YOLO系列 --- YOLOV7算法（四）：YOLO V7算法网络结构解析

YOLO系列 — YOLOV7算法（四）：YOLO V7算法网络结构解析

今天来讲讲YOLO V7算法网络结构吧~
在train.py中大概95行的地方开始创建网络，如下图（YOLO V7下载的时间不同，可能代码有少许的改动，所以行数跟我不一定一样）

我们进去发现，其实就是在yolo.py里面。后期，我们就会发现相关的网络结构都是在该py文件里面。这篇blog就主要讲讲Model这个类。

---

def __init__(self, cfg='yolor-csp-c.yaml', ch=3, nc=None, anchors=None): 

先来说下，传入的参数：

• cfg：传入的网络结构yaml文件路径，这里已经默认的是yolor-csp-c.yaml，就是说如果你在train.py中没有传入网络结构yaml文件的话默认使用yolor-csp-c.yaml这个网络结构
• ch：预测头的数量
• nc：数据集类别数

---

        super(Model, self).__init__()
        self.traced = False
        if isinstance(cfg, dict):
            self.yaml = cfg  # model dict
        else:  # is *.yaml
            import yaml  # for torch hub
            self.yaml_file = Path(cfg).name
            with open(cfg) as f:
                self.yaml = yaml.load(f, Loader=yaml.SafeLoader)  # model dict

首先判断传入的yaml网络结构文件是不是字典形式的，我们一般直接就是传入的是yaml的路径，所以直接用yaml.load解析yaml文件，如下图

---

        # Define model
        ch = self.yaml['ch'] = self.yaml.get('ch', ch)  # input channels
        if nc and nc != self.yaml['nc']:
            logger.info(f"Overriding model.yaml nc={self.yaml['nc']} with nc={nc}")
            self.yaml['nc'] = nc  # override yaml value
        if anchors:
            logger.info(f'Overriding model.yaml anchors with anchors={anchors}')
            self.yaml['anchors'] = round(anchors)  # override yaml value
        self.model, self.save = parse_model(deepcopy(self.yaml), ch=[ch])  # model, savelist
        self.names = [str(i) for i in range(self.yaml['nc'])]  # default names

这段代码值得好好看看，首先第一行代码出现了两个=号，其实代表的含义就是最右边的变量同时赋值给中间的和最左边的。而self.yaml.get('ch', ch)就是在寻找yaml字典中是否存在ch这个key，这里是不存在的，我们可以在yolov7.yaml中找找看，里面是没有的，如果没有的话就直接用Model类中__init__初始化定义的ch=3，表示该模型一共有三个预测头。
然后，判断一下custom_data.yaml中的nc是否与yolov7.yaml中的nc是否一致，如果不一致的话就默认将custom_data.yaml中的nc赋值给self.yaml中的nc。
接着，将yolov7.yaml中的anchors赋值给self.yaml。
最后，我们将解析后的yaml字典和预测头数量传入parse_model函数，最后一行代码其实就没什么的了，就是将所有类别变成[0，1，2，…]

---

进入parse_model函数：

    logger.info('\n%3s%18s%3s%10s  %-40s%-30s' % ('', 'from', 'n', 'params', 'module', 'arguments'))
    anchors, nc, gd, gw = d['anchors'], d['nc'], d['depth_multiple'], d['width_multiple']
    na = (len(anchors[0]) // 2) if isinstance(anchors, list) else anchors  # number of anchors
    no = na * (nc + 5)  # number of outputs = anchors * (classes + 5)

首先是从yaml字典中获取anchor尺寸，类别数，网络深度，网络宽度。这里，详细说下网络深度，网络宽度到底是什么意思：

我们先来看下yolov7.yaml中backbone和head中每个列表的含义：

第一个：表示该层是源自于上面哪一层，一般-1就表示的是上一层
第二个：表示该层一共有几个，就比如说这里有一个卷积层是2的话，那么这层就是有两个串联卷积层
第三个：表示该层是什么模块
第四个：表示的是该层的一些参数，比如说如果该层是Conv卷积层的话，那么后面接一个【32,3,1】就表示的是输出channel数是32，卷积核大小为3*3
介绍完每个参数，我们就可以介绍什么是网络深度，网络宽度了：

• 网络深度：实际在构建网络模型的时候，并不是直接使用上述第二个参数，即有几个模块层。而是用网络深度去乘以第二个参数，最终获得的数量才是真正的层数量。举个例子，此时网络深度是0.33，某个层的第二个参数是3，那么实际在构建网络模型的时候只创建了0.33*3=1个，并不是三个。
• 网络宽度：再举个例子吧，比如此时该层是卷积层Conv，输出channels数设置为64，但是同时网络宽度设置的是0.5，那么在实际构建网络模型的时候，该层最后的输出channels数其实是64*0.5=32。

同时，在yolov7.yaml中anchors表示的是每个预测头所对应的anchors长宽大小，如下图（随意画的，能理解含义就ok了）：

那么na就表示的是每个预测头有几组比例不同的anchor，no表示的是最后预测头输出的通道数，其中5表示的是四个位置信息和置信度大小。

---

    layers, save, c2 = [], [], ch[-1]  # layers, savelist, ch out
    for i, (f, n, m, args) in enumerate(d['backbone'] + d['head']):  # from, number, module, args
        m = eval(m) if isinstance(m, str) else m  # eval strings
        for j, a in enumerate(args):
            try:
                args[j] = eval(a) if isinstance(a, str) else a  # eval strings
            except:
                pass

遍历backbone和head所有层，获取得到每一层到底是什么模块，然后利用eval函数进行解析。这里简单介绍下eval函数，遍历所得到的m只是一个字符串，表示该层的类型，但是并不是该层的类，而eval函数就是实例化该层类。而args也是同理。

---

        n = max(round(n * gd), 1) if n > 1 else n  # depth gain
        if m in [nn.Conv2d, Conv, RobustConv, RobustConv2, DWConv, GhostConv, RepConv, RepConv_OREPA, DownC, 
                 SPP, SPPF, SPPCSPC, GhostSPPCSPC, MixConv2d, Focus, Stem, GhostStem, CrossConv, 
                 Bottleneck, BottleneckCSPA, BottleneckCSPB, BottleneckCSPC, 
                 RepBottleneck, RepBottleneckCSPA, RepBottleneckCSPB, RepBottleneckCSPC,  
                 Res, ResCSPA, ResCSPB, ResCSPC, 
                 RepRes, RepResCSPA, RepResCSPB, RepResCSPC, 
                 ResX, ResXCSPA, ResXCSPB, ResXCSPC, 
                 RepResX, RepResXCSPA, RepResXCSPB, RepResXCSPC, 
                 Ghost, GhostCSPA, GhostCSPB, GhostCSPC,
                 SwinTransformerBlock, STCSPA, STCSPB, STCSPC,
                 SwinTransformer2Block, ST2CSPA, ST2CSPB, ST2CSPC]:
            c1, c2 = ch[f], args[0]
            if c2 != no:  # if not output
                c2 = make_divisible(c2 * gw, 8)

第一行代码就是我上述所说的网络深度，真正的层数量取决于yaml文件中的第二个参数和网络深度的乘积。前提是yaml中层的数量是大于1才进行计算。然后判断该层的类型，这个判断大多是判断是不是卷积层。计算c1和c2，这两个数字分别表示输入channels数和输出channels数。接着判断遍历的该层是不是最后一层，而判断的标注就是看最后输出的channels数c2是不是等于no，no上述已经说过了表示最后预测头的通道数。如果不是最后一层，那表示是网络中间的层，那么就来到了上述说的网络宽度部分了。

c2 = make_divisible(c2 * gw, 8)

该层最终的输出通道数其实就是网络宽度和该层第一个参数的乘积，make_divisible函数之前已经说过了，作用是自动调整为32的倍数。

---

            args = [c1, c2, *args[1:]]
            if m in [DownC, SPPCSPC, GhostSPPCSPC, 
                     BottleneckCSPA, BottleneckCSPB, BottleneckCSPC, 
                     RepBottleneckCSPA, RepBottleneckCSPB, RepBottleneckCSPC, 
                     ResCSPA, ResCSPB, ResCSPC, 
                     RepResCSPA, RepResCSPB, RepResCSPC, 
                     ResXCSPA, ResXCSPB, ResXCSPC, 
                     RepResXCSPA, RepResXCSPB, RepResXCSPC,
                     GhostCSPA, GhostCSPB, GhostCSPC,
                     STCSPA, STCSPB, STCSPC,
                     ST2CSPA, ST2CSPB, ST2CSPC]:
                args.insert(2, n)  # number of repeats
                n = 1

args是拼凑喂入网络的参数列表， 我们可以看下models/common.py中Conv类的__init__初始化函数：

卷积层需要输入的参数格式为：[输入通道数，输出通道数，卷积核大小，步长]，正好与args = [c1, c2, *args[1:]]相对应上了。然后进一步判断层是否属于列表中这些层，因为这些层的参数形式与卷积不一样。

---

        elif m is nn.BatchNorm2d:
            args = [ch[f]]
        elif m is Concat:
            c2 = sum([ch[x] for x in f])
        elif m is Chuncat:
            c2 = sum([ch[x] for x in f])
        elif m is Shortcut:
            c2 = ch[f[0]]
        elif m is Foldcut:
            c2 = ch[f] // 2
        elif m in [Detect, IDetect, IAuxDetect, IBin]:
            args.append([ch[x] for x in f])
            if isinstance(args[1], int):  # number of anchors
                args[1] = [list(range(args[1] * 2))] * len(f)
        elif m is ReOrg:
            c2 = ch[f] * 4
        elif m is Contract:
            c2 = ch[f] * args[0] ** 2
        elif m is Expand:
            c2 = ch[f] // args[0] ** 2
        else:
            c2 = ch[f]

判断如果不是卷积等操作，再看看是不是属于下面elif中的哪个层，这里我就不多说了，也没啥难的。

---

        m_ = nn.Sequential(*[m(*args) for _ in range(n)]) if n > 1 else m(*args)  # module
        t = str(m)[8:-2].replace('__main__.', '')  # module type
        np = sum([x.numel() for x in m_.parameters()])  # number params
        m_.i, m_.f, m_.type, m_.np = i, f, t, np  # attach index, 'from' index, type, number params
        logger.info('%3s%18s%3s%10.0f  %-40s%-30s' % (i, f, n, np, t, args))  # print
        save.extend(x % i for x in ([f] if isinstance(f, int) else f) if x != -1)  # append to savelist
        layers.append(m_)
        if i == 0:
            ch = []
        ch.append(c2)
    return nn.Sequential(*layers), sorted(save)

torch.nn.Sequential是一个Sequential容器，模块将按照构造函数中传递的顺序添加到模块中。然后获取遍历的每一层的参数量大小。save.extend这一行代码是遍历所有的层，找到第一个参数不是等于-1的，也就是该层的数据不是来源于上一层，也就是意味着是来自上面的多个层，那么就要进行保存操作。最后判断下是不是输入层，如果是输入层的话，就将输出通道数放进ch里面去。最后返回Sequential容器和需要保存的层的索引号。

---

我们回到Model类中：

        # Build strides, anchors
        m = self.model[-1]  # Detect()
        if isinstance(m, Detect):
            s = 256  # 2x min stride
            m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))])  # forward
            m.anchors /= m.stride.view(-1, 1, 1)
            check_anchor_order(m)
            self.stride = m.stride
            self._initialize_biases()  # only run once
            # print('Strides: %s' % m.stride.tolist())
        if isinstance(m, IDetect):
            s = 256  # 2x min stride
            m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))])  # forward
            m.anchors /= m.stride.view(-1, 1, 1)
            check_anchor_order(m)
            self.stride = m.stride
            self._initialize_biases()  # only run once
            # print('Strides: %s' % m.stride.tolist())
        if isinstance(m, IAuxDetect):
            s = 256  # 2x min stride
            m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))[:4]])  # forward
            #print(m.stride)
            m.anchors /= m.stride.view(-1, 1, 1)
            check_anchor_order(m)
            self.stride = m.stride
            self._initialize_aux_biases()  # only run once
            # print('Strides: %s' % m.stride.tolist())
        if isinstance(m, IBin):
            s = 256  # 2x min stride
            m.stride = torch.tensor([s / x.shape[-2] for x in self.forward(torch.zeros(1, ch, s, s))])  # forward
            m.anchors /= m.stride.view(-1, 1, 1)
            check_anchor_order(m)
            self.stride = m.stride
            self._initialize_biases_bin()  # only run once
            # print('Strides: %s' % m.stride.tolist())

得到一个Sequential容器，里面包含着所有层。我们先获取到最后一层，一般来说，最后一层都是检测层，就是将所有的预测头进行融合。判断下是属于哪种检测层。

我们通过yolov7.yaml文件可以看到，这里最后一层是Detect类型，那么我就进入第一个if分支里面。我们本身是知道这个网络的步长是32，16和8的，但是模型是不知道的，所以我们需要喂入一个测试tensor进行一次正向传播来得到网络的步长大小。m.anchors表示的是基于原始图片的，所以我们要相对应的除以步长，得到的m.anchors才是真正的基于最后预测头特征图的anchors尺寸。check_anchor_order函数的作用就是检测anchor的顺序是不是正确的，在yolov7.yaml中应该是从小到大的顺序排列。

---

        # Init weights, biases
        initialize_weights(self)
        self.info()
        logger.info('')

最后，就是初始化一下权重大小。