键实现步骤。
YOLO源码解读：Yolov5中的C3
wusuoweiieq的博客
12-09 775
C3模块中的Conv块采用的都是3x3的卷积核。这个卷积操作可以使用任意的卷积核，但根据设计，采用1*1的卷积核可以起到降维或升维的作用，对于提取特征有重要意义。nn.Sequential（）函数：一个有序的容器，该类将按照传入构造器的顺序，依次创建相应的函数，并记录在Sequential类对象的数据结构中，同时以神经网络模块为元素的有序字典也可以作为传入参数。在YOLOv5 6.0版本中，C3模块是YOLOv5网络中的一个重要组成部分，其主要作用是增加网络的深度和感受野，提高特征提取的能力。
第P8周：YOLOv5-C3模块实现
weixin_58635031的博客
07-11 3420
优化深度学习模型，是在模型内部的卷积层、池化层加加减减，做一些微小的改动（但是有经验的算法工程师或许更知道一个模型如果表现不好应该对哪个细节进行修改？从而对症下药），之前在网站上看到识别人的步态的从零开始编写深度学习代码，感觉那个很有意思，针对具体的生活中的问题，从零开始写代码。虽然但是，先把经典深度学习框架学个大概吧。YOLOv5是一个用于物体检测的网络，具有快速、实时检测的能力，输出包括边界框和类别标签。VGG-16是一个用于图像分类的网络，具有较深的结构和良好的分类性能，输出是图像的类别标签。
365天深度学习训练营-第P8周：YOLOv5-C3模块实现
m0_54827939的博客
09-15 1859
总结起来，YOLOv5-C3模块通过多尺度特征融合技术和跨通道信息传递机制来提高特征图的表达能力，进而提升YOLOv5模型的性能和准确性。YOLOv5-C3模块是YOLOv5网络中的一个重要组成部分，其主要作用是增加网络的深度和感受野，提高特征提取的能力。在每个Conv模块之间，还加入了BN层和LeakyReLU激活函数，以提高模型的稳定性和泛化性能。构建C3组成的模块，并将其整合。编写训练函数和测试函数。处理数据并划分数据集。
YOLOV5代码精读之网络结构（yolo.py）
浩瀚之水的专栏
09-29 1221
总体而言，这段代码实现了 YOLOv5 检测头部的主体功能。它定义了如何从输入的特征图中提取目标检测的输出，包括每个锚点的边界框位置、宽高和置信度。通过定义卷积层和计算相应的网格，该模块能够高效地处理目标检测任务，并为实际推理做好准备。类继承自BaseModel，表示这是一个检测模型。__init__方法接收模型配置文件 (cfg)、输入通道数 (ch)、类别数 (nc) 和锚框 (anchors) 作为参数。通过self.yaml获取输入通道数，如果未指定则使用默认值ch。
【计算机视觉】YOLOv6至YOLOv11网络结构详解：目标检测模型架构与组件分析
最新发布
04-24
内容概要：本文档详细展示了YOLOv6、YOLOv7、YOLOv8和YOLOv11四种目标检测模型的网络结构图。每个版本的网络结构都包含了输入层、主干网络（Backbone）、颈部网络（Neck）以及检测头（Head）。文档通过图形化的方式...
深入浅出之CBR模块、CBL模块、CBM和CBS模块（YOLO）
浩瀚之水的专栏
09-18 9485
CBM和CBL作为YOLOv4网络结构中的基本组件，各自具有独特的激活函数，分别用于增强网络的非线性能力和防止神经元死亡。它们在YOLOv4的网络中相互配合，共同构成了强大的特征提取和学习能力。在实际应用中，这些组件的选择和优化对于提升YOLOv4的性能至关重要。
YOLOv5S网络框架设计-CSC&C3&SPPF模块
weixin_57379543的博客
08-03 6579
CBS: C代表Conv，B代表，S代表SiLu激活函数CBS模块封装了卷积、批归一化和激活函数的组合操作self.conv: 用nn.Conv2d创建了一个二维卷积层self.bn：使用创建了一个二维批归一化层self.act：根据act参数确定是否应用激活函数，默认为nn.SiLU()，如果act既不是True也不是nn.Module类型，则应用恒等函数。运算顺序由前向传播方法中，先对输入x进行卷积操作，然后应用批归一化和激活函数，并返回结果。在融合正向传播方法。
yolov5，yolov8梳理
一名学术垃圾的博客
11-10 3516
yolov5，yolov8梳理
【目标检测】yolov5模型详解
酒酿小圆子呀～
05-30 3万+
yolov5于2020年由glenn-jocher首次提出，直至今日yolov5仍然在不断进行升级迭代。Yolov5有YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版本。文件中，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。
YOLOv5 源码解析 —— 卷积神经单元
荷碧TongZJ 的水文
04-27 1万+
YOLOv5源码中，模型是依靠yaml文件建立的。而yaml文件中涉及到的卷积神经网络单元都是在models文件夹中的common.py声明的，所以自行设计网络结构之前有必要详解这个文件。
YOLOv5_Backbone模块详解
qq_64270203的博客
01-20 1093
size=len(dataloader.dataset)#训练集的大小num_batches=len(dataloader)#每轮训练的数据集大小train_loss,train_acc=0,0 #初始化训练损失，训练准确率for X,y in dataloader:#获取图片与标签loss=loss_fn(pred,y)#计算损失optimizer.zero_grad()#grad归零loss.backward()#反向传播optimizer.step()#梯度归零。
Yolov5（6.1）学习历险记
weixin_62835844的博客
11-06 3532
Yolov5 6.1版本backbone分析
yolov5原理
xd_wjc的博客
10-29 1618
yolov5原理
第P9周：YOLOv5-Backbone模块实现
zzpl139的博客
11-24 1910
第P9周：YOLOv5-Backbone模块实现
yolov7 cbs 结构
01-31
### YOLOv7 中的 CBS 结构详解 在 YOLOv7 的设计中，CBS 是一种复合的基础模块，它由卷积层 (Convolutional Layer)、批归一化层 (Batch Normalization, BN) 和激活函数 SiLU 组成[^2]。 #### 卷积层 Convolutional Layer 卷积操作用于提取图像特征。通过不同大小和数量的滤波器，在输入数据上滑动并计算局部区域内的加权和，从而捕捉空间上的模式信息。这有助于减少参数量的同时保持较高的表达能力。 #### 批归一化 Batch Normalization BN 层位于每一轮卷积之后，其作用是对各批次的数据做标准化处理，使得每一层神经元的输入具有相对稳定的分布特性。这样可以加速收敛过程，并减轻梯度消失/爆炸的问题。具体来说，对于给定的小批量样本 \( \{x_1,...,x_m\} \)，经过线性变换后的均值为零而方差为一时，模型更容易学习到有效的权重矩阵 W 和偏置 b。 #### 激活函数 SiLU SiLU（Sigmoid Linear Unit），也称为 Swish 函数，定义如下： \[ f(x)=x⋅σ(x), σ(x)=\frac {1}{1+e^{-x}} \] 这种非线性的映射方式能够使网络具备更好的泛化能力和更快的学习效率。相较于 ReLU 类型的传统激活单元，Swish 不仅保留了正向传播时较大的导数值范围，而且允许负数部分也有一定比例的信息传递过去，因此更适合于深层架构下的优化求解任务。 ```python import torch.nn as nn class CBS(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=None, groups=1): super(CBS, self).__init__() if not padding and isinstance(kernel_size, int): padding = kernel_size // 2 self.conv = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding, groups=groups, bias=False) self.bn = nn.BatchNorm2d(out_channels) self.act = nn.SiLU(inplace=True) def forward(self, x): return self.act(self.bn(self.conv(x))) ``` 上述代码展示了如何构建一个简单的 CBS 模块实例。该类继承自 PyTorch 的 `nn.Module` 并实现了三个主要组成部分——卷积层 (`conv`)、批规范化(`bn`) 和 SiLU 激活函数(`act`) 。当调用此对象时会依次执行这三个操作来完成前馈运算。
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

这糖有点苦

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