YOLOV5解析
网络由三个主要组件组成：
1）Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络。
2）Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。
3）output：对图像特征进行预测，生成边界框和并预测类别。
对于YOLOV5，无论是V5s，V5m，V5l还是V5x其Backbone，Neck和output一致。唯一的区别在与模型的深度和宽度设置。
总结构框架：
下面逐一解析：
1)Backbone
先代码，有个大概脉络：
# YOLOv5 backbone
backbone:
# [from, number, module, args]
[[-1, 1, Focus, [64, 3]], # 0-P1/2
[-1, 1, Conv, [128, 3, 2]], # 1-P2/4
[-1, 3, BottleneckCSP, [128]],
[-1, 1, Conv, [256, 3, 2]], # 3-P3/8
[-1, 9, BottleneckCSP, [256]],
[-1, 1, Conv, [512, 3, 2]], # 5-P4/16
[-1, 9, BottleneckCSP, [512]],
[-1, 1, Conv, [1024, 3, 2]], # 7-P5/32
[-1, 1, SPP, [1024, [5, 9, 13]]],
[-1, 3, BottleneckCSP, [1024, False]], # 9
]
①Backbone第一层focus，从高分辨率图像中，周期性的抽出像素点重构到低分辨率图像中，即将图像相邻的四个位置进行堆叠，聚焦wh维度信息到c通道空间，提高每个点感受野，并减少原始信息的丢失，该模块的设计主要是减少计算量加快速度。
作者原话：Focus() module is designed for FLOPS reduction and speed increase, not mAP increase.
class Focus(nn.Module):
# Focus wh information into c-space
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True): # ch_in, ch_out, kernel, stride, padding, groups
super(Focus, self).__init__()
self.conv = Conv(c1 * 4, c2, k, s, p, g, act)
def forward(self, x): # x(b,c,w,h) -> y(b,4c,w/2,h/2)
return self.conv(torch.cat([x[..., ::2, ::2], x[..., 1::2, ::2], x[..., ::2, 1::2], x[..., 1::2, 1::2]], 1))
在YOLOv5上的数据流向是：
YOLO V5默认3x640x640的输入，先复制四份，然后通过切片操作将这个四个图片切成了四个3x320x320的切片，接下来使用concat从深度上连接这四个切片，输出为12x320x320，之后再通过卷积核数为64的卷积层，生成64x320x320的输出，最后经过batch_borm 和leaky_relu将结果输入到下一个卷积层。
② Backbone第三层，BottleneckCSP模块。
BottleneckCSP模块主要包括Bottleneck和CSP两部分。
class BottleneckCSP(nn.Module):
# CSP Bottleneck https://github.com/WongKinYiu/CrossStagePartialNetworks
def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5): # ch_in, ch_out, number, shortcut, groups, expansion
super(BottleneckCSP, self).__init__()
c_ = int(c2 * e) # hidden channels
self.cv1 = Conv(c1, c_, 1, 1)
self.cv2 = nn.Conv2d(c1, c_, 1, 1, bias=False)
self.cv3 = nn.Conv2d(c_, c_, 1, 1, bias=False)
self.cv4 = Conv(2 * c_, c2, 1, 1)
self.bn = nn.BatchNorm2d(2 * c_) # applied to cat(cv2, cv3)
self.act = nn.LeakyReLU(0.1, inplace=True)
self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
def forward(self, x):
y1 = self.cv3(self.m(self.cv1(x)))
y2 = self.cv2(x)
return self.cv4(self.act(self.bn(torch.cat((y1, y2), dim=1))))
其中，在yolov5的模型配置文件中，有的BottleneckCSP模块配置存在False,而有的没有，如下：
[-1, 9, BottleneckCSP, [512]],
[-1, 3, BottleneckCSP, [512, False]], # 13
这里的False表示在这个BottleneckCSP中，不进行shortcut操作。
比如：
下图左图是无False的BottleneckCSP，右图是有False的BottleneckCSP。
④ SPP模块（空间金字塔池化模块）， 分别采用5/9/13的最大池化，再进行concat融合，提高感受野。
SPP的输入是512x20x20，经过1x1的卷积层后输出256x20x20，然后经过并列的三个Maxpool进行下采样，将结果与其初始特征相加，输出1024x20x20，最后用512的卷积核将其恢复到512x20x20
2)Neck(PANet)
PANET基于 Mask R-CNN 和 FPN 框架，加强了信息传播，具有准确保留空间信息的能力，这有助于对像素进行适当的定位以形成掩模。
3)loss函数
边框回归：CIOU （GIOU的一种改进）
Objectness：GIOU
IOU：交并比
GIOU公式意思：先计算两个框的最小闭包区域面积Ac (通俗理解：同时包含了预测框和真实框的最小框的面积)，再计算出IoU，再计算闭包区域Ac中不属于两个框的区域占闭包区域的比重，最后用IoU减去这个比重得到GIoU。
作为损失函数即：
分类：BCE(交叉熵损失)
损失平衡：ciou=0.05，giou=1， bce=0.5
训练
1；环境
ubuntu ，python3.8, torch 1.6, torchvision 0.7
2;送到网络中训练的数据格式
每行5个浮点型数据，第一个为标签序号，第二个和第三个为目标归一化后的中心点坐标，第四个和第五个表示目标归一化后的长宽。
3:配置文件中参数说明
train_path: ./source_data/traindata #训练数据集
val_path: ./source_data/valdata #测试数据集
convertor_path: ./convertor/chouyan #转换成训练模型所需要的的数据格式保存路径
task_name: chouyan_s #任务名称，最后在这个文件夹下保存生成的模型
names: ["xiangyan"] #类别名称
gpu_ids: "2"
imgsz: 416
epochs: 50 #训练总共跑50个epoch
batch_size: 4
eval_interval: 5 #每5个epoch保存一次模型
weights: ./weights/yolov5s.pt #预训练模型
#weights: /data/dj/yolov5/work_dir/chouyan_s/2020-11-14/2020-11-14_15:17:32/epoch_15.pth # 在测试的时候，指定#测试的模型
source: ./test_data/chouyan2/neg #测试的数据集路径，只需要图像
output_pos: output_s_pos_neg #测试结果保存的路径，可根据自己需要保存
3:训练程序中需要注意的地方
1）配置参数
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--cfg', type=str, default='models/yolov5s.yaml', help='model.yaml path') #如果预训练模型是#yolov5s，这里需要保持一致，最终训练的模型就是yolov5s版本
parser.add_argument('--data', type=str, default='config.yaml', help='data.yaml path') # 配置文件名称
parser.add_argument('--hyp', type=str, default='', help='hyp.yaml path (optional)')
parser.add_argument('--epochs', type=int, default=300)
parser.add_argument('--batch-size', type=int, default=16, help="Total batch size for all gpus.")
parser.add_argument('--img-size', nargs='+', type=int, default=[416, 416], help='train,test sizes') #图像resize到的尺寸，可根据自己实际任务需求，改成640等，需要32的倍数
parser.add_argument('--rect', action='store_true', help='rectangular training')
parser.add_argument('--resume', nargs='?', const='get_last', default=False,
help='resume from given path/to/last.pt, or most recent run if blank.')
parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
parser.add_argument('--notest', action='store_true', help='only test final epoch')
parser.add_argument('--noautoanchor', action='store_true', help='disable autoanchor check')
parser.add_argument('--evolve', action='store_true', help='evolve hyperparameters')
parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')
parser.add_argument('--weights', type=str, default='', help='initial weights path')
parser.add_argument('--name', default='', help='renames results.txt to results_name.txt if supplied')
parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
parser.add_argument('--single-cls', action='store_true', help='train as single-class dataset')
parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
parser.add_argument('--local_rank', type=int, default=-1, help='DDP parameter, do not modify')
opt = parser.parse_args()
2）模型存放路径
def init_logger(work_dir='./work_dir'): #在ubuntu下训练一定不要写成work_dir='.\\work_dir'，不然会找不到这个路径
cur_time = datetime.datetime.now().strftime("%Y-%m-%d_%H:%M:%S")
work_dir = os.path.join(work_dir, cur_time.split('_')[0], cur_time)
mkdir_or_exist(os.path.abspath(work_dir))
# log
log_file = os.path.join(work_dir, 'log.log')
logger = get_root_logger(log_file)
return logger, work_dir
4，最后直接运行python train.py 就可直接训练。
测试
直接运行python detect.py 就可直接训练。
YOLOv5三种模型比较
训练代码梳理
一：加载训练配置文件
二：Create model
① 导入模型配置文件
self.yaml = yaml.load(f, Loader=yaml.FullLoader)
② 根据模型配置文件，定义模型
if nc and nc != self.yaml[‘nc’]:
self.yaml[‘nc’] = nc # override yaml value
self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch])
from n params module arguments
0 -1 1 8800 models.common.Focus [3, 80, 3]
1 -1 1 115520 models.common.Conv [80, 160, 3, 2]
2 -1 1 315680 models.common.BottleneckCSP [160, 160, 4]
3 -1 1 461440 models.common.Conv [160, 320, 3, 2]
4 -1 1 3311680 models.common.BottleneckCSP [320, 320, 12]
5 -1 1 1844480 models.common.Conv [320, 640, 3, 2]
6 -1 1 13228160 models.common.BottleneckCSP [640, 640, 12]
7 -1 1 7375360 models.common.Conv [640, 1280, 3, 2]
8 -1 1 4099840 models.common.SPP [1280, 1280, [5, 9, 13]]
9 -1 1 20087040 models.common.BottleneckCSP [1280, 1280, 4, False]
10 -1 1 820480 models.common.Conv [1280, 640, 1, 1]
11 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
12 [-1, 6] 1 0 models.common.Concat [1]
13 -1 1 5435520 models.common.BottleneckCSP [1280, 640, 4, False]
14 -1 1 205440 models.common.Conv [640, 320, 1, 1]
15 -1 1 0 torch.nn.modules.upsampling.Upsample [None, 2, 'nearest']
16 [-1, 4] 1 0 models.common.Concat [1]
17 -1 1 1360960 models.common.BottleneckCSP [640, 320, 4, False]
18 -1 1 922240 models.common.Conv [320, 320, 3, 2]
19 [-1, 14] 1 0 models.common.Concat [1]
20 -1 1 5025920 models.common.BottleneckCSP [640, 640, 4, False]
21 -1 1 3687680 models.common.Conv [640, 640, 3, 2]
22 [-1, 10] 1 0 models.common.Concat [1]
23 -1 1 20087040 models.common.BottleneckCSP [1280, 1280, 4, False]
24 [17, 20, 23] 1 40374 models.yolo.Detect [1, [[15.086, 10.896, 12.185, 27.484, 28.191, 13.015], [26.104, 23.376, 53.062, 15.104, 18.795, 51.715], [45.032, 25.534, 31.85, 40.063, 49.745, 47.505]], [320, 640, 1280]]
③ 获取前向输出
m = self.model[-1] # Detect()
从上面模型结构上就可以看到，yolov5把三个尺度的输出结果都存在最后一层，所以获取前向结果，直接取模型最后一层结果即可。
④ 将配置好的anchors根据[8,16,32]的尺度归一化。
m.anchors /= m.stride.view(-1, 1, 1) #m.stride=[8,16,32]
三：根据创建的模型结构，加载预训练模型参数
四：设置一些训练技巧：
①model, optimizer = amp.initialize(model, optimizer, opt_level=‘O1’, verbosity=0)
amp.initialize函数的作用不是提高模型精度或者训练速度，它是用来降低显存消耗。
主要看opt_level参数的配置，00相当于原始的单精度训练。01在大部分计算时采用半精度，但是所有的模型参数依然保持单精度，对于少数单精度较好的计算（如softmax）依然保持单精度。02相比于01，将模型参数也变为半精度。03基本等于最开始实验的全半精度的运算。值得一提的是，不论在优化过程中，模型是否采用半精度，保存下来的模型均为单精度模型，能够保证模型在其他应用中的正常使用。
② 学习率的调整方式
pytorch有3中调整学习率的策略：
1）有序调整：等间隔调整(Step)，按需调整学习率(MultiStep)，指数衰减调整(Exponential)和余弦退火CosineAnnealing
2）自适应调整： ReduceLROnPlateau
3）自定义调整： LambdaLR
③多GPU训练处理
model = torch.nn.DataParallel(model)
如果调用torch.nn.DataParallel,在设置GPU训练的时候，就一定需要设置2块或2块以上，如果只设置单卡训练就会报错。
④ 对预模型参数做平均操作，增加模型训练时的鲁棒性
ema = torch_utils.ModelEMA(model)
五：训练数据集和验证数据集处理
create_dataloader()
六：给模型设置一些参数
包括类别数量，类别名称，类别权重等
七：anchor设置
是否需要修改anchor：
check_anchors(dataset, model=model, thr=hyp[‘anchor_t’], imgsz=imgsz)
如果自己数据集anchor大小尺寸分布不像coco数据集那样丰富，比如：小目标检测，建议根据自己数据集去聚类一份新的anchor
# 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
anchors:
- [15.086,10.896,12.185,27.484,28.191,13.015] # P3/8
- [26.104,23.376,53.062,15.104,18.795,51.715] # P4/16
- [45.032,25.534,31.85,40.063,49.745,47.505] # P5/32
直接将utils中的kmeans_anchor复制到本地，在本地运行即可。
kmean_anchors(path=‘E:\projects\YOLO5\data\chouyan.yaml’, n=9, img_size=416, thr=8.0, gen=1000, verbose=True)
按照coco.yaml新建配置一个xxxx.yaml文件，里面设置好训练集路径；n=9，表示聚类9个点，这个不要改，img_size训练集图像大小，thr训练集目标长宽比例，因为我需要训练的目标是小细长条的形状，便将coco中的thr=4.0改成了8.0，增大目标长宽比。
八：训练
for epoch in range(start_epoch, epochs):
...
for i, (imgs, targets, paths, _) in enumerate(dataloader): #分批训练
...
imgs = imgs.to(device, non_blocking=True).float() / 255.0 #uint8 to float32
...
pred = model(imgs) #前向处理
loss, loss_items = compute_loss(pred, targets.to(device), model) #计算loss
...
results, correct,maps, times = test.test(...) #验证集验证
torch.save(...) #保存模型
loss梳理
1）前向处理结果：
8,16,32三个尺度的输出
② 计算loss
1）tcls, tbox, indices, anchors = build_targets(p, targets, model)
def build_targets(p, targets, model): #p:三个尺度的特征图； targets：标签信息，det.anchors：预测的anchors
# Build targets for compute_loss(), input targets(image,class,x,y,w,h)
det = model.module.model[-1] if type(model) in (nn.parallel.DataParallel, nn.parallel.DistributedDataParallel) \
else model.model[-1] # Detect() module
na, nt = det.na, targets.shape[0] # number of anchors, targets
tcls, tbox, indices, anch = [], [], [], []
gain = torch.ones(6, device=targets.device) # normalized to gridspace gain #shape[6]
off = torch.tensor([[1, 0], [0, 1], [-1, 0], [0, -1]], device=targets.device).float() # overlap offsets #shape[4,2]
at = torch.arange(na).view(na, 1).repeat(1, nt) # anchor tensor, same as .repeat_interleave(nt) #shape[3,1]
g = 0.5 # offset
style = 'rect4'
for i in range(det.nl):
anchors = det.anchors[i] #分别获取每个尺度上的基于特征图大小的的anchor #shape[3,2]
gain[2:] = torch.tensor(p[i].shape)[[3, 2, 3, 2]] # xyxy gain #shape[6] 获取每个尺度上预测的类别，已经类别置信度，目标cx，cy，w,h
# Match targets to anchors
a, t, offsets = [], targets * gain, 0 #将gt的cx，cy，w,h换算到当前特征层对应的尺寸，以便和该层的anchor大小相对应
if nt:
r = t[None, :, 4:6] / anchors[:, None] # wh ratio #t_w,h/anchors
j = torch.max(r, 1. / r).max(2)[0] < model.hyp['anchor_t'] # compare #判断了r和1/r与model.hyp['anchor_t']的大小关系,返回bool值
# j = wh_iou(anchors, t[:, 4:6]) > model.hyp['iou_t'] # iou(3,n) = wh_iou(anchors(3,2), gwh(n,2))
a, t = at[j], t.repeat(na, 1, 1)[j] # filter #过滤掉长宽比大于阈值anchor_t的预测长宽组合
# overlaps
gxy = t[:, 2:4] # grid xy #获取gt的cx，cy
z = torch.zeros_like(gxy)
if style == 'rect2':
j, k = ((gxy % 1. < g) & (gxy > 1.)).T
a, t = torch.cat((a, a[j], a[k]), 0), torch.cat((t, t[j], t[k]), 0)
offsets = torch.cat((z, z[j] + off[0], z[k] + off[1]), 0) * g
elif style == 'rect4':
j, k = ((gxy % 1. < g) & (gxy > 1.)).T
l, m = ((gxy % 1. > (1 - g)) & (gxy < (gain[[2, 3]] - 1.))).T
a, t = torch.cat((a, a[j], a[k], a[l], a[m]), 0), torch.cat((t, t[j], t[k], t[l], t[m]), 0)
offsets = torch.cat((z, z[j] + off[0], z[k] + off[1], z[l] + off[2], z[m] + off[3]), 0) * g
# t.shape=[9,6] 即扩充了gt的数量，由原来3个anchor扩充到现在9个anchor,在每个gt中心点附近再扩充2个gt中心点
# Define
b, c = t[:, :2].long().T # image, class
gxy = t[:, 2:4] # grid xy
gwh = t[:, 4:6] # grid wh
gij = (gxy - offsets).long()
gi, gj = gij.T # grid xy indices
# Append
indices.append((b, a, gj, gi)) # image, anchor, grid indices
tbox.append(torch.cat((gxy - gij, gwh), 1)) # box
anch.append(anchors[a]) # anchors
tcls.append(c) # class
return tcls, tbox, indices, anch
训练过程中踩的坑：
现象：梯度nan
可能的原因：权重衰减严重，权重系数小，导致梯度过小，超出pytorch加速神器Apex存储范围，导致舍入误差。
现象：loss一直高居不下，召回率也是一直很低
原因：初始学习率设置过大。
为什么学习率对模型收敛影响这么大？ 首先先梳理一下网络参数更新过程。
Pytorch 模型参数更新过程：
1，通过网络前向输出与真实标签之间的误差，得到loss。
2，通过loss.backward()完成误差的反向传播，通过pytorch的内在机制完成自动求导得到每个参数的梯度W_grad.
if mixed_precision:
with amp.scale_loss(loss, optimizer) as scaled_loss:
scaled_loss.backward()
else:
loss.backward()
正常的程序，得到梯度之后，就启动优化算法，对权重进行更新。但是yolov5中,使用梯度累计的trick，即
if ni % accumulate == 0:
optimizer.step()
optimizer.zero_grad()
就是，在计算出梯度之后，不是马上启动优化算法，而是继续下一个batch过来计算loss，再在原来梯度基础上，计算这一个batch的梯度，也就实现了多个batch的梯度积累成一个梯度，根据这个累计的梯度，去对模型参数更新，也就完成了一次模型迭代。
3，通过优化算法，对模型参数更新。
①优化过程：
优化算法的通用的公式是：
W_data=W_data+W_grad*lr
其中W_data为模型参数，W_grad为参数梯度，lr为学习率。
optimizer = optim.SGD(pg0, lr=hyp['lr0'], momentum=hyp['momentum'], nesterov=True)
pytorch框架，一般的优化算法中，都会对模型参数进行L2正则化的权重衰减处理，经过权值衰减处理后，输出的权重会变小，目的是为了防止过拟合。
@torch.no_grad()
def step(self, closure=None):
"""Performs a single optimization step.
Arguments:
closure (callable, optional): A closure that reevaluates the model
and returns the loss.
"""
loss = None
if closure is not None:
with torch.enable_grad():
loss = closure()
for group in self.param_groups:
weight_decay = group['weight_decay']
momentum = group['momentum']
dampening = group['dampening']
nesterov = group['nesterov']
for p in group['params']:
if p.grad is None:
continue
d_p = p.grad
if weight_decay != 0:
d_p = d_p.add(p, alpha=weight_decay) #权值L2正则化衰减
if momentum != 0:
param_state = self.state[p]
if 'momentum_buffer' not in param_state:
buf = param_state['momentum_buffer'] = torch.clone(d_p).detach()
else:
buf = param_state['momentum_buffer']
buf.mul_(momentum).add_(d_p, alpha=1 - dampening)
if nesterov:
d_p = d_p.add(buf, alpha=momentum)
else:
d_p = buf
p.add_(d_p, alpha=-group['lr']) #权值更新
return loss
② 模型参数更新：
optimizer.step()
③ 梯度归零。
optimizer.zero_grad()
一次梯度更新一次模型，下一轮模型的更新，需要下一轮新算出来的梯度。
4，对更新的模型参数均值处理
ema = torch_utils.ModelEMA(model) if rank in [-1, 0] else None
ema.update(model)
针对学习率优化的几个方式：
① Warmup
可以使得开始训练的几个epoches或者一些steps内学习率较小,在预热的小学习率下，模型可以慢慢趋于稳定,等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。
有助于减缓模型在初始阶段对mini-batch的提前过拟合现象，保持分布的平稳
有助于保持模型深层的稳定性。
if ni <= nw:
xi = [0, nw] # x interp
# model.gr = np.interp(ni, xi, [0.0, 1.0]) # giou loss ratio (obj_loss = 1.0 or giou)
accumulate = max(1, np.interp(ni, xi, [1, nbs / total_batch_size]).round())
for j, x in enumerate(optimizer.param_groups):
# bias lr falls from 0.1 to lr0, all other lrs rise from 0.0 to lr0
x['lr'] = np.interp(ni, xi, [0.1 if j == 2 else 0.0, x['initial_lr'] * lf(epoch)])
if 'momentum' in x:
x['momentum'] = np.interp(ni, xi, [0.9, hyp['momentum']])
② 学习率调整方案
Pytorch 提供的学习率调整策略分为三大类：
a. 有序调整：等间隔调整(Step)，按需调整学习率(MultiStep)，指数衰减调整(Exponential)和 余弦退火CosineAnnealing。
b. 自适应调整：自适应调整学习率 ReduceLROnPlateau。
c. 自定义调整：自定义调整学习率 LambdaLR。