[YOLO专题-21]:YOLO V5 - ultralytics代码解析-网络配置文件与总体结构
Posted 文火冰糖的硅基工坊
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[YOLO专题-21]:YOLO V5 - ultralytics代码解析-网络配置文件与总体结构相关的知识,希望对你有一定的参考价值。
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122369147
目录
第1章 YOLO的数据处理流程
第2章 YOLO V5支持的网络模型
除了上述模型外,最新版本还支持了一个更小的网络模型YOLOv5n
详解如下链接:
第3章 YOLO V5网络的配置文件
3.1 网络配置文件的作用
为了使得网络的构建根据的灵活,YOLO V5采用了数据与代码分离的方式来实现。
把对网络的配置放置在模型配置文件*.yaml中。yolo v5的代码通过读取该配置文件,来构建网络。
3.2 模型配置文件的路径
3.3 模型配置文件的内容(yolov5s为例)
# 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)
]
(1)配置参数
- nc: 80 # number of classes =》 网络支持的最大分类数
- depth_multiple: 0.33 # model depth multiple =》网络的深度或层数的倍数,倍数越小,网络越浅,速度越高。
- width_multiple: 0.50 # layer channel multiple =》 卷积层的卷积核channel的倍数,倍数越小,卷积核越少,特征通道越少。
- anchors: 默认的先验框的尺寸,这是根据公开数据集获得的,可根据自身的数据集的特征,进行重新设置。
- [10,13, 16,30, 33,23] # P3/8
- [30,61, 62,45, 59,119] # P4/16
- [116,90, 156,198, 373,326] # P5/32
YOLOv5n 微规模 | YOLOv5s 小规模 | YOLOv5m 中规模 | YOLOv5l 大规模 | YOLOv5x 超大规模 | |
depth_multiple | 0.33 | 0.33 | 0.67 | 1.00 | 1.33 |
width_multiple | 0.25 | 0.50 | 0.75 | 1.00 | 1.25 |
(2)骨干网backbone
骨干网负责特征的提取,主要由三种类型的子网络组成
- CONV:卷积网络( 关于CONV网络的原理,请参考卷积神经网络CNN)
- CSPx3:CSPx3网络
- SPPF:网络
(3)节点网络Head
(3-1)Nect网络:FPN + PAN => FPAN
- CONV:卷积网络
- concat:组合
- Upsample:上采样
(3-2)结构化输出
- Detect:目标检测输出 网络
第4章 YOLO V5总体的网络结构
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/122369147
以上是关于[YOLO专题-21]:YOLO V5 - ultralytics代码解析-网络配置文件与总体结构的主要内容,如果未能解决你的问题,请参考以下文章
[YOLO专题-18]:YOLO V5 - ultralytics代码解析-总体架构
[YOLO专题-22]:YOLO V5 - ultralytics代码解析-超参数详解
[YOLO专题-19]:YOLO V5 - ultralytics代码解析-dataloader数据加载机制
[YOLO专题-16]:YOLO V5 - 如何把labelme json训练数据集批量转换成yolo数据集