物流如何做网站,国际新闻,一整套ppt背景图片,做网站用小图标在什么网下载前言#xff1a;Hello大家好#xff0c;我是小哥谈。配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用#xff0c;属于初学者必知必会的文件#xff01;在YOLOv5-6.0版本源码中#xff0c;配置了5种不同大小的网络模型#xff0c;分别是YOLOv5n、YOLOv5s… 前言Hello大家好我是小哥谈。配置文件yolov5s.yaml在YOLOv5模型训练过程中发挥着至关重要的作用属于初学者必知必会的文件在YOLOv5-6.0版本源码中配置了5种不同大小的网络模型分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x其中YOLOv5n是网络深度和宽度最小但检测速度最快的模型其他4种模型都是在YOLOv5n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普遍使用的YOLOv5s作为研究对象进行详细介绍希望大家学完之后能够对配置文件yolov5s.yaml有一个清晰的理解 目录
1.基本概念
1.1 什么是yaml
1.2 什么是yolov5s.yaml
2.版本说明
3.源码解析
4.整体解析
5.作者说明 1.基本概念
1.1 什么是yaml
YAMLYAML Aint Markup Language是一种轻量级的标记语言用于表示数据的序列化格式。YAML 的设计目标是提供一种易读且容易写的数据格式同时具有清晰的结构。它通常用于配置文件、数据交换、配置管理和其他需要人类可读性的应用场景。
1.2 什么是yolov5s.yaml
yolov5s.yaml是YOLOv5目标检测算法的配置文件之一它定义了模型的基本结构和参数。其中nc表示分类数目depth_multiple表示模型深度的倍数width_multiple表示每层通道数的倍数。此外yolov5s.yaml还包括了anchors、Backbone和Head等参数的定义。anchors定义了目标框的大小和比例Backbone定义了模型的主干网络结构Head定义了检测头的结构和参数。通过调整这些参数可以对模型的性能和速度进行优化。 说明♨️♨️♨️ 本篇文章针对yolov5s.yaml配置文件的解析基于YOLOv5-6.0版本。 2.版本说明
YOLOv5的网络模型结构由位于models文件夹下的yaml文件定义。以YOLOv5的6.0版本为例其models文件夹下有多个yaml文件它们分别是yolov5n.yaml、yolov5s.yaml、yolov5m.yaml、yolov5l.yaml、yolov5x.yaml其区别仅为depth_multiple和width_multiple两个参数不同其他都是相同的。虽然5个yaml文件中的backbone和head部分完全相同但通过depth_multiple和width_multiple这两个参数即可实现不同复杂度的模型设计。 YOLOv5模型的深度和宽度是可以根据需求进行调整的。YOLOv5模型的深度由网络中卷积层的数量和每个卷积层中卷积核的数量决定而宽度则由网络中每个卷积层的输入通道数和输出通道数决定。在训练过程中可以通过调整深度和宽度来平衡模型的精度和速度。
具体来说YOLOv5-6.0版本模型包含了n、s、m、l、x五个版本分别对应不同的深度和宽度。其中n版本是最轻量级的版本适合在资源受限的设备上运行而x版本则是最大的版本可以获得最高的检测精度但需要更多的计算资源。
版本/参数 depth_multiple width_multiple yolov5n.yaml0.330.25yolov5s.yaml0.330.50yolov5m.yaml0.670.75yolov5l.yaml1.01.0yolov5x.yaml1.331.25 注意♨️♨️♨️ YOLOv5-6.0的五个版本即n、s、m、l、x模型结构完全相同区别仅在于模型的深度和宽度即depth_multiple和width_multiple并且按照顺序由小到大模型深度和宽度不断增大。 关于这五个版本的模型复杂度和相关参数详细对比如下所示 YOLOv5除了提供n、s、m、l、x版本之外还提供了n6、s6、m6、l6、x6这五个版本区别在于n、s、m、l、x版本的输入尺寸是640×640最终会对图像进行32倍下采样并输出3个预测特征层而n6、s6、m6、l6、x6这五个版本的输入尺寸是1280×1280最终会对输入图像进行64倍下采样并且会输出4个预测特征层。 总结♨️♨️♨️ n、s、m、l、x版本输入尺寸640×64032倍下采样3个预测特征层。 n6、s6、m6、l6、x6版本输入尺寸1280×128064倍下采样4个预测特征层。 关于n6、s6、m6、l6、x6这五个版本对比如下所示 YOLOv5所提供的这些版本总的参数对比如下所示 3.源码解析
在解析之前再次特别说明下本次解析是基于YOLOv5-6.0版本的该版本的yolov5.yaml文件代码如下所示
# YOLOv5 by Ultralytics, GPL-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 该层特征图缩放为输入图像尺寸的1/8- [30,61, 62,45, 59,119] # P4/16 该层特征图缩放为输入图像尺寸的1/16- [116,90, 156,198, 373,326] # P5/32 该层特征图缩放为输入图像尺寸的1/32# YOLOv5 v6.0 backbone
backbone:# [from, number, module, args]# argschannel输出通道数kernel_size卷积核大小stride步长padding填充[[-1, 1, Conv, [64, 6, 2, 2]], # 0-P1/2 输出通道64实际上不是64而是64*0.5032[-1, 1, Conv, [128, 3, 2]], # 1-P2/4[-1, 3, C3, [128]], # 输出通道128实际上不是128而是128*0.5064[-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)]接下来作者就根据上述代码进行逐行解析。
代码
# YOLOv5 by Ultralytics, GPL-3.0 license
解析
YOLOv5是一种目标检测算法由Ultralytics开发采用GPL-3.0许可证。 Ultralytics公司官方网址Ultralytics | Revolutionizing the World of Vision AI 代码
# Parameters
nc: 80 # number of classes
depth_multiple: 0.33 # model depth multiple
width_multiple: 0.50 # layer channel multiple
解析
Parameters中文含义为“参数”。
nc数据集中类别的个数默认为80这里指的是COCO数据集的类别数。这里采取默认即可不改也不会报错因为在训练的时候我们在yaml文件中已经定义了类别数量和类别名称。训练的时候我们所指定的yaml文件放置位置如下所示位于train.py文件parse_opt函数中参数设置第3行 即default中下述代码中的helmet.yaml是我进行安全帽佩戴检测放置的小伙伴们后期训练的时候自定义即可。 parser.add_argument(--data, typestr, defaultROOT / data/helmet.yaml, helpdataset.yaml path) 关于 train.py文件parse_opt函数中各参数含义请参考文章 YOLOv5源码中的参数超详细解析3— 训练部分train.py| 模型训练调参 depth_multiple控制网络深度的因子。通过调整depth_multiple的值可以改变网络的深度从而得到不同大小的模型。计算公式为控制子模块数量 int(number*depth)。在yaml文件中这是用来调整C3模块中的子模块Bottleneck重复次数的在实际使用的时候需要用这个深度因子乘上主干网络backboneC3模块的number系数关于这里我们后面讲到主干网络的时候再详细讲述。
width_multiple控制网络宽度的因子。在yaml文件中定义的网络结构中每一层的通道数都会乘以width_multiple。例如如果将width_multiple设置为0.5则网络的通道数会减半从而减小模型的大小和计算量但可能会影响模型的性能。相反如果将width_multiple设置为2则网络的通道数会增加一倍从而增加模型的大小和计算量但可能会提高模型的性能。计算公式为控制卷积核的数量 int(number*width)。 总结♨️♨️♨️ depth_multiple和width_multiple可以用于控制模型大小和速度之间的平衡。较大的值会增加模型的大小和精度但会增加计算量和推理时间。较小的值会减小模型的大小和精度但会减少计算量和推理时间。 代码
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
解析
anchors定义预设的锚框。anchors中包含的是k-means算法聚类得到的9个默认锚框。在yolov5s.yaml中初始化了9个anchors分为3组在3个Detect层使用3个feature map。
分配规则
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(小目标)分配到的 anchors 越小。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 所以可以预测一些尺度比较大的物体(大目标)所以分配到的 anchors 越大。即在小特征图feature map上检测大目标中等大小的特征图上检测中等目标 在大特征图上检测小目标。
所以根据上述解释总结其作用分别是
[10,13, 16,30, 33,23] 作用检测小目标[30,61, 62,45, 59,119] 作用检测中目标[116,90, 156,198, 373,326] 作用检测大目标
关于其对比具体如下表所示
感受野大中小先验框116×90,156×198,373×32630*61,62*45,59*11910*13,16*30,33*23
另外
[10,13, 16,30, 33,23] # P3/8 后面的# P3/8表示该层特征图缩放为输入图像尺寸的1/8是第3特征层。[30,61, 62,45, 59,119] # P4/16 后面的# P4/16表示该层特征图缩放为输入图像尺寸的1/16是第4特征层。[116,90, 156,198, 373,326] # P5/32 后面的# P5/32表示该层特征图缩放为输入图像尺寸的1/32是第5特征层。
这里的P3、P4和P5分别对应网络结构Detect的17层、20层和23层具体代码如下所示 [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) 术语定义♨️♨️♨️ 特征图即feature map是卷积神经网络中的一个概念它是指在卷积层中对输入数据进行卷积操作后得到的输出结果。每个卷积核都会产生一个feature map而每个feature map都是一个二维矩阵代表了输入数据中某种特定的特征。在卷积神经网络中随着网络的加深feature map的长宽尺寸会逐渐缩小但是每个feature map提取的特征会越来越具有代表性。通过观察feature map的数值变化可以了解网络的训练情况一个训练成功的CNN网络其feature map的值伴随网络深度的增加会越来越稀疏这可以理解为网络取精去燥。 感受野感受野是指在卷积神经网络中特征图上的某个点能看到的输入图像的区域即特征图上的点是由输入图像中感受野大小区域的计算得到的。神经元感受野的值越大表示其能接触到的原始图像范围就越大也意味着它可能蕴含更为全局语义层次更高的特征相反值越小则表示其所包含的特征越趋向局部和细节。因此感受野的值可以用来大致判断每一层的抽象层次。在卷积层和池化层中都会影响感受野而激活函数层通常对于感受野没有影响当前层的步长并不影响当前层的感受野感受野和填补(padding)没有关系。公式求取的感受野通常很大而实际的有效感受野(Effective Receptive Field)往往小于理论感受野因为输入层中边缘点的使用次数明显比中间点要少因此作出的贡献不同所以经过多层的卷积堆叠后输入层对于特征图点做出的贡献分布呈高斯分布形状。 先验框即anchor是目标检测算法中的一种技术用于在图像中生成一组预定义的边界框这些边界框具有不同的尺度和长宽比。目标检测算法会在这些先验框上进行分类和回归以确定图像中是否存在目标物体并且确定目标物体的位置和大小。先验框的作用是为了提高目标检测算法的准确性和效率因为它可以减少目标检测算法对于不同尺度和长宽比的物体的检测难度。 代码
# 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]
解析
backbone即主干网络。
# [from, number, module, args]
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-2表示上两层[-1, 4]表示取自上一层和第4层依次类推。 备注层数从0开始计算比如第0层、第1层、第2层...... number表示该层模块堆叠的次数对于C3、BottleneckCSP等模块表示其子模块的堆叠具体细节可以查看源代码当然最终的次数还要乘上depth_multiple系数。 说明♨️♨️♨️ depth_multiple即用来调整C3模块中的子模块BottleNeck重复次数的在实际使用的时候需要用深度因子乘上主干部分C3模块的number系数的比如在主干网络中第一个C3模块的 number系数是3那么使用0.33×3向上取整就等于1了这就代表第一个C3模块的BottleNeck只重复1次第二个C3模块的number系数是6那么使用0.33×6向上取整等于2这就代表第二个C3模块的BottleNeck重复2次同理第三个C3模块的number系数是9那么0.33×9向上取整就等于3了代表第三个C3模块的BottleNeck重复3次。 module表示该层模块的名称这些模块写在common.py中进行模块化的搭建网络。
args模块搭建所需参数指channel输出通道数、kernel_size卷积核大小、stride步长、padding填充、bias等会在网络搭建过程中根据不同层进行改变。 注意♨️♨️♨️ 在yolov5.yaml文件中是严格按照上述顺序来的即channel输出通道数、kernel_size卷积核大小、stride步长、padding填充等。其实在最前面还有输入通道数只不过本层的输入通道数即上一层的输出通道数在yaml文件中省略了。 ConvYOLOv5中的conv是指最基础的卷积模块它由一个卷积层、一个批量归一化层和一个激活函数层组成。其中卷积层用于提取特征批量归一化层用于规范化特征图激活函数层用于增加非线性。在YOLOv5中Conv模块还支持自动填充、分组卷积等功能可以根据不同的需求进行灵活配置。此外YOLOv5中的Conv模块还支持fuseforward方法可以将卷积层和激活函数层融合在一起提高模型的计算效率。
SiLUSigmoid Linear Unit激活函数解析
SiLUSigmoid Linear Unit激活函数是近年来提出的一种新型激活函数它将Sigmoid函数和ReLU函数结合起来具有一定的优势。其公式为 代码
m nn.SiLU()
input torch.randn(2)
output m(input)
综上 Conv组成为 C3其结构作用基本相同均为CSP架构只是在修正单元的选择上有所不同其包含了3个标准卷积层数量由配置文件yaml的n和depth_multiple参数乘积决定。该模块是对残差特征进行学习的主要模块,其结构分为两支,一支使用了上述指定多个Bottleneck堆叠另一支仅经过一个基本卷积模块最后将两支进行concat操作。 另外C3模块中的Bottleneck借鉴了ResNet的残差结构具体如下
其中一路先进行1 ×1卷积将特征图的通道数减小一半从而减少计算量再通过3 ×3卷积提取特征并且将通道数加倍其输入与输出的通道数是不发生改变的。另外一路通过shortcut进行残差连接与第一路的输出特征图相加从而实现特征融合。
在YOLOv5中Backbone中的Bottleneck都默认使shortcut为True而在Head中的Bottleneck都不使用shortcut。 总结♨️♨️♨️ 在YOLOv5中Backbone中的C3和Head中的C3是不相同的。Backbone中的C3的子模块为上图中Bottleneck1为C3 True而Head中的C3的子模块为上图中的Bottleneck2为C3 False。 SPPFSPPF由SPP改进而来SPP先通过一个标准卷积模块将输入通道减半然后分别做kernel-size为5913的max pooling对于不同的核大小padding是自适应的。对三次最大池化的结果与未进行池化操作的数据进行concat最终合并后channel数是原来的2倍。yolo的SPP借鉴了空间金字塔的思想通过SPP模块实现了局部特征和全部特征。经过局部特征与全矩特征相融合后丰富了特征图的表达能力有利于待检测图像中目标大小差异较大的情况对yolo这种复杂的多目标检测的精度有很大的提升。 SPPFSpatial Pyramid Pooling - Fast 使用3个5×5的最大池化代替原来的5×5、9×9、13×13最大池化多个小尺寸池化核级联代替SPP模块中单个大尺寸池化核从而在保留原有功能即融合不同感受野的特征图丰富特征图的表达能力的情况下进一步提高了运行速度。 SPP和SPPF对比实验
下面做个简单的小实验对比下SPP和SPPF的计算结果以及速度代码如下注意这里将SPPF中最开始和结尾处的1x1卷积层给去掉了只对比含有MaxPool的部分。
代码
import time
import torch
import torch.nn as nnclass SPP(nn.Module):def __init__(self):super().__init__()self.maxpool1 nn.MaxPool2d(5, 1, padding2)self.maxpool2 nn.MaxPool2d(9, 1, padding4)self.maxpool3 nn.MaxPool2d(13, 1, padding6)def forward(self, x):o1 self.maxpool1(x)o2 self.maxpool2(x)o3 self.maxpool3(x)return torch.cat([x, o1, o2, o3], dim1)class SPPF(nn.Module):def __init__(self):super().__init__()self.maxpool nn.MaxPool2d(5, 1, padding2)def forward(self, x):o1 self.maxpool(x)o2 self.maxpool(o1)o3 self.maxpool(o2)return torch.cat([x, o1, o2, o3], dim1)def main():input_tensor torch.rand(8, 32, 16, 16)spp SPP()sppf SPPF()output1 spp(input_tensor)output2 sppf(input_tensor)print(torch.equal(output1, output2))t_start time.time()for _ in range(100):spp(input_tensor)print(fspp time: {time.time() - t_start})t_start time.time()for _ in range(100):sppf(input_tensor)print(fsppf time: {time.time() - t_start})if __name__ __main__:main()
结果
True
spp time: 0.5373051166534424
sppf time: 0.20780706405639648通过对比可以发现两者的计算结果是一模一样的但SPPF比SPP计算速度快了不止两倍。 实验参考文章 作者创不了浩文章YOLOv5 Focus C3 各模块详解及代码实现 关于上述代码各层解释如下所示
第0层是一个卷积层输出通道数为 64卷积核大小为 6x6步长为 2填充为 2输出特征图大小为输入的1/2。第1层是一个卷积层输出通道数为 128卷积核大小为 3x3步长为 2输出特征图大小为输入的1/2。第2层是一个 C3 模块包含 3 个卷积层每个卷积层的输出通道数为 128卷积核大小分别为 1x1、3x3、1x1不改变特征图大小。第3层是一个卷积层输出通道数为 256卷积核大小为 3x3步长为 2输出特征图大小为输入的1/2。第4层是一个 C3 模块包含 6 个卷积层每个卷积层的输出通道数为 256卷积核大小分别为 1x1、3x3、1x1不改变特征图大小。第5层是一个卷积层输出通道数为 512卷积核大小为 3x3步长为 2输出特征图大小为输入的1/2。第6层是一个 C3 模块包含 9 个卷积层每个卷积层的输出通道数为 512卷积核大小分别为 1x1、3x3、1x1不改变特征图大小。第7层是一个卷积层输出通道数为 1024卷积核大小为 3x3步长为 2输出特征图大小为输入的1/2。第8层是一个 C3 模块包含 3 个卷积层每个卷积层的输出通道数为 1024卷积核大小分别为 1x1、3x3、1x1不改变特征图大小。第9层是一个 SPPF 层具有金字塔式空间池化Spatial Pyramid Pooling输出通道数为 1024使用大小为 5x5 的金字塔空间池化。
代码
# 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)]
解析
YOLOv5中的Head包括Neck和Detect两部分。Neck采用了FPNPAN结构Detect结构和YOLOV3中的Head一样。四个参数和上面 backbone 一样这里就不再解释了。
另外Conv和C3上面已经解析这里也不再赘述了。接下来让我们看一下nn.Upsample、Concat。 注意♨️♨️♨️ Backbone中的C3为C3 True而Head中的C3为C3 False。在YOLOv5中C3 True和C3 False是指不同的模块。C3 True是指使用了BottleneckCSP模块的C3模块而C3 False是指使用了标准卷积模块的C3模块。相比于C3 FalseC3 True在经历过残差输出后的Conv模块没有被去掉同时concat后的标准卷积模块中的激活函数也由LeakyRelu变为了SiLU。这些改变使得C3 True模块在保持高精度的同时也具有更快的训练速度和更小的模型体积。有点啰嗦了不好意思~ nn.Upsamplenn.Upsample是PyTorch中的一个上采样模块用于将输入的特征图进行上采样操作从而得到更高分辨率的特征图。它可以通过指定输出的尺寸大小或者输入尺寸的倍数来进行上采样操作并且支持多种上采样算法如最近邻插值、双线性插值等。需要注意的是nn.Upsample只改变特征图的尺寸而不改变通道数。在一些深度学习模型中nn.Upsample被广泛应用。 注意经过上采样后通道数不变而特征图加倍。 Concat在yolov5.yaml中Concat是指将多个特征图按照通道维度进行拼接的操作。在YOLOv5中Concat主要用于将不同尺度的特征图进行融合以提高检测的精度和召回率。具体来说YOLOv5中使用了FPNFeature Pyramid Network结构将不同层级的特征图进行融合然后再进行检测。而在FPN中就需要使用Concat将不同尺度的特征图进行拼接以便进行下一步的处理。 Concat和Add的区分♨️♨️♨️ Concat要求的是拼接的两个特征图的尺寸是一样的通道可以不一样。Concat操作就是将两个特征图在通道维度上连接起来得到一个新的特征图。如果合并前的两个feature map的通道数都是256那么合并后的feature map的通道数就是512。而Add要求模型的通道和尺寸都相同Add操作实际就是将两个特征图的相应像素相加得到一个新的特征图。 由代码可以看到在yolov5.yaml中具有4个Concat最前面的“from”分别是[-1,6]、[-1,4]、[-1,14]、[-1,10]按照上面解析分别表示
[-1,6] 上一层和第6层Concat[-1,4] 上一层和第4层Concat[-1,14]上一层和第14层Concat[-1,10]上一层和第10层Concat 讲到这里大家可能有点懵逼哈哈~~~~来上图 最后我们再分析下Detect部分。
代码 [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5)
解析
这是Detect部分由代码可知yolov5s.yaml具有3个检测层分别位于第17层、第20层和第23层由上到下分别是80×80检测小目标、40×40检测中目标和20×20检测大目标讲到这里顺便提一下如果想要再加一层来检测更小目标该如何做呢~答案就是在最上面再加一层160×160检测更小目标呗~
Detect部分在图上展示如下所示 4.整体解析
关于yolov5s.yaml配置文件所对应的网络结构图可以参考下图。本来想自己画的但是感觉下图已经画的很完美了我就不手绘了~在下图中详细的列出了相关参数包括模块、特征图大小变化、通道数变化等等还是很完美的~
该图也获得了作者的认可并且评论道very nice! Looks all correct. 具体如下所示 备注♨️♨️♨️ 图片来源地址YOLOv5 6.0 Model Structure · Issue #6885 · ultralytics/yolov5 · GitHub 5.作者说明 本文内容摘自专栏《YOLOv5从入门到实战》文章 YOLOv5源码中的参数超详细解析2— 配置文件yolov5s.yaml包括源码网络结构图 关于YOLOv5算法之yolov5s.yaml配置文件的深度解析到这里就接近尾声了~小伙伴们如果有任何疑问可在评论区给出小哥谈看到了会及时回复滴~ 关于更多YOLOv5的知识可参考专栏YOLOv5从入门到实战
