yolov5-6.0网络添加小目标检测头 TensorRT部署

小目标检测使用TPH-YOLOv5 中的yolov5l-xs-tph.yaml模型；对其中的C3STR替换为C3模块；本文的TensorRT部署是基于yolov5l-xs-tph修改后的模型训练部署，其精度一般主要学习如何TensorRT部署，都是在wang-xinyu基础上简单修改；

TPH-YOLOv5 ：https://github.com/cv516Buaa/tph-yolov5
yolov5l-xs-tph.yaml模型修改后：tensorrt-nyy: ​yolov5-6.0网络添加小目标检测头 TensorRT部署；​

1、模型训练
具体修改在head 部分 anchors改为4； C3STR改为C3

anchors: 4
# 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, [ 128, 1, 1 ] ],
   [ -1, 1, nn.Upsample, [ None, 2, 'nearest' ] ],
   [ [ -1, 2 ], 1, Concat, [ 1 ] ],  # cat backbone P2
   [ -1, 2, C3, [ 128, False ] ],  # 21 (P2/4-xsmall) #C3STR

   [ -1, 1, Conv, [ 128, 3, 2 ] ],
   [ [ -1, 18, 4], 1, Concat, [ 1 ] ],  # cat head P3
   [ -1, 2, C3, [ 256, False ] ],  # 24 (P3/8-small)

   [-1, 1, Conv, [256, 3, 2]],
   [[-1, 14, 6], 1, Concat, [1]],  # cat head P4
   [-1, 2, C3, [512, False]],  # 27 (P4/16-medium) #C3STR

   [-1, 1, Conv, [512, 3, 2]],
   [[-1, 10], 1, Concat, [1]],  # cat head P5
   [-1, 2, C3, [1024, False]],  # 30 (P5/32-large) #C3STR

   [[21, 24, 27, 30], 1, Detect, [nc, anchors]],  # Detect(P3, P4, P5)

yolov5l-xs-tph.yaml模型修改后训练60epoch后的模型，其精度一般，训练数据使用VisDrone2019。按照大神wang-xinyu的步骤转换即可。

2、模型转换

主要修改的地方：具体细节参考：tensorrt-nyy: ​yolov5-6.0网络添加小目标检测头 TensorRT部署；​
CHECK_COUNT=3 修改为 CHECK_COUNT=4；
TensorRT 层的添加主要在第17层以后的18-31层添加修改；
在scale = 8  修改为 scale = 4；
修改后测试图片如下：

3、存在的问题

现在转换的模型对大目标检测不准；原因有待分析，可能与tensorrt转换有关，待以后分析