第Y3周：yolov5s.yaml文件解读

最新推荐文章于 2025-05-03 20:03:00 发布
最新推荐文章于 2025-05-03 20:03:00 发布
阅读量281 收藏
点赞数 1
文章标签： YOLO
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_47918905/article/details/147672320
版权
  • 本次任务：将yolov5s网络模型中的第4层的C3x2修改为C3x1，第6层的C3x3修改为C3x2。

首先输出原来的网络结构：

 				 from  n    params  module                                    arguments                     
  0                -1  1      3520  models.common.Conv                      [3, 32, 6, 2, 2]              
  1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]                
  2                -1  1     18816  models.common.C3                        [64, 64, 1]                   
  3                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]               
  4                -1  2    115712  models.common.C3                        [128, 128, 2]                 
  5                -1  1    295424  models.common.Conv                      [128, 256, 3, 2]              
  6                -1  3    625152  models.common.C3                        [256, 256, 3]                 
  7                -1  1   1180672  models.common.Conv                      [256, 512, 3, 2]              
  8                -1  1   1182720  models.common.C3                        [512, 512, 1]                 
  9                -1  1    656896  models.common.SPPF                      [512, 512, 5]                 
 10                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]              
 11                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']          
 12           [-1, 6]  1         0  models.common.Concat                    [1]                           
 13                -1  1    361984  models.common.C3                        [512, 256, 1, False]          
 14                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]              
 15                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']          
 16           [-1, 4]  1         0  models.common.Concat                    [1]                           
 17                -1  1     90880  models.common.C3                        [256, 128, 1, False]          
 18                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]              
 19          [-1, 14]  1         0  models.common.Concat                    [1]                           
 20                -1  1    296448  models.common.C3                        [256, 256, 1, False]          
 21                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]              
 22          [-1, 10]  1         0  models.common.Concat                    [1]                           
 23                -1  1   1182720  models.common.C3                        [512, 512, 1, False]          
 24      [17, 20, 23]  1    229245  models.yolo.Detect                      [80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]]
YOLOv5s summary: 214 layers, 7235389 parameters, 7235389 gradients, 16.6 GFLOPs

以下是原始模型的backbone部分：

# [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 6, C3, [256]],
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 9, C3, [512]],
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

修改后的backbone部分：

# [from, number, module, args]
  [
    [-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2
    [-1, 1, Conv, [128, 3, 2]], # 1-P2/4
    [-1, 3, C3, [128]],
    [-1, 1, Conv, [256, 3, 2]], # 3-P3/8
    [-1, 3, C3, [256]],  # 6 -> 3
    [-1, 1, Conv, [512, 3, 2]], # 5-P4/16
    [-1, 6, C3, [512]],  # 9 -> 6
    [-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
    [-1, 3, C3, [1024]],
    [-1, 1, SPPF, [1024, 5]], # 9
  ]

修改后的网络结构：

             from  n    params  module                                  arguments                     
  0                -1  1      3520  models.common.Conv                      [3, 32, 6, 2, 2]              
  1                -1  1     18560  models.common.Conv                      [32, 64, 3, 2]                
  2                -1  1     18816  models.common.C3                        [64, 64, 1]                   
  3                -1  1     73984  models.common.Conv                      [64, 128, 3, 2]               
  4                -1  1     74496  models.common.C3                        [128, 128, 1]                 
  5                -1  1    295424  models.common.Conv                      [128, 256, 3, 2]              
  6                -1  2    460800  models.common.C3                        [256, 256, 2]                 
  7                -1  1   1180672  models.common.Conv                      [256, 512, 3, 2]              
  8                -1  1   1182720  models.common.C3                        [512, 512, 1]                 
  9                -1  1    656896  models.common.SPPF                      [512, 512, 5]                 
 10                -1  1    131584  models.common.Conv                      [512, 256, 1, 1]              
 11                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']          
 12           [-1, 6]  1         0  models.common.Concat                    [1]                           
 13                -1  1    361984  models.common.C3                        [512, 256, 1, False]          
 14                -1  1     33024  models.common.Conv                      [256, 128, 1, 1]              
 15                -1  1         0  torch.nn.modules.upsampling.Upsample    [None, 2, 'nearest']          
 16           [-1, 4]  1         0  models.common.Concat                    [1]                           
 17                -1  1     90880  models.common.C3                        [256, 128, 1, False]          
 18                -1  1    147712  models.common.Conv                      [128, 128, 3, 2]              
 19          [-1, 14]  1         0  models.common.Concat                    [1]                           
 20                -1  1    296448  models.common.C3                        [256, 256, 1, False]          
 21                -1  1    590336  models.common.Conv                      [256, 256, 3, 2]              
 22          [-1, 10]  1         0  models.common.Concat                    [1]                           
 23                -1  1   1182720  models.common.C3                        [512, 512, 1, False]          
 24      [17, 20, 23]  1    229245  models.yolo.Detect                      [80, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]]
YOLOv5s summary: 200 layers, 7029821 parameters, 7029821 gradients, 15.6 GFLOPs
oufoc
关注
YOLOv5白皮书-第Y3周：yolov5s.yaml文件解读
2303_82344401的博客
02-28 609
YOLOv5配置了4中不同大小的网络模型，分别是YOLOv5sYOLOv5mYOLOv5lYOLOv5x, 其中YOLOv5s是网络深度和宽度最小但检测速度最快的模型，其他3种模型，都是在YOLOv5s的基础上，不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时，增加了计算资源和速度消耗。处于对检测精度、模型大小、检测速度的综合考量，本文选择YOLOv5s作为研究对象进行介绍。文件是YOLOv5s网络的定义文件，如果你想改进算法的网络结构，需要先修改该文件中的相关参数，然后再修改和中的相关代码。
YOLO白皮书-第Y3周：yolov5s.yaml文件解读
weixin_43414521的博客
12-16 1218
YOLOv5配置了4种不同大小的网络模型，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其中YOLOv5s 是网络深度和宽度最小但检测速度最快的模型，其他3种模型都是在 YOLOv5s 的基础上不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量，本文选择 YOLOv5s作为研究对象进行介绍。
YOLOv5白皮书-第Y3周:yolov5s.yaml文件解读
qq_45735298的博客
02-03 1362
解读yolov5s源文件
深度学习Y3周：yolov5s.yaml文件解读
Radiantsss的博客
04-04 1178
学习了YOLOv5s.yaml文件，掌握了每个部分的内容，理解了每一块代码的意义。
YOLOv5 白皮书-第Y3周：yolov5s.yaml文件解读
a52022920的专栏
12-16 1549
YOLOv5配置了4种不同大小的网络模型，分别是YOLOv5s 、 YOLOv5m 、YOLOv5l、YOLOv5x ,其中YOLOv5s是网络深度和宽度最小但检测速度最快的模型，其他3种模型都 是在YOLOv5s的基础上不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时增加了计算资源和速度消耗。出于对检测精度、模型大小、检测速度的综合考量，本文选择YOLOv5s作为研究对象进行介绍。
YOLOv5 白皮书-第Y5周：yolo.py文件解读
a52022920的专栏
12-30 824
本周任务：将YOLOv5s网络模型中的C3模块按照下图方式修改形成C2模块，并将C2模块插入第2层与第3层之间，且跑通YOLOv5s。任务提示：提示1:需要修改common.yaml、yolo.py、yolov5s.yaml文件。提示2:C2模块与C3模块是非常相似的两个模块，我们要插入C2到模型当中，只需要找到哪里有C3模块，然后在其附近加上C2即可。
计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践
知来者逆的博客
05-01 1814
YOLO11模型是专门为边缘设备优化的目标检测模型，与YOLOv8相比，它在显著降低模型复杂度（最多降低37%）的同时，仍保持了较高的检测精度（约85%的平均精度均值）。这种优化使得YOLO11能够在资源受限的树莓派上实现高效的实时目标检测，为边缘设备上的复杂计算机视觉任务提供了可能。其轻量级的模型结构和高效的推理性能，使其成为在树莓派上部署目标检测应用的首选模型之一。
yolov5 源码 +jupyter notebook 笔记 kaggle
njsgcs的博客
04-28 494
直接用的githuab的源码，git clone 后output才有文件直接gitclone他的源码用Vscode看好久没见过16g了怎么这么便宜函数输入有一页。
计算机视觉进化论：YOLOv12、YOLOv11与Darknet系YOLOv7的微调实战对比
lgf228的专栏
04-29 1399
YOLO系列作为实时目标检测领域的重要里程碑，持续引领速度与精度的平衡发展。本文围绕YOLOv7（基于Darknet框架）、YOLOv11及YOLOv12，系统、深入地对比了三款模型的架构创新、微调策略、核心技术及应用场景。我们详细解析了三者骨干网络设计（如Darknet-53、E-ELAN、C3k2模块）、注意力机制（如YOLOv12的Area Attention）以及参数优化策略（动态数据增强、量化剪枝），并结合工业检测、医疗影像、自动驾驶等多样化应用展开实战案例。
基于YOLO的瓷砖缺陷检测系统设计与实现（附数据集+源码）
qq_36224726的博客
04-29 930
本文实现的系统展示了深度学习与传统工业检测结合的强大潜力。通过YOLO算法的高精度检测能力，配合精心设计的GUI界面，为制造业质量管控提供了可靠的技术工具。
基于OpenMV+STM32+OLED与YOLOv11+PaddleOCR的嵌入式车牌识别系统开发笔记
weixin_46221106的博客
04-26 2592
本文融入了实际开发中获得的宝贵经验，特别是针对嵌入式设备与云端协同AI系统的优化策略。主要是通过OpenMV端收集得到图像，通过wifi模块将数据传递给PyTorch进行数据处理，得到返回的数据后再OLED上进行显示，实物如下图所示。：在本地做智能预筛选（如车牌定位），云端执行复杂OCR，实现精度与延迟的最佳平衡。：通过C++扩展实现OpenMV的NEON指令加速，使图像预处理速度提升3倍。：采用向前兼容的二进制协议，通过version字段实现无缝升级。WebSocket推送结果。
YOLOv8模型训练过程
Tianwen_running的博客
05-01 323
yolov8快速训练自己的数据集，只介绍重点步骤
YOLOv8模型训练参数调优指南
Do my best!
04-30 514
YOLOv8作为当前最先进的实时目标检测模型，其训练参数可分为三大类：1.1 模型架构参数 ：控制网络深度和宽度的缩放因子1.2 训练超参数 ：学习率、批大小等优化相关参数1.3 数据增强参数 ：影响输入数据多样性的变换参数。
基于 SAFM 超分辨率上采样模块的 YOLOv12 改进方法—模糊场景目标检测精度提升研究
最新发布
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
05-03 514
本文提出一种面向 YOLOv12 的创新性改进方法，引入 ICCV 2023 提出的空间自适应特征调制模块（SAFM） ，替代传统上采样操作，通过多尺度特征表示 与动态空间调制机制 ，有效增强非局部特征交互能力，显著提升模型在模糊和小目标场景下的检测精度。
ubantu部署yolov5（第四集：模型加速）
qq_62737390的博客
04-30 589
recipe_type 这个是稀疏化的配置直接从官网下，weights这个稀疏化权重也是直接从官网下，你只需要把--data改成自己的数据集的配置文件就可以了。如果太卡，还要改--batchsize。经过我的测试onnx和openvino是最快的。模型导出后，将onnx的路径加到上述二的脚本文件里面，直接运行。但是确实效率没提升多少，onnx的规模确实是下降了。文档上介绍效率很高，但是我实际使用感觉除了模型变小了一点，其他没有什么太大区别。将model_path替换为自己的onnx模型所在的位置。
LabelVision - yolo可视化标注工具
RitMan的博客
04-30 379
用户可以选择需要标注的图片文件，使用工具栏中的标注工具（如多边形、矩形等）进行标注，绘制完成后按回车键确认，并保存或导出标注结果。支持多边形、矩形、圆形等多种标注方式，并且可以输出JSON、COCO等多种数据格式，方便与其他软件和框架进行集成和互操作。点与线条:支持关键点标注,以及点与点之间进行连线,自动记忆连线规则,一次连线便会自动对符合规则的关键点进行连线。具有半自动化标注功能,可以用您自己的视觉模型进行推理并自动标注,方便实现一边标注一边训练的任务。
YOLO旋转目标检测之ONNX模型推理
pengxiang1998的博客
05-02 401
YOLO旋转检测相较于目标检测而言，其只是最后的输出层网络发生了改变，一个最明显的区别便是：目标检测的检测框是xywh，而旋转检测则为xywha，其中，这个a代表angle，即旋转角度，其余的基本相同。
yolov5s.yaml代码解读
10-07
yolov5s.yaml是YOLOv5模型中的配置文件，用于定义模型的结构和参数。其中，depth_multiple和width_multiple是两个重要的参数。 depth_multiple参数用于控制网络的深度，取值范围为0到1之间，数值越小，网络的深度越浅；数值越大，网络的深度越深。这个参数可以用来调整模型的参数数量和计算复杂度。 width_multiple参数用于控制网络的宽度，取值范围同样为0到1之间，数值越小，网络的宽度越窄；数值越大，网络的宽度越宽。这个参数可以用来调整模型的通道数和特征提取能力。 根据这两个参数的不同取值，可以得到不同大小的YOLOv5模型。例如，yolov5s是深度和宽度最小但检测速度最快的模型，yolov5m在yolov5s的基础上增加了网络的深度和宽度，yolov5l和yolov5x进一步增加了网络的规模以提高检测性能。 对于yolov5s.yaml文件的解读，需要详细查看其中的代码和注释，了解每个参数的作用和取值范围，以及模型结构的定义和配置。根据实际需求，可以对该文件进行修改来改进模型的网络结构。
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