2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析（一）综述

2021SC@SDUSC

前言

该项目代码主要分为三部分：

一、模型定义。这部分代码在models文件夹下。

 

二、封装好的一些工具，包括激活函数、数据增强、数据下载、计算损失、模型评估、展示等等都在其中，在utils文件下。

 

三、模型训练、测试、导出等等。这些是算法落地之后的一些实际应用。

由于项目封装得过好，真正模型定义的代码并不多，多数实际操作在utils中，而为了分工方便明确，我们将项目分成了四部分：模型定义、数据处理、其他工具以及模型落地。分别对应以下图片包含的内容

 

 

 

 

也即我们将工具类拆开由两个人来解读，我所解读的部分就是上面第三张图片包含的代码

包含了 general.py,loss.py,metrics.py,plots.py,torch_utils.py，接下来我将分别讨论每个文件都是负责什么的。

general.py

这份文件就是一些在算法具体实现时用到的方法，

如检查，

 

 

 

 ，

下载数据，

非极大值抑制， 

还有其他如输出、清除等等功能都在这实现

总的来说general.py封装好了许多方法，为其他部分提供服务

loss.py

 这部分代码负责计算损失函数，包括

 

 

 

 metrics.py

对模型进行评估，计算precision、recall以及各种交并比，交并比是评估预测出来的框与实际框的重合度的重要指标，也会在非极大值抑制时用上。

plots.py

这部分负责将数据、结果可视化。算法最终的结果数据，而我们需要将数据真正体现在图片上面，将预测出来的框与类别以及置信度画在图片上面，当然这部分也包括了特征可视化等需要用图片展示出来的方法。

torch_utils.py

这部分代码是pytorch框架的一些工具，如训练设备是选择cpu还是gpu，配置、初始化权重、查询、输出、融合卷积层与归一化层等等。

总的来说，我所要解读的代码主要是为模型落地实现提供一些较底层的实现，也即一些算法实现的细节。然而要真正弄懂这个算法肯定是需要整个项目通读下来的，日后读到一些具体的实现时我也会回归到模型定义当中，分析这些细节在算法中是怎样应用的，最后会对整个算法进行一个总结。