第Y3周：yolov5s.yaml文件解读

最新推荐文章于 2024-09-04 10:29:55 发布
最新推荐文章于 2024-09-04 10:29:55 发布
阅读量217 收藏 1
点赞数
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_54533484/article/details/134086071
版权

前言

​ 在YOLOv5中网络结构采用yaml作为配置文件，配置了4种大小不同得网络模型，分别是YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，这几个模型的结构基本一样，区别在于depth_multipes模型深度和width_multiple模型宽度这两个参数。

一、什么是YAML

​ “YAML is a human-friendly data serialization language for all programming languages.” YAML是一种专门用来写配置文件的语言，能很好的与当下的编程语言的一些任务相互协作。

二、yolov5s.yaml源文件

# YOLOv5 🚀 by Ultralytics, AGPL-3.0 license

# Parameters
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

# YOLOv5 v6.0 backbone
backbone:
  # [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
  ]

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

三、参数配置

# Parameters
nc: 80  # number of classes
depth_multiple: 0.33  # model depth multiple
width_multiple: 0.50  # layer channel multiple

**nc：**数据集类别数

**depth_multiple：**模型层数因子，用于控制层的重复次数（Bottleneck个数）。通过深度参数depth gain 在搭建每一层的时候，子模块数量=int(number*depth)，这样就起到了一个动态调整模型深度的作用。

**width_multuple：**模型通道数因子， 控制Conv通道channel个数（卷积核数量）。在模型中间层的每一层卷积核=int(number*width)，起到一个动态调整模型的作用。

四、先验框配置

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

YOLOv5使用k-means聚类法初始化9个anchors，任意地选择了9聚类和3个尺度，然后在各个尺度上均匀地划分聚类。

image-20231027222339583

五、backbone部分

# YOLOv5 v6.0 backbone
backbone:
  # [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
  ]
  • **from：**表示当前模块的输入来自那一层的输出，-1表示将上一层的输出当做自己的输入（第0层的-1表示输入的图像）。
  • **number：**表示当前模块的重复次数，实际的重复次数还要由上面的参数depth_multiple共同决定，决定网络模型的深度。
  • **module：**表示该层模块的名称，这些模块写common.py中，进行模块化的搭建网络。
  • **args：**表示类的初始化参数，用于解析作为moudle的传入参数，会在网络搭建过程中根据不同层进行改变，我们后面具体分析。

六、Head部分

# YOLOv5 v6.0 head
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4
   [-1, 3, C3, [512, False]],  # 13

   [-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],  # cat backbone P3
   [-1, 3, C3, [256, False]],  # 17 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14], 1, Concat, [1]],  # cat head P4
   [-1, 3, C3, [512, False]],  # 20 (P4/16-medium)

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 3, C3, [1024, False]],  # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)
  ]

这是YOLOv5s的head，数据格式和backbone一样。

七、整体模型

任务： 将yolov5s网络模型中第4层的 C3 * 2 修改为 C3 * 1，第6层的 C3 * 3 修改为 C3 * 2。

修改Backbone：

backbone:
  # [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, 1, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 2, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

网络模型输出：

                 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  1    296448  models.common.C3                        [256, 256, 1]                 
  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     24273  models.yolo.Detect                      [4, [[10, 13, 16, 30, 33, 23], [30, 61, 62, 45, 59, 119], [116, 90, 156, 198, 373, 326]], [128, 256, 512]]
YOLOv5s summary: 193 layers, 6660497 parameters, 6660497 gradients, 14.4 GFLOPs
夏伊呀
关注
YOLOv5解析 | 第五篇：yolo.py文件解读
“365天深度学习训练营”报名进行中～
07-12 614
这个文件是YOLOv5网络模型的搭建文件，如果你想改进YOLOv5，那么这么文件是你必须进行修改的文件之一。文件内容看起来多，其实真正有用的代码不多的，重点理解好我文中提到的一个函数两个类即可。注：由于YOLOv5版本众多，同一个文件对于细节处你可能会看到不同的版本，不用担心这都是正常的，注意把握好整体架构即可。
（三）Yolov5--模型文件（yolov5s.yaml）解读和模型修改
ali1174的专栏
03-12 1万+
解读yolov5的模型文件和如何修改模型
YOLOv5s.yaml文件解读
zzpl139的博客
12-22 3991
YOLOv5s.yaml文件解读并改动
YOLOV5入门教程-yolov5s.yaml文件
最新发布
vimpirespider的博客
09-04 1804
这段backbone共有9个层次，每个层次逐步提取图像特征并下采样。最后输出的特征图尺寸为40x40，通道数为1024。这个特征图包含了从输入图像中提取到的高层次特征，准备在后续的网络层中用于目标检测。
yolov5s.yaml文件解析
m0_70654337的博客
12-20 467
【代码】yolov5s.yaml文件解析。
YOLOv5 白皮书-第Y3周：yolov5s.yaml文件解读
a52022920的专栏
12-16 1442
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。
9、yolov5s.yaml文件解读
梦在黎明破晓时的博客
04-23 1856
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
Oaix的博客
12-16 1982
YOLOv5s.yaml文件解读
YOLOv5 白皮书-第Y5周：yolo.py文件解读
a52022920的专栏
12-30 755
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。
yolov5s的yaml文件
08-15
- *2* *3* [YOLOv5白皮书-第Y3周：yolov5s.yaml文件解读](https://blog.csdn.net/qq_27889941/article/details/128343061)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":...
YOLOv5白皮书-第Y5周：yolo.py文件解读
Oaix的博客
12-30 3076
yolo.py文件解读
YOLOv5白皮书-第Y4周：common.py文件解读
a52022920的专栏
12-23 482
文件位置：./models/common.py该文件是实现YOLO算法中各个模块的地方，如果我们需要修改某一模块（例如C3）,那么就需要修改这个文件中对应模块的的定义。这里我先围绕代码，带大家过一遍各个模块的 定义，详细介绍我将在后续的教案中逐步展开。由于YOLOV5版本问题，同一个模块你可能会看到不同的版本，这都是正常的，以官网为主即可。本周任务：将yolov5s网络模型中的C3模块按照下图方式修改，并跑通yolov5。任务提示：仅需修改・/models/common.yaml文件。
YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
FriendshipTang的博客
04-25 2400
Python、PyTorch、YOLOv5、YAML、增加小目标检测层
yolov5s.yaml中各参数作用意义及使用netron工具来可视化yolov5s的结构
热门推荐
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 网络架构与组件（yolov5s.yaml）
浅汐入梦的博客
04-06 9338
笔记
评论 1
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