YOLOv5：yolov5s.yaml文件解读

 🏡 我的环境：
● 语言环境：Python 3.8
● 编译器：Pycharm
● 数据集：coco128
● 深度学习环境：Pytorch

一.参数配置：

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

·depth_multiple：控制子模块数量=int（number*depth）（该参数与任务有关）
·width_multiple：控制卷积核的数量=int（number*width）

二.anchors：

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初始化了9个anchors，在三个Detect层使用（3个feature map）中使用，每个feature map的每个grid_cell 都有三个anchor进行预测。

规则：

1.尺度越大的feature map越靠前，相对原图的下采样率越小，感受野越小，所以相对可以预测一些尺度比较小的物体，所有分配到的anchors越小；

2.尺度越小的feature map 越靠后，相对原图的下采样率越大，感受野越大，所以相对可以预测一些尺度比较大的物体，所有分配到的anchors 越大。

即可以在小特征图（feature map）上检测大目标，也可以在大特征图上检测小目标。

三.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, 3, C3, [256]],
   [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16
   [-1, 6, C3, [512]],
   [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32
   [-1, 3, C3, [1024]],
   [-1, 1, SPPF, [1024, 5]],  # 9
  ]

这是yolov5s的backbone，可以看到每一个模块算一行，每行都由四个参数构成。分别是：
·from：表示当前模块的输入来自那一层的输出，-1表示来自上一层的输出。
·number：表示当前模块的理论重复次数，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：模块类名，通过这个类名去common.py中寻找相应的类，进行模块化的搭建网络。
·args：是一个1ist，模块搭建所需参数，channe1，kernel_size，stride，padding，bias等，会在网络搭建过程中根据不同层进行改变。
 

四.head：

# 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)
  ]

同backbone

任务:修改第四层的C3*2为C3*1，第六层的C3*3为C3*2

修改YOLOv5.yaml文件

模型输出