YOLOv5解析 | 第三篇：如何改进YOLOv5？

Posted 2022-05-26 K同学啊

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了YOLOv5解析 | 第三篇：如何改进YOLOv5？相关的知识，希望对你有一定的参考价值。

大家好，我是K同学啊！

在前面的文章YOLOv5解析 | 第二篇：用YOLOv5训练自己的数据集（超级详细完整版）中我们介绍了使用训练自己的数据集。

这一篇文章，我将带大家一起解析 YOLOv5 的 6.0 版本结构并改进模型，先看看我们模型结构图~

由于YOLOv5存在多个版本，所以你在网上可能会看到许多不同版本是网络结构图。（这里放的是最新的YOLOv5 的 6.0 版本结构图）

文章目录

一、YOLOv5的结构文件

我们如何找到YOLOv5的结构文件？

文件定位：…/models/***.yaml

你将会看到YOLOv5又分为YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5s、YOLOv5x五个版本，这五个版本唯一的区别是网络深度（depth_multiple）与宽度（width_multiple）不一样，这里先不展开，你只需要知道这几个家伙都是YOLOv5只是有细微区别即可。下文我将以YOLOv5s为模板展开介绍。

# 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
  - [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)
  ]