# 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)
  ]

代码由4部分组成，最上面的控制参数，anchors先验框的配置，backbone主干网络设置，head头部网络设置。

控制参数：

# Parameters
nc: 80  # number of classes   类别数
depth_multiple: 0.33  # model depth multiple   控制模型的深度（BottleneckCSP数）
width_multiple: 0.50  # layer channel multiple  控制conv通道个数 （卷积核数量）
# depth_multiple表示BottleneckCSP模块的层缩放因子，将所有的BottleneckCSP模块的Bottleneck乘上该参数得到最终的个数
# width_multiple表示卷积通道的缩放因子，就是将配置里面的backbone和head部分有关conv通道设置，全部乘以该系数
# 通过这两个参数就可以实现不同复杂度的模型设计。

anchors先验框的配置:

anchors:
  - [10,13, 16,30, 33,23]  # P3/8   8倍下采样的层面   [宽度，高度]
  - [30,61, 62,45, 59,119]  # P4/16   16倍下采样的层面
  - [116,90, 156,198, 373,326]  # P5/32    32倍下采样的层面

backbone主干网络设置:

backbone:
  # [from, number, module, args]
  # from：当前模块输入来自哪一层，-1表示上一层输入
  # number：本模块重复次数，1表示只有一个，3表示有3个相同的模块
  # conv卷积层   C3：BottleneckCSP  SPPF:SPP模块
  [[-1, 1, Conv, [64, 6, 2, 2]],  # 0-P1/2
   [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4   128表示有128个卷积核，3表示3×3的卷积核，2步长为2
   [-1, 3, C3, [128]],         # 这里的重复次数，要乘上一开始的缩放因子
   [-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
  ]

head头部网络设置:

# 作者没有区分neck模块， 所以里面包含了PANet + Detect部分
head:
  [[-1, 1, Conv, [512, 1, 1]],    # 卷积层
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],  # 上采样
   [[-1, 6], 1, Concat, [1]],  # cat backbone P4    拼接层
   [-1, 3, C3, [512, False]],  # 13    这里的重复次数，要乘上一开始的缩放因子

   [-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)
  ]

这里需要注意的是这两个参数depth_multiple用于控制模型的深度（BottleneckCSP数），width_multiple用于控制conv通道个数（卷积核数量）。只要牵涉到CSP操作和conv操作的时候就要用该参数，去乘上重复次数，已达到对模型深度的控制。

# yolov5l版本

depth_multiple: 1.0  # model depth multiple
width_multiple: 1.0  # layer channel multiple

# yolov5m版本

depth_multiple: 0.67  # model depth multiple
width_multiple: 0.75  # layer channel multiple

# yolov5n版本

depth_multiple: 0.33  # model depth multiple
width_multiple: 0.25  # layer channel multiple

# yolov5s版本

depth_multiple: 0.33  # model depth multiple  
width_multiple: 0.50  # layer channel multiple 

# yolov5x版本

depth_multiple: 1.33  # model depth multiple
width_multiple: 1.25  # layer channel multiple

这里可以看出，官方提供的不同版本的主要区别就是模型深度的不同，不同深度的模型，计算量也不一样，有的多，有的少。对于不同的场景，所需要的模型计算量是不一样的，也不是越深的模型越好，视情况而定，杀鸡焉用牛刀。

	Yolov5s	Yolov5m	Yolov5L	Yolov5x
depth_multiple	0.33	0.67	1.0	1.33
width_multiple	0.5	0.75	1.0	1.25
BottleneckCSP数(BCSP True)	1,3,3	2,6,6	3,9,9	4,12,12
BottleneckCSP数(BCSP False)	1	2	3	4
Conv卷积核数量	32,64,128,256,512	48,96,192,384,768	64,128,256,512,1024	80,160,320,640,1280

yolov5网络整体架构流程

Focus操作

我们可以看到图像最先输入进去之后进行了一个Focus处理。

这个操作就是把数据先切分成4分，每份数据就相当于下采样两倍得到，然后在channel维度进行拼接，然后再进行卷积操作。

就相当于图像的数据没有什么变动，但是多了4倍的数据量。大大提高了原始数据量。这个原理相当于这个视频。

神奇！一张狗狗照片，裁碎竟变四张_哔哩哔哩_bilibili

将细节更好的显现出来。

SPP空间金字塔池化

上图非常清晰的表现出，整个池化的过程。但是在第一次卷积的过程中会因为使用的卷积核大小不一样，导致没办法进行张量的拼接。作者直接采用了填充的方式硬生生的拼了上去。

参考：

深入浅出Yolo系列之Yolov5核心基础知识完整讲解 - 知乎

【目标检测新手首选】PyTorch从零带你搭建YOLOV5目标检测平台！-人工智能/计算机视觉/深度学习_哔哩哔哩_bilibili

Yolov3网络架构分析

Yolov3网络架构分析

上图三个蓝色方框内表示Yolov3的三个基本组件：

l CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。

l Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。

l ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。

其他基础操作：

l Concat：张量拼接，会扩充两个张量的维度，例如26*26*256和26*26*512两个张量拼接，结果是26*26*768。Concat和cfg文件中的route功能一样。

l add：张量相加，张量直接相加，不会扩充维度，例如104*104*128和104*104*128相加，结果还是104*104*128。add和cfg文件中的shortcut功能一样。

Backbone中卷积层的数量：

每个ResX中包含1+2*X个卷积层，因此整个主干网络Backbone中一共包含1+（1+2*1）+（1+2*2）+（1+2*8）+（1+2*8）+（1+2*4）=52，再加上一个FC全连接层，即可以组成一个Darknet53分类网络。不过在目标检测Yolov3中，去掉FC层，不过为了方便称呼，仍然把Yolov3的主干网络叫做Darknet53结构。

backbone：Darknet-53

在第1个卷积操作DarknetConv2D_BN_Leaky()中，是3个操作的组合，即

1个Darknet的2维卷积Conv2D层，即DarknetConv2D()；
1个正则化（BN）层，即BatchNormalization()；
1个LeakyReLU层，斜率是0.1，LeakyReLU是ReLU的变换；

backbone部分由Yolov2时期的Darknet-19进化至Darknet-53，加深了网络层数，引入了Resnet中的跨层加和操作。原文列举了Darknet-53与其他网络的对比：

图三. Darknet精度性能对比

Darknet-53处理速度每秒78张图，比Darknet-19慢不少，但是比同精度的ResNet快很多。Yolov3依然保持了高性能。

（这里解释一下Top1和Top5：模型在ImageNet数据集上进行推理，按照置信度排序总共生成5个标签。按照第一个标签预测计算正确率，即为Top1正确率；前五个标签中只要有一个是正确的标签，则视为正确预测，称为Top5正确率）

Yolov3网络结构细节

DBL: 上图左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu（正则化和激励）已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。

resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53，前者没有残差结构)。对于res_block的解释，可以在图1的右下角直观看到，其基本组件也是DBL。

concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。

网络结构解析：

Yolov3中，只有卷积层，通过调节卷积步长控制输出特征图的尺寸。所以对于输入图片尺寸没有特别限制。流程图中，输入图片以256*256作为样例。Yolov3借鉴了金字塔特征图思想，小尺寸特征图用于检测大尺寸物体，而大尺寸特征图检测小尺寸物体。特征图的输出维度为为输出特征图格点数，一共3个Anchor框，每个框有4维预测框数值，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为 。
Yolov3总共输出3个特征图，第一个特征图下采样32倍，第二个特征图下采样16倍，第三个下采样8倍。输入图像经过Darknet-53（无全连接层），再经过Yoloblock生成的特征图被当作两用，第一用为经过3*3卷积层、1*1卷积之后生成特征图一，第二用为经过1*1卷积层加上采样层，与Darnet-53网络的中间层输出结果进行拼接，产生特征图二。同样的循环之后产生特征图三。
上采样层(upsample)：作用是将小尺寸特征图通过插值等方法，生成大尺寸图像。例如使用最近邻插值算法，将8*8的图像变换为16*16。上采样层不改变特征图的通道数。
激活函数concat操作与加和操作的区别：加和操作来源于ResNet思想，将输入的特征图，与输出特征图对应维度进行相加，即

；而concat操作源于DenseNet网络的设计思路，将特征图按照通道维度直接进行拼接，例如8*8*16的特征图与8*8*16的特征图拼接后生成8*8*32的特征图。

LeakyReLU的激活函数，如下

其中，Darknet的2维卷积DarknetConv2D，具体操作如下：

将核权重矩阵的正则化，使用L2正则化，参数是5e-4，即操作w参数；
Padding，一般使用same模式，只有当步长为(2,2)时，使用valid模式。避免在降采样中，引入无用的边界信息；
其余参数不变，都与二维卷积操作Conv2D()一致；

kernel_regularizer是将核权重参数w进行正则化，而BatchNormalization是将输入数据x进行正则化。

Leaky_Relu（yolov3）与mish（yolov4），如下

残差流程

在darknet_body()中，执行5组resblock_body()残差块，重复[1, 2, 8, 8, 4]次，双卷积（1x1和3x3）操作，每组均含有一次步长为2的卷积操作，因而一共降维5次32倍，即32=2^5，则输出的特征图维度是13，即13=416/32。最后1层的通道（filter）数是1024，因此，最终的输出结构是(?, 13, 13, 1024)。

特征图

特征图

在YOLO v3网络中，输出3个不同尺度的检测图，用于检测不同大小的物体。调用3次make_last_layers()，产生3个检测图，即y1、y2和y3。

13x13检测图
第1个部分，输出维度是13x13。在make_last_layers()方法中，输入参数如下：

darknet.output：DarkNet网络的输出，即(?, 13, 13, 1024)；
num_filters：通道个数512，用于生成中间值x，x会传导至第2个检测图；
out_filters：第1个输出y1的通道数，值是锚框数*(类别数+4个框值+框置信度)；

在make_last_layers()方法中，执行2步操作：

第1步，x执行多组1x1的卷积操作和3x3的卷积操作，filter先扩大再恢复，最后与输入的filter保持不变，仍为512，则x由(?,13, 13, 1024)转变为(?, 13, 13, 512)；
第2步，x先执行3x3的卷积操作，再执行不含BN和Leaky的1x1的卷积操作，作用类似于全连接操作，生成预测矩阵y；

26x26检测图
第2个部分，输出维度是26x26，包含以下步骤：